上一篇文章我们自己手写了 Agent。写到后面你会发现：消息管理、工具注册、记忆维护……有很多重复劳动。于是就有了框架。今天来聊聊市面上最主流的几个，帮你选一个接着玩。

上一篇：「从零玩转 AI Agent」【第九篇】用 Python 从零写一个 Agent（下）——记忆与实战

一、为什么需要框架？

自己写 Agent 到后面会变成这样：

# 你需要手写很多东西- messages 管理（追加、截断、压缩）- 工具注册和匹配- 多轮 Function Calling 循环- 错误重试- 记忆持久化- 多 Agent 通信- 流式输出- ...

而框架把这些封装好了，你只需要关心两件事：定义 Agent 的行为 + 配置工具。

二、四大框架速览

三、LangChain —— Agent 界的"乐高"

3.1 它是什么？

LangChain 不是一个"Agent 框架"，而是一个LLM 应用的万能工具箱：

• 想做 RAG？有 RAG 模块
• 想做 Agent？有 Agent 模块
• 想做 Chains（链式调用）？有 Chains 模块
• 想要记忆？有 Memory 模块

优点就是缺点——太灵活了，灵活到你不知道从哪开始。

3.2 用 LangChain 写 Agent 有多简单？

from langchain_openai import ChatOpenAIfrom langchain.agents import create_tool_calling_agent, AgentExecutorfrom langchain.tools import tool# 1. 定义工具@tooldefget_weather(city: str) -> str:"""获取城市天气"""returnf"{city}：晴天 25°C"# 2. 创建 LLMllm = ChatOpenAI(    model="deepseek-chat",    api_key="sk-...",    base_url="https://api.deepseek.com")# 3. 创建 Agent（一行代码！）agent = create_tool_calling_agent(llm, [get_weather], prompt)# 4. 执行（一行代码！）executor = AgentExecutor(agent=agent, tools=[get_weather])result = executor.invoke({"input": "北京天气怎么样？"})

跟手写 Agent 比，代码量少了至少一半。

3.3 适合谁？

• ✅ 你想深度定制 Agent 的每个环节
• ✅ 你想把 Agent 嵌入 Web 应用、API 服务
• ❌ 零基础新手——学习曲线陡
• ❌ 你只需要简单功能——用 LangChain 是杀鸡用牛刀

四、CrewAI —— 多 Agent 协作入门首选

4.1 它是什么？

CrewAI 的核心概念：让多个 Agent 像团队一样协作。

每个 Agent 有独立的角色、目标和工具。多个 Agent 组成一个 Crew（团队），按流程协作。

4.2 一个例子：写一篇市场分析报告

from crewai import Agent, Task, Crew# 研究员 Agentresearcher = Agent(    role="市场研究员",    goal="搜集市场最新数据并整理成结构化信息",    tools=[search_tool],    llm="deepseek-chat")# 分析师 Agentanalyst = Agent(    role="数据分析师",    goal="基于研究数据生成洞察和建议",    llm="deepseek-chat")# 写手 Agentwriter = Agent(    role="报告撰写人",    goal="将分析结果写成专业报告",    llm="deepseek-chat")# 定义任务research_task = Task(description="调研中国 AI 市场 2026 年趋势", agent=researcher)analysis_task = Task(description="分析数据并给出 5 个关键洞察", agent=analyst)writing_task  = Task(description="写成 2000 字市场分析报告", agent=writer)# 组建团队crew = Crew(    agents=[researcher, analyst, writer],    tasks=[research_task, analysis_task, writing_task])# 一键启动result = crew.kickoff()print(result)

研究员 → 分析师 → 写手，三个人自动流水线作业。

4.3 适合谁？

• ✅ 想探索多 Agent 协作
• ✅ 任务流程明确、可以线性拆解
• ❌ 只有一个 Agent 的场景（用 CrewAI 牛刀杀鸡）

五、AutoGen —— 微软出品的企业级方案

5.1 它是什么？

AutoGen 是微软研究院推出的多 Agent 对话框架。核心理念：Agent 之间通过"对话"来协作。

5.2 跟 CrewAI 的区别

5.3 一个例子

from autogen import AssistantAgent, UserProxyAgent# 用户代理（代表你，执行代码）user_proxy = UserProxyAgent(    name="user",    code_execution_config={"work_dir": "coding"})# AI 助手代理assistant = AssistantAgent(    name="assistant",    llm_config={"config_list": [{"model": "deepseek-chat", ...}]})# 发起对话user_proxy.initiate_chat(    assistant,    message="写一个 Python 脚本，爬取百度热搜前 10 条")# AutoGen 会自动多轮对话：# assistant 提议方案 → user_proxy 执行 → 报错了 →# assistant 修正 → user_proxy 再执行 → 成功！

六、Agno —— 新锐轻量选手

6.1 它是什么？

Agno 是 2024 年冒出来的新框架，口号是"最轻量的 Agent 框架"。代码极简，学习成本低。

6.2 一个例子

from agno import Agentfrom agno.tools import search_webagent = Agent(    model="deepseek-chat",    tools=[search_web],    instructions="你是一个新闻助手")agent.print_response("今天 AI 领域有什么大新闻？")

真的只需要几行代码。

6.3 适合谁？

• ✅ 新手入门，想先跑起来再说
• ✅ 快速原型验证
• ❌ 复杂的多 Agent 协作场景（功能还在追赶）

七、终极选择指南

你是零基础新手？  ├─ 是 → 用 Agno 或 扣子/Dify（零代码）  └─ 不是 → 继续你需要多 Agent 协作？  ├─ 是 → 任务流程固定？  │        ├─ 是 → CrewAI  │        └─ 不是（需要自由讨论）→ AutoGen  └─ 不需要 → 需要深度定制？               ├─ 是 → LangChain               └─ 不是 → Agno 或手写你是企业级开发？  ├─ 是 → AutoGen（微软生态）或 LangChain（开源生态）  └─ 不是 → CrewAI 或 Agno

一图总结：

简单  ←──────────────────────────────→  强大  │                                          │Agno    CrewAI    AutoGen    LangChain  │        │          │           │适合新手  多Agent入门  企业级    万能工具箱

八、我的推荐

如果你是看这个系列一路走来的零基础读者：

1. 先玩扣子/Dify
   （第 7 篇），不写代码感受 Agent
2. 再手写 Python Agent
   （第 8、9 篇），理解底层原理
3. 然后用 Agno
   ，享受框架的便利但不会被框架的复杂度淹没
4. 想探索多 Agent 时，上 CrewAI

千万别一上来就 LangChain——它的学习曲线会让零基础读者劝退。

九、下篇预告

搭建篇结束，进阶篇开始——第一个话题：《多 Agent 协作：为什么一个 Agent 不够用？》带你理解"团队作战"的 Agent 能做什么单个 Agent 做不到的事。

关注本号，不错过更新。

下一篇：《多 Agent 协作——为什么一个 Agent 不够用？》

上一篇：「从零玩转 AI Agent」【第九篇】用 Python 从零写一个 Agent（下）——记忆与实战