六大AI Agent框架对比：选错浪费数周，如何一分钟选对

AI Agent 框架的选择，正成为很多开发者踩坑的第一步。同一套能力，用错框架可能意味着数周的重写。YouTube 上一位科技博主对六款主流框架做了横向拆解——LangGraph、CrewAI、OpenAI Agents SDK、Claude Agent SDK、Google ADK 和 Microsoft Agent Framework——核心结论不是“哪个最好”，而是“哪个最像你思考问题的方式”。

框架到底替你做了什么？

所有 Agent 本质上跑同一个循环：模型读取情况、选择工具、查看结果、决定下一步。这个循环自己写大约 50 行代码就能搞定。据该视频的观点，框架的价值在于处理循环之外的“脏活”——状态追踪、多 Agent 分工、人工审批暂停、崩溃恢复、事后可观测。

因此评估一个框架只需问四个问题：它如何组织工作？支持哪些语言？是否锁定单一模型厂商？为生产环境提供了什么？这四问构成了全文的对比框架。

MCP（Model Context Protocol） 是 Anthropic 于 2024 年底提出的开放协议，用于标准化大模型应用与外部工具、数据源之间的连接方式。可以把它理解为"AI 应用的 USB-C 接口"：工具提供方按协议实现一个 MCP Server，任何支持 MCP 的客户端（Agent 框架、IDE、桌面应用）都能即插即用地调用它，而不必为每个框架单独写适配层。文中 Claude Agent SDK 对 MCP 的"深度支持"，意味着它能直接复用生态中已有的 MCP Server，也意味着用它构建的工具更容易迁移到其他兼容 MCP 的宿主中。

A2A（Agent-to-Agent）协议 则是 Google 主导的另一层标准，解决的是"Agent 之间如何互相发现与对话"，而非"Agent 如何调用工具"。它定义了 Agent Card（能力描述）、任务生命周期与消息格式，使不同团队、甚至不同框架构建的 Agent 能跨边界协作。Google ADK 原生支持 A2A，是其互操作性主张的技术基础；MCP 管纵向的工具接入，A2A 管横向的 Agent 互联，二者常被一起讨论但职责不同。

LangGraph：把 Agent 画成图

LangGraph 的核心隐喻是图。节点是步骤，边是路径，每一步之后整个状态都会被保存。这带来三个实际能力：中途崩溃可从最后一个保存点恢复；可以暂停等待人工审批；可以回退到早先步骤调试。它支持 Python 和 TypeScript，兼容多数模型厂商。

代价是前期设计成本。简单 Agent 用它是杀鸡用牛刀——“就像为了泡杯茶画一整张流程图”。它适合有分支、重试、审批环节且必须稳定跑在生产环境的复杂工作流。

检查点（checkpoint）与状态持久化 是理解 LangGraph 崩溃恢复和人工审批能力的关键机制。Agent 执行时，每一步之后的完整状态（消息历史、变量、待执行节点）会被序列化写入持久化存储——可以是内存、SQLite、Postgres 或 Redis。恢复时框架从最近的检查点重建状态并继续执行，因此进程重启、超时或人工审批中断都不会丢失上下文。这也带来"时间旅行"调试能力：可以回到任意历史检查点重放或分叉执行。代价是状态需要可序列化，且存储层成为生产部署的一部分——高并发场景下检查点的写入频率与存储选型会直接影响延迟和成本，这是选用图式框架时需要提前规划的基础设施问题。

CrewAI：给 Agent 配一个团队

CrewAI 的核心隐喻是团队。你创建带角色、目标和背景故事的 Agent——研究员、写手、编辑——再分配任务，让整个 crew 协作完成。它只支持 Python，是启动多 Agent 系统最快的方式之一，多 Agent 框架中社区规模也位居前列，示例容易找到。

控制力是它的短板。你描述谁做什么，但不控制彼此间每一步如何交流；角色扮演本身会消耗额外 token；出问题时也更难追踪原因。适合快速原型，以及天然能映射为角色分工的工作流。

OpenAI Agents SDK：以交接为核心

它取代了 OpenAI 此前的实验项目 Swarm。核心隐喻是交接（handoffs）：一个 Agent 可以把对话交给更合适的另一个 Agent，类似客服热线里分流坐席先接起、再转给账单或技术支持。此外还有检查输入输出的 guardrails 和内置追踪。支持 Python 与 TypeScript，设计刻意保持轻量，概念很少。

代价同样来自轻量：需要持久状态或复杂分支的长流程，得自己补更多基础设施。

Handoff（交接） 与普通的"工具调用"在语义上并不相同。工具调用是 Agent 调用一个函数并拿回结果，控制权仍在自己手里；交接则是把整个对话的控制权、上下文和后续责任移交给另一个 Agent，由后者继续与用户交互。实现上，交接通常被建模为一种特殊工具，接收方 Agent 会继承消息历史，并可配置过滤哪些内容被传递。这种设计的优势是路由逻辑清晰、每个 Agent 只需专注自己的领域；局限是交接是单向的，若需要在多个专家间反复往返，就得靠多个交接或外层编排来补足——这也是轻量框架在长流程中需要自行补齐基础设施的原因之一。

Claude Agent SDK：能操作电脑的 Agent

它前身叫 Claude Code SDK，名字本身就说明了血统——把驱动编码 Agent 的同一套机制开放出来。核心隐喻是能在计算机上干活的 Agent，内置读写文件、执行命令的工具，支持子 Agent、可在各阶段介入的 hooks，以及对 MCP 的深度支持。支持 Python 和 TypeScript。

限制很明确：只能跑 Claude 模型。需要切换模型厂商的话，它不合适。目标场景是编码 Agent，以及需要操作文件、终端和真实系统的 Agent。

Google ADK：Agent 树与跨框架互通

Google 的 Agent Development Kit 核心隐喻是 Agent 树，父 Agent 委派给子 Agent，子 Agent 还能有自己的子级。真正的差异点在覆盖面和互操作性：它是本文六款中语言支持最广的，提供 Python、TypeScript、Java、Go 四套 SDK；原生支持 A2A（agent-to-agent）协议，你的 Agent 能发现并对话其他团队、甚至其他框架构建的 Agent；还附带命令行工具和浏览器调试界面。

代价是生产环境重度依赖 Google Cloud，社区规模小于 LangGraph 和 CrewAI。适合 Google Cloud 上的团队，以及用 Java 或 Go 构建的公司。

Microsoft Agent Framework：AutoGen 与 Semantic Kernel 的合体

如果你听过 AutoGen 或 Semantic Kernel，这款框架把两者合并取代了它们，1.0 版本已正式可用，AutoGen 本身进入维护模式，只接收缺陷修复和安全补丁。它继承 AutoGen 的多 Agent 模式（如 Agent 互相辩论的群聊），继承 Semantic Kernel 的企业级能力（状态、中间件、遥测），并加入带检查点和人工审批的图工作流。支持 Python 和 .NET，兼容多模型厂商。

代价是群聊意味着大量模型调用、token 成本累积；已有 AutoGen 项目需要迁移。适合 Microsoft 与 Azure 上的团队，以及仍在跑 AutoGen 的人。

AutoGen 是微软研究院 2023 年开源的多 Agent 对话框架，以"可对话 Agent + 群聊编排"闻名，学术实验色彩较浓；Semantic Kernel 则是面向企业的 SDK，强调插件、记忆、中间件与遥测等工程能力，更像传统软件工程向 AI 的延伸。两者长期并行、定位重叠，合并为 Microsoft Agent Framework 的目的是统一 API 表面：保留 AutoGen 的多 Agent 协作模式，同时把 Semantic Kernel 的企业级基础设施作为底座，再叠加带检查点与人工审批的图工作流。对使用者的实际影响是迁移成本——AutoGen 进入维护模式意味着新特性只出现在新框架中，存量项目需要评估重写范围，尤其是深度依赖旧版 GroupChat 或自定义 Agent 协议的部分。

同一个任务，六种形状

视频用“回答客户问题、退款需人工审批”的支持 Agent 做统一演示：

• LangGraph 里你把它画出来：回答节点、退款节点，中间一道暂停等待人工的审批闸门。
• CrewAI 里你把它招出来：一个支持 Agent 加一个退款 Agent，各带角色，按任务清单推进。
• OpenAI Agents SDK 里你把它路由出来：前台 Agent 把退款请求交给退款专员，guardrail 检查对外内容。
• Claude Agent SDK 里你给单个 Agent 查订单、发退款的工具，再用 hook 在退款前停下来询问。
• Google ADK 里你建一个父 Agent 带两个子 Agent，分别管问答与退款。
• Microsoft Agent Framework 里你建带人工审批步骤和检查点的工作流，中途停止也不丢状态。

同一份工作，六种形状。对的那个，是与你既有思维方式最吻合的那个。

还有两个值得知道的选择

视频补充了两款框架。Pydantic AI 出自 Pydantic 团队，专注类型安全的 Agent，返回干净、经过校验的结构化数据；它不为多 Agent 系统而生，但在数据抽取和分类上很强。另一款面向 TypeScript 开发者，把工作流、记忆和本地 studio 打包在一起，是 TypeScript 优先的设计。

一分钟选型指南

按顺序回答：需要带分支、重试、人工审批且跑在生产环境的复杂工作流，选 LangGraph；想今天就跑起多 Agent 原型，选 CrewAI；构建在专家之间路由的聚焦型助手，选 OpenAI Agents SDK；Agent 要操作代码、文件和终端且你接受 Claude，选 Claude Agent SDK；在 Google Cloud 上或用 Java/Go 开发，选 Google ADK；在 Microsoft/Azure 上或仍在用 AutoGen，选 Microsoft Agent Framework；只需要模型吐出干净的结构化数据，选 Pydantic AI。

视频结尾的判断值得记住：框架迭代很快，视频里多数框架两年前还不存在，但底层概念不变——循环、工具、状态、交接、人工审批。把这些学一次，任何框架都能在一个周末上手。从能匹配需求的最简框架起步，只在需要时增加复杂度。