本文由 GO FUNNY 出品。专注 AI Agent 协作方法论与开源工具深度解读。你想搭一个 AI agent打开 GitHub 搜「agent framework」按 star 排序点进第一名照着 quickstart 敲完跑通了一个 demo——觉得这事稳了。然后你往里塞真实业务逻辑某天半夜它崩了你发现状态恢复不了、查不出它为什么走错了分支回头翻文档才在某行小字里看到这个项目已经进入维护模式。你以为跟着最多人的选择最保险结果踩进一个连作者都不再往里加东西的仓库。开头那个仓库叫 AutoGen——GitHub 上 star 最多的 agent 框架60.4k比第二名 CrewAI 还高出一截。光看数字你会觉得选它最安全社区大、issue 多、博客都在写。但微软 2026 年 4 月把它和 Semantic Kernel 合并成了 Microsoft Agent Framework发布了 1.0原 AutoGen 仓库从此只修 bug、不加新功能。维护模式的意思是别人都在往前跑你的框架停在原地——新能力没有生态跟不上社区重心也早搬走了。一个新项目这时候还从它起步等于一开始就背上一笔迟早要还的技术债。所以这篇不按 star 给你排榜。我想反着来先帮你想清楚自己到底要造什么再把 2026 年主流的框架一个一个摆开各自的脾气、优点、坑都讲明白。框架这东西火不等于适合你——适合你的是那个配得上你场景、出事你能查的那个。一、先想清楚你在造什么选框架之前先回答四个问题按这个顺序问自己基本不会选错你团队用什么语言Python 和 TypeScript 能用的好东西差很多。你已经绑了哪家模型深度用 OpenAI 就别硬上只认 Claude 的 SDK。你的 agent 跑一步还是跑一天只跑一步的活框架很多能力你根本用不上。出事了你能不能查能不能在崩溃后从断点续上能不能告诉老板「它为什么这么干」。这四个问题比 star 数重要十倍。但光问还不够还得知道市面上有哪些可选。下面先给你一张全景再按场景拆开讲优缺点。二、2026 年主流框架有哪些下面这十个是 2026 年你会真正碰到的 agent 框架 / SDK。先按语言和定位分个类框架主语言定位Star (2026-08)AutoGenPython多智能体对话已并入 MAF维护模式60.4kCrewAIPython角色型多智能体原型快56.9kLlamaIndexPython数据重 / RAG 型 agent51.6kLangGraphPython有状态生产级工作流39.5ksmolagentsPython极简代码优先28.8kOpenAI Agents SDKPythonOpenAI 生态官方 SDK28.6kSemantic KernelPython/.NET企业中间件已并入 MAF维护模式28.4kMastraTypeScriptTS 全栈 agent27.1kGoogle ADKPython/JavaGemini / Vertex 官方21.1kPydantic AIPython类型安全 / 输出校验19.2k有个反常识的事得先说star 前两名AutoGen、Semantic Kernel现在都进入维护模式了。所以别盯着星数往下排按你自己的场景挑才靠谱。三、按场景挑优缺点一次看清3.1 要快、多角色分工CrewAI从零搭一个多智能体原型CrewAI 是最快能跑起来的。它的心智模型是「角色」你定义一个研究员、一个写手、一个审校框架帮你协调他们对话。产品经理拿这套跟开发描述需求时几乎不用翻译。空仓库到能跑的 demo两到四个小时。优点上手最快角色抽象直观PM 和开发沟通成本低。缺点状态管理早期被藏起来要做持久状态、人工审批、合规审计会很别扭上它的 Flow 抽象学习曲线一下子变陡生产级有状态流程容易撞墙。一句话出原型用它准备好之后迁到 LangGraph。CrewAI 56.9k star融资 1800 万美元官方说财富 500 强里六成在用——但注意这个「在用」很多是原型阶段不是核心生产系统。3.2 复杂、有状态、要审计LangGraph需要复杂、有状态、能断点恢复的流程LangGraph 是目前最稳的。它把 agent 当成一张有向图每个节点干一件事边控制流向每一步的输入输出都可观测、可恢复出事了你能精确看到卡在哪个节点。最有说服力的案例是 Klarna客服 bot 跑在 LangGraph 上处理了三分之二的咨询干着 853 个全职员工的活一年省 6000 万美元。半夜三点系统出问题他们的工程团队能照着图推理。优点有状态、可恢复、可观测、生产成熟Klarna 级案例证明能扛量。缺点上手慢第一天就得想图和状态机对只想快速试验的人不友好。一句话流程要跑很久、要人工介入、要有据可查就选它。LangGraph 39.5k star月下载 3450 万公开生产部署约 400 家Cisco、Uber、LinkedIn、BlackRock。3.3 数据重、RAG 为主LlamaIndex如果你的 agent 核心是检索增强——要查文档库、知识库、结构化数据LlamaIndex 是这条线的代表51.6k star。它从「索引数据」起家agent 能力是后来加上的。优点数据连接器和索引抽象成熟RAG 流程开箱即用。缺点纯 agent 编排能力不如 LangGraph 专定位偏「数据层」不是「编排层」。一句话你的 agent 主要在「读文档、查知识库」先看它。3.4 只要最小积木轻量 SDK 一族不想扛一整套框架、只要几个干净原语的团队2026 年几家模型厂都官方下了场OpenAI Agents SDK — agents handoffs guardrails sessions自带 tracing Pydantic AI — Python 团队类型安全 输出校验 Google ADK — Google 官方认 Gemini/Vertex双语言 Python/Java smolagents (HF) — 极简代码优先28.8k starOpenAI Agents SDK名字叫 OpenAI但通过 LiteLLM 能接 100 多个非 OpenAI 模型。深度绑 OpenAI 的最短路径tracing 开箱即用缺点是换模型要重写不少。Pydantic AI做分类、抽取、文档问答这类结构化输出schema 校验比裸聊天稳得多受监管场景首选19.2k star生态小复杂编排能力弱。Google ADK打动传统企业 Java 团队GCP 栈顺手不是 GCP 栈就别硬凑绑定死。smolagents想自己掌控每一行就用它什么都要自己拼没有现成编排。3.5 TypeScript 全栈Mastra整个栈是 TypeScriptMastra 基本是唯一像样的答案。2026 年 1 月发布 1.0YC 背书支持 81 个 provider、2436 模型durable workflow、memory、evals、tracing 一套打包。Replit 的 Agent 3 建在它上面任务成功率从 80% 拉到 96%Marsh McLennan 用它的搜索工具覆盖了 75000 名员工。优点TS 栈不用拿 LangChain.js 凑合全家桶省拼库。缺点还年轻生态深度比不过 LangGraph 那种老兵。一句话写 TS agent它是当前首选。Mastra 27.1k star。3.6 Azure / .NET 栈Microsoft Agent Framework这是 AutoGen 和 Semantic Kernel 的合体2026 年 4 月 1.0 GA融合了 Semantic Kernel 的企业级中间件和 AutoGen 的编排创新支持 Python 和 .NET、MCP 和 A2A 协议、checkpoint、人工介入。优点.NET 栈、绑 Azure 的官方正路不用再碰两个维护模式仓库。缺点非 Azure 团队基本不用考虑它绑定重。四、一个被反复验证的趋势工具层用 MCP不管你选哪个框架工具调用那一层现在有个事实标准叫 MCPModel Context Protocol。它的意义是让你的 agent 能跨框架移植今天用 LangGraph明天想换 Mastra工具定义不用重写。所以 2026 年靠谱的工程参考架构基本是这样编排框架 (LangGraph / MAF) 可观测栈 (LangSmith / Pydantic Logfire) 评测 harness 基于 MCP 的工具层还有一点很现实多数生产团队不是「纯框架」而是框架负责编排性能敏感的关键路径直接调模型 API。框架是手段能跑起来的生产系统是目的中间的距离靠纪律补。五、什么时候你其实不该用框架这部分我犹豫要不要写因为它跟前面有点唱反调。但我觉得得说。2026 年有个 Hacker News 热帖叫「受够了 Agent 框架」还有 Reddit 上高赞帖说 90% 的 agentic 项目用简单 prompt chain 更好。两件事同时成立框架在大型企业的确开始回本可开发者也被抽象层的折腾搞累了。更扎心的是 MIT 一项覆盖 300 实现的研究从试点到真正上生产的成功率只有约 5%。也就是说绝大多数 agent 项目死在 demo 之后。框架救不了这个——它只管编排不管你的业务逻辑对不对、数据干不干净、成本扛不扛得住。所以我的判断是如果你的任务就是「调一次模型、串几个固定步骤」别上框架写个普通函数加几次 API 调用就够了。框架的价值在长流程、有状态、要恢复、要审计的地方。别为了用而用。六、速选清单懒得逐条想的话按下面这个对号入座要做原型、要快、多角色分工CrewAI但想清楚之后要不要迁。流程要跑很久、要断点恢复、要给人看轨迹LangGraph。数据重、RAG 为主LlamaIndex。整个栈是 TypeScriptMastra。Python 团队、输出要类型校验Pydantic AI。深度绑 OpenAIOpenAI Agents SDK。深度绑 Gemini / GCPGoogle ADK。Azure / .NET 栈Microsoft Agent Framework。只想要最小积木、自己掌控smolagents 或直接调 API。新项目别碰AutoGen、Semantic Kernel都已并入 MAF维护模式。最容易栽跟头的选法就是照着 GitHub star 榜从上往下点——半年后回头看成本、可靠性、可观测性多半没人认真算过。GO FUNNYAI Agent 协作方法论 × 开源工具深度解读 2026 年 AI Agent 框架横评：10 大框架优缺点对比 + 选型指南
本文由 GO FUNNY 出品。专注 AI Agent 协作方法论与开源工具深度解读。你想搭一个 AI agent打开 GitHub 搜「agent framework」按 star 排序点进第一名照着 quickstart 敲完跑通了一个 demo——觉得这事稳了。然后你往里塞真实业务逻辑某天半夜它崩了你发现状态恢复不了、查不出它为什么走错了分支回头翻文档才在某行小字里看到这个项目已经进入维护模式。你以为跟着最多人的选择最保险结果踩进一个连作者都不再往里加东西的仓库。开头那个仓库叫 AutoGen——GitHub 上 star 最多的 agent 框架60.4k比第二名 CrewAI 还高出一截。光看数字你会觉得选它最安全社区大、issue 多、博客都在写。但微软 2026 年 4 月把它和 Semantic Kernel 合并成了 Microsoft Agent Framework发布了 1.0原 AutoGen 仓库从此只修 bug、不加新功能。维护模式的意思是别人都在往前跑你的框架停在原地——新能力没有生态跟不上社区重心也早搬走了。一个新项目这时候还从它起步等于一开始就背上一笔迟早要还的技术债。所以这篇不按 star 给你排榜。我想反着来先帮你想清楚自己到底要造什么再把 2026 年主流的框架一个一个摆开各自的脾气、优点、坑都讲明白。框架这东西火不等于适合你——适合你的是那个配得上你场景、出事你能查的那个。一、先想清楚你在造什么选框架之前先回答四个问题按这个顺序问自己基本不会选错你团队用什么语言Python 和 TypeScript 能用的好东西差很多。你已经绑了哪家模型深度用 OpenAI 就别硬上只认 Claude 的 SDK。你的 agent 跑一步还是跑一天只跑一步的活框架很多能力你根本用不上。出事了你能不能查能不能在崩溃后从断点续上能不能告诉老板「它为什么这么干」。这四个问题比 star 数重要十倍。但光问还不够还得知道市面上有哪些可选。下面先给你一张全景再按场景拆开讲优缺点。二、2026 年主流框架有哪些下面这十个是 2026 年你会真正碰到的 agent 框架 / SDK。先按语言和定位分个类框架主语言定位Star (2026-08)AutoGenPython多智能体对话已并入 MAF维护模式60.4kCrewAIPython角色型多智能体原型快56.9kLlamaIndexPython数据重 / RAG 型 agent51.6kLangGraphPython有状态生产级工作流39.5ksmolagentsPython极简代码优先28.8kOpenAI Agents SDKPythonOpenAI 生态官方 SDK28.6kSemantic KernelPython/.NET企业中间件已并入 MAF维护模式28.4kMastraTypeScriptTS 全栈 agent27.1kGoogle ADKPython/JavaGemini / Vertex 官方21.1kPydantic AIPython类型安全 / 输出校验19.2k有个反常识的事得先说star 前两名AutoGen、Semantic Kernel现在都进入维护模式了。所以别盯着星数往下排按你自己的场景挑才靠谱。三、按场景挑优缺点一次看清3.1 要快、多角色分工CrewAI从零搭一个多智能体原型CrewAI 是最快能跑起来的。它的心智模型是「角色」你定义一个研究员、一个写手、一个审校框架帮你协调他们对话。产品经理拿这套跟开发描述需求时几乎不用翻译。空仓库到能跑的 demo两到四个小时。优点上手最快角色抽象直观PM 和开发沟通成本低。缺点状态管理早期被藏起来要做持久状态、人工审批、合规审计会很别扭上它的 Flow 抽象学习曲线一下子变陡生产级有状态流程容易撞墙。一句话出原型用它准备好之后迁到 LangGraph。CrewAI 56.9k star融资 1800 万美元官方说财富 500 强里六成在用——但注意这个「在用」很多是原型阶段不是核心生产系统。3.2 复杂、有状态、要审计LangGraph需要复杂、有状态、能断点恢复的流程LangGraph 是目前最稳的。它把 agent 当成一张有向图每个节点干一件事边控制流向每一步的输入输出都可观测、可恢复出事了你能精确看到卡在哪个节点。最有说服力的案例是 Klarna客服 bot 跑在 LangGraph 上处理了三分之二的咨询干着 853 个全职员工的活一年省 6000 万美元。半夜三点系统出问题他们的工程团队能照着图推理。优点有状态、可恢复、可观测、生产成熟Klarna 级案例证明能扛量。缺点上手慢第一天就得想图和状态机对只想快速试验的人不友好。一句话流程要跑很久、要人工介入、要有据可查就选它。LangGraph 39.5k star月下载 3450 万公开生产部署约 400 家Cisco、Uber、LinkedIn、BlackRock。3.3 数据重、RAG 为主LlamaIndex如果你的 agent 核心是检索增强——要查文档库、知识库、结构化数据LlamaIndex 是这条线的代表51.6k star。它从「索引数据」起家agent 能力是后来加上的。优点数据连接器和索引抽象成熟RAG 流程开箱即用。缺点纯 agent 编排能力不如 LangGraph 专定位偏「数据层」不是「编排层」。一句话你的 agent 主要在「读文档、查知识库」先看它。3.4 只要最小积木轻量 SDK 一族不想扛一整套框架、只要几个干净原语的团队2026 年几家模型厂都官方下了场OpenAI Agents SDK — agents handoffs guardrails sessions自带 tracing Pydantic AI — Python 团队类型安全 输出校验 Google ADK — Google 官方认 Gemini/Vertex双语言 Python/Java smolagents (HF) — 极简代码优先28.8k starOpenAI Agents SDK名字叫 OpenAI但通过 LiteLLM 能接 100 多个非 OpenAI 模型。深度绑 OpenAI 的最短路径tracing 开箱即用缺点是换模型要重写不少。Pydantic AI做分类、抽取、文档问答这类结构化输出schema 校验比裸聊天稳得多受监管场景首选19.2k star生态小复杂编排能力弱。Google ADK打动传统企业 Java 团队GCP 栈顺手不是 GCP 栈就别硬凑绑定死。smolagents想自己掌控每一行就用它什么都要自己拼没有现成编排。3.5 TypeScript 全栈Mastra整个栈是 TypeScriptMastra 基本是唯一像样的答案。2026 年 1 月发布 1.0YC 背书支持 81 个 provider、2436 模型durable workflow、memory、evals、tracing 一套打包。Replit 的 Agent 3 建在它上面任务成功率从 80% 拉到 96%Marsh McLennan 用它的搜索工具覆盖了 75000 名员工。优点TS 栈不用拿 LangChain.js 凑合全家桶省拼库。缺点还年轻生态深度比不过 LangGraph 那种老兵。一句话写 TS agent它是当前首选。Mastra 27.1k star。3.6 Azure / .NET 栈Microsoft Agent Framework这是 AutoGen 和 Semantic Kernel 的合体2026 年 4 月 1.0 GA融合了 Semantic Kernel 的企业级中间件和 AutoGen 的编排创新支持 Python 和 .NET、MCP 和 A2A 协议、checkpoint、人工介入。优点.NET 栈、绑 Azure 的官方正路不用再碰两个维护模式仓库。缺点非 Azure 团队基本不用考虑它绑定重。四、一个被反复验证的趋势工具层用 MCP不管你选哪个框架工具调用那一层现在有个事实标准叫 MCPModel Context Protocol。它的意义是让你的 agent 能跨框架移植今天用 LangGraph明天想换 Mastra工具定义不用重写。所以 2026 年靠谱的工程参考架构基本是这样编排框架 (LangGraph / MAF) 可观测栈 (LangSmith / Pydantic Logfire) 评测 harness 基于 MCP 的工具层还有一点很现实多数生产团队不是「纯框架」而是框架负责编排性能敏感的关键路径直接调模型 API。框架是手段能跑起来的生产系统是目的中间的距离靠纪律补。五、什么时候你其实不该用框架这部分我犹豫要不要写因为它跟前面有点唱反调。但我觉得得说。2026 年有个 Hacker News 热帖叫「受够了 Agent 框架」还有 Reddit 上高赞帖说 90% 的 agentic 项目用简单 prompt chain 更好。两件事同时成立框架在大型企业的确开始回本可开发者也被抽象层的折腾搞累了。更扎心的是 MIT 一项覆盖 300 实现的研究从试点到真正上生产的成功率只有约 5%。也就是说绝大多数 agent 项目死在 demo 之后。框架救不了这个——它只管编排不管你的业务逻辑对不对、数据干不干净、成本扛不扛得住。所以我的判断是如果你的任务就是「调一次模型、串几个固定步骤」别上框架写个普通函数加几次 API 调用就够了。框架的价值在长流程、有状态、要恢复、要审计的地方。别为了用而用。六、速选清单懒得逐条想的话按下面这个对号入座要做原型、要快、多角色分工CrewAI但想清楚之后要不要迁。流程要跑很久、要断点恢复、要给人看轨迹LangGraph。数据重、RAG 为主LlamaIndex。整个栈是 TypeScriptMastra。Python 团队、输出要类型校验Pydantic AI。深度绑 OpenAIOpenAI Agents SDK。深度绑 Gemini / GCPGoogle ADK。Azure / .NET 栈Microsoft Agent Framework。只想要最小积木、自己掌控smolagents 或直接调 API。新项目别碰AutoGen、Semantic Kernel都已并入 MAF维护模式。最容易栽跟头的选法就是照着 GitHub star 榜从上往下点——半年后回头看成本、可靠性、可观测性多半没人认真算过。GO FUNNYAI Agent 协作方法论 × 开源工具深度解读