AI Agent 框架对比实战：LangGraph vs CrewAI vs AutoGen vs Semantic Kernel

为什么你需要一个 AI Agent 框架？

去年我花了 3 个月时间，从零手写了一个 AI Agent。结果发现市面上已经有好几个开源框架能做同样的事，而且做得更好。

如果你正在考虑构建 AI Agent，选对框架能帮你省掉至少 2 个月的开发时间。

但问题是——LangGraph、CrewAI、AutoGen、Semantic Kernel……到底选哪个？

这篇指南会给你一个明确的答案。

快速对比：四大框架一览

先看一张表，心里有个数：

没有"最好"的框架，只有"最适合你"的框架。下面逐个拆解。

LangGraph：状态图驱动的精密机器

LangGraph 的核心思想是把 Agent 的执行流程建模为一张有向图（Directed Graph）。

每个节点是一个函数，每条边是一个条件判断。Agent 的状态在节点之间流转，你可以精确控制每一步做什么。

from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
import operator

class AgentState(TypedDict):
    messages: Annotated[list, operator.add]
    next_action: str
    iteration: int

def think(state: AgentState) -> AgentState:
    response = llm.invoke(state["messages"])
    return {
        "messages": [response],
        "next_action": response.tool_calls[0]["name"] if response.tool_calls else "respond",
        "iteration": state["iteration"] + 1
    }

def act(state: AgentState) -> AgentState:
    tool_name = state["next_action"]
    result = execute_tool(tool_name)
    return {"messages": [result]}

def should_continue(state: AgentState) -> str:
    if state["iteration"] >= 10:
        return "respond"
    if state["next_action"] == "respond":
        return "respond"
    return "think"

workflow = StateGraph(AgentState)
workflow.add_node("think", think)
workflow.add_node("act", act)
workflow.add_node("respond", lambda s: {"messages": [llm.invoke(s["messages"])]})
workflow.add_conditional_edges("think", should_continue)
workflow.add_edge("act", "think")
workflow.set_entry_point("think")
app = workflow.compile()

LangGraph 的优势：

• 精确控制执行流程，不会有"黑箱"感
• 内置持久化，支持断点续传
• 可以可视化 Agent 的执行图
• 与 LangChain 生态深度整合

什么时候选 LangGraph：你的 Agent 需要复杂的状态管理、条件分支、人工审核节点。

CrewAI：像管理团队一样管理 Agent

CrewAI 的理念最直觉——把多个 Agent 组成一个"团队"（Crew），每个 Agent 有自己的角色、目标和工具。

from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool, ScrapeWebsiteTool

researcher = Agent(
    role="高级市场研究员",
    goal="发现关于 {topic} 的前沿趋势和投资机会",
    backstory="你是一位有15年经验的市场研究员",
    tools=[SerperDevTool(), ScrapeWebsiteTool()],
    verbose=True,
)

writer = Agent(
    role="技术内容总监",
    goal="将研究发现转化为引人入胜的分析报告",
    backstory="你曾是《连线》杂志的高级编辑",
    verbose=True,
)

research_task = Task(
    description="研究 {topic} 的最新市场趋势",
    expected_output="包含5个关键发现的研究简报",
    agent=researcher
)

write_task = Task(
    description="基于研究结果撰写投资分析报告",
    expected_output="2000字的投资分析报告",
    agent=writer
)

crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff(inputs={"topic": "AI Agent 基础设施"})

CrewAI 的优势：概念最直觉，上手最快，角色扮演机制让 Agent 行为更可预测。

AutoGen：微软出品的代码执行利器

AutoGen 的特色是"对话式"编排——多个 Agent 通过对话协作完成任务。

import autogen

config_list = [{"model": "gpt-4o", "api_key": "your-key"}]

assistant = autogen.AssistantAgent(
    name="AI助手",
    llm_config={"config_list": config_list},
)

user_proxy = autogen.UserProxyAgent(
    name="用户",
    human_input_mode="NEVER",
    code_execution_config={"work_dir": "coding", "use_docker": False}
)

user_proxy.initiate_chat(assistant, message="帮我写一个爬虫抓取 Hacker News")

AutoGen 最强的地方在于代码执行——Agent 可以写代码、运行代码、根据结果修改代码。

Semantic Kernel：企业级选择

var builder = Kernel.CreateBuilder();
builder.AddAzureOpenAIChatCompletion(deploymentName: "gpt-4", endpoint: "...");
var kernel = builder.Build();
var planner = new HandlebarsPlanner();
var plan = await planner.CreatePlan(kernel, "查北京天气并给出穿衣建议");
var result = await plan.Invoke(kernel);

与 Azure 生态深度整合，适合企业级安全与合规场景。

性能对比

实战建议：我的选择框架

1. 需要 Agent 执行代码？→ AutoGen
2. 团队用 C#/.NET？→ Semantic Kernel
3. 简单角色分工？→ CrewAI
4. 复杂状态流转？→ LangGraph

总结：别纠结，先动手

选错框架的成本，远低于一直不开始的成本。先花 1 天把 Quick Start 都跑一遍，选最顺手的做 MVP。