19. Agent 框架横向对比：LangGraph、AutoGen、CrewAI、OpenHands

四个框架的定位

四个框架解决的问题部分重叠，但出发点和抽象层级不同。

LangGraph

核心抽象：状态图（State Graph）

LangGraph 把 Agent 流程建模成一个有向图：节点是 Agent 或工具调用，边定义转移条件，状态在节点间流动。

from langgraph.graph import StateGraph

class AgentState(TypedDict):
    messages: list
    next_action: str

graph = StateGraph(AgentState)

graph.add_node("planner", planner_node)
graph.add_node("executor", executor_node)
graph.add_node("reviewer", reviewer_node)

graph.add_edge("planner", "executor")
graph.add_conditional_edges(
    "executor",
    lambda state: "reviewer" if state["next_action"] == "review" else "planner"
)

app = graph.compile()

设计取向：

• 显式控制流：每个节点和边都要明确定义
• 状态可观测：每一步的状态变化可以追踪
• 适合复杂的、有明确步骤的流程

适合场景：

• 工作流明确、步骤可预先规划的任务
• 需要细粒度控制 Agent 行为的场景
• 已经在用 LangChain 生态的项目

主要限制：

• 图的复杂度增加后维护成本高
• 状态定义需要前置设计
• 学习曲线相对陡

AutoGen

核心抽象：可对话的 Agent

AutoGen 把每个 Agent 建模成一个能收发消息的对象，多 Agent 协作通过对话完成。

from autogen import AssistantAgent, UserProxyAgent

assistant = AssistantAgent(
    name="coder",
    llm_config={"model": "gpt-4"}
)

user_proxy = UserProxyAgent(
    name="user",
    code_execution_config={"work_dir": "coding"}
)

user_proxy.initiate_chat(
    assistant,
    message="写一个快速排序的 Python 实现"
)

设计取向：

• 对话作为协作的统一形式
• Agent 间的交互通过消息驱动
• 内置代码执行能力（UserProxyAgent 可以执行代码）

适合场景：

• 多 Agent 协作（程序员 + 审查员 + 测试员）
• 需要快速原型验证的研究性项目
• 任务可以自然地拆解为对话回合

主要限制：

• 对话回合数难以控制，容易陷入循环
• 大规模生产部署需要额外的稳定性工程
• 文档和最佳实践还在演进中

AutoGen 0.4 版本（2024 年底）做了较大架构重构，事件驱动模型替代了直接对话调用。如果是新项目，建议直接看 0.4+ 的文档，老版本的资料可能不再适用。

CrewAI

核心抽象：角色（Agent）+ 任务（Task）+ 流程（Process）

CrewAI 强调角色分工。每个 Agent 有自己的目标、背景描述、可用工具。任务被分配给角色，按预定流程执行。

from crewai import Agent, Task, Crew

researcher = Agent(
    role="研究员",
    goal="找出关于 X 主题的最新进展",
    backstory="你是该领域的专家...",
    tools=[search_tool, summarize_tool]
)

writer = Agent(
    role="技术作家",
    goal="把研究结果写成清晰的报告",
    backstory="你擅长把复杂技术解释清楚...",
    tools=[edit_tool]
)

research_task = Task(
    description="收集 X 的最新论文",
    agent=researcher
)

writing_task = Task(
    description="基于研究结果写一份报告",
    agent=writer,
    context=[research_task]
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process=Process.sequential
)

result = crew.kickoff()

设计取向：

• 角色 + 任务的概念直观，类似团队协作
• 约束 Agent 行为靠角色描述（prompt engineering）
• 默认顺序执行，可配置层级或并行流程

适合场景：

• 任务可以清晰地拆给不同"角色"
• 流程相对固定的工作流
• 非技术用户也能上手定义 Agent

主要限制：

• Agent 间的交互精度依赖 prompt 质量
• 调试不直观（Agent 在角色驱动下的行为有时难以预测）
• 不适合需要细粒度控制流的场景

OpenHands

核心抽象：软件工程任务的 Agent 系统

OpenHands 不是通用 Agent 框架，而是一个完整的软件工程 Agent 系统。包含：

• Agent（基于 CodeAct 思想）
• 沙箱化执行环境（Docker 容器）
• 工具集（文件操作、浏览器、终端）
• 前端 UI（VS Code 风格界面）

# 启动 OpenHands
docker run -it --rm \
  -p 3000:3000 \
  -v /var/run/docker.sock:/var/run/docker.sock \
  --name openhands \
  docker.all-hands.dev/all-hands-ai/openhands

在浏览器里打开 localhost:3000 就能用——给定任务后，Agent 在容器里写代码、运行、调试。

设计取向：

• 端到端的产品，不是库
• 针对软件工程优化
• 默认包含沙箱、权限控制、人工审批等生产化考虑

适合场景：

• 想直接用一个软件工程 Agent，不想自己组装
• 自动修 bug、生成功能等明确的开发任务
• 需要安全隔离的环境

主要限制：

• 不是框架，难以深度定制
• 资源消耗大（每个会话一个容器）
• 不适合非软件工程的通用 Agent 场景

横向对比

选型的几个问题

任务类型是什么？

软件工程任务（写代码、修 bug）→ OpenHands 直接可用 通用任务（研究、写作、数据处理）→ 看下面几个问题

流程是否预先明确？

明确 → LangGraph（显式定义节点和边） 不明确 → AutoGen 或 CrewAI（让 Agent 自主协作）

有几个 Agent？

单 Agent → LangGraph 或直接用 OpenAI Assistant API 多 Agent 协作 → CrewAI 或 AutoGen

对控制的需求？

强控制（每步都可干预）→ LangGraph 弱控制（设定目标让 Agent 自由发挥）→ CrewAI

生态依赖？

已经用 LangChain → LangGraph 微软 / Azure 生态 → AutoGen 独立项目 → CrewAI 或 LangGraph

各自的实际坑

LangGraph

• 图的复杂度涨得很快，5 个节点还好，20 个节点就难维护
• 状态对象设计不当会让所有节点都需要修改
• 调试时需要熟悉 LangSmith 等周边工具

AutoGen

• GroupChat 模式下对话回合容易失控，需要严格的终止条件
• 0.2 和 0.4 版本 API 差异大，老资料容易误导
• 代码执行环境的安全配置需要额外注意

CrewAI

• Agent 表现高度依赖 role / backstory 的 prompt 质量
• 顺序流程下，前置任务的输出格式不稳定，会让后续任务受影响
• 复杂任务依赖关系不好表达

OpenHands

• Docker 资源占用不小，本地跑长任务可能吃满 CPU
• 自定义 Agent 行为需要改源码或写插件
• 文件系统的持久化策略需要根据使用场景调整

框架之外的选择

值得提一下：不用框架也是一种选择。

如果任务足够简单，直接用 OpenAI / Anthropic 的官方 SDK 加几个 Python 函数就够了。框架的价值在于复杂任务的组织和复用，简单任务用框架反而是负担。

判断标准：如果你的 Agent 逻辑用 200 行普通 Python 能写清楚，就先用普通 Python 写。等到代码超过 1000 行、流程开始难以维护，再考虑引入框架。

小结

四个框架的设计哲学不同，没有绝对的优劣。

• LangGraph 适合需要细粒度控制的复杂工作流
• AutoGen 适合多 Agent 对话场景和研究项目
• CrewAI 适合可清晰角色化的任务
• OpenHands 适合直接使用的软件工程 Agent

实际选型先想清楚自己的任务长什么样，再去匹配框架。框架的"先进"不一定等于"适合你"。简单任务用简单方案，复杂任务再用框架，这个判断比框架选择本身更重要。