Appearance
88. AI Agent 开发有哪些主流框架？各自有什么特点？
难度 P1 高频 · 岗位 应用 · 频率 ★★★ · 预计阅读 6 min
本题阅读地图
- 💡 简要回答
- 📝 详细解析
- 🎯 面试总结
👔 面试官：做 Agent 开发你用过什么框架？说说主流框架的特点和适用场景。
🙋 我：LangChain 比较出名，我用过。还有 AutoGen？
👔 面试官：光知道名字不够，每个框架的设计哲学是什么？什么场景该选哪个？
这道题考查的是你对 Agent 生态的系统性了解，不只是背名字。
💡 简要回答
当前主流的 AI Agent 框架有七个：LangChain、LangGraph、CrewAI、AutoGen、Semantic Kernel、Dify、OpenAI Agents SDK。它们覆盖了从「快速原型」到「生产级编排」的不同层次，没有哪个框架全场景最优，选型要看具体需求。
📝 详细解析
七大主流框架一览
1. LangChain
定位：AI 应用开发的「万能工具箱」，积木式组装各类组件。
核心优势：生态最丰富，支持几乎所有主流 LLM 和向量数据库，社区活跃，文档完整，学习资源多。
适合场景：快速原型、学习 Agent 概念、需要接入多种工具和数据源的项目。
局限：「什么都能做」的反面是「什么都不够专一」，复杂多 Agent 编排时显得笨重，抽象层过多导致调试困难。
2. LangGraph
定位：LangChain 团队推出的图形化工作流引擎，专为复杂多 Agent 场景设计。
核心优势：把 Agent 的执行过程建模为有向图（DAG），每个节点是一个处理步骤，边是状态流转。支持循环、分支、并行，非常适合复杂的多步骤任务。
适合场景：需要精细控制执行流程的复杂 Agent，需要可视化调试执行路径的场景。
3. CrewAI
定位：多 Agent 协作框架，专注于「AI 团队」的编排。
核心优势：直接用「角色」和「团队」的概念建模——你定义若干个有角色的 Agent（研究员、工程师、审稿人），它们自动协作完成任务。上手直觉、语义清晰。
适合场景：多 Agent 协作任务，团队类比模型直觉清晰，适合快速搭建多角色 Agent 系统。
4. AutoGen（微软）
定位：微软推出的对话式多 Agent 框架，Agent 之间通过自然语言对话协作。
核心优势：Agent 间通信用自然语言，可以模拟真实的「人类团队讨论」场景，支持人在环路（Human-in-the-loop）介入。
适合场景：需要模拟复杂讨论和协商过程的任务，需要人类专家随时介入的场景，微软 Azure 生态。
5. Semantic Kernel（微软）
定位：企业级 AI 应用框架，专为 .NET/C# 和 Java 生态设计（也有 Python 版本）。
核心优势：与 Azure 深度集成，企业级的安全合规支持，适合有 .NET 技术栈的企业项目。
适合场景：企业级 ToB 项目，.NET/C# 技术栈，Azure 生态，有严格合规要求的场景。
6. Dify
定位：可视化的 AI 应用开发平台，低代码/无代码方式构建 Agent。
核心优势：提供 Web 界面，非开发人员也能搭建 Agent 工作流，内置 RAG、工具集成、模型切换等功能，开箱即用。
适合场景：快速 MVP 验证，非技术背景的团队，不想写代码的场景，企业内部知识库问答。
7. OpenAI Agents SDK
定位：OpenAI 官方推出的轻量级 Agent 框架（2025 年初发布）。
核心优势：极简 API 设计，原生支持 Handoffs（Agent 间任务移交）和 Guardrails（安全护栏），和 OpenAI 模型深度优化集成，代码简洁。
适合场景：以 OpenAI 模型为核心的 Agent 项目，追求代码简洁、快速上手的场景。
选型决策矩阵
| 需求 | 推荐框架 |
|---|---|
| 学习/快速原型 | LangChain |
| 复杂多步骤流程 | LangGraph |
| 多 Agent 团队协作 | CrewAI 或 AutoGen |
| 企业 .NET 生态 | Semantic Kernel |
| 低代码/可视化 | Dify |
| OpenAI 模型 + 简洁代码 | OpenAI Agents SDK |
🎯 面试总结
答这道题不要只背名字，要体现「选型判断力」：每个框架解决什么问题、适合什么场景、有什么局限。能说出「LangGraph 适合复杂状态流转、CrewAI 适合多角色协作、OpenAI SDK 适合追求简洁」这三个差异点，面试官就会认为你真的用过框架，而不是背了个列表。