大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



副标题：覆盖LangChain、AutoGPT、LlamaIndex、AgentScope、Semantic Kernel等9大主流框架全维度对比，附不同场景选型决策树与可运行Demo

---

1. 清晰理解AI Agent的核心组成和能力分层，明确自己的需求边界
2. 掌握Agent框架的8个核心选型维度，不用再盲目跟风选框架
3. 清楚9大主流框架的差异，能根据自己的团队、场景、需求快速匹配最合适的框架
4. 拿到可直接运行的不同框架Demo，快速验证POC
   本文总共分为四个部分：基础概念篇、框架拆解篇、选型决策篇、落地实践篇，层层递进，即使你是刚接触Agent的新手也能完全看懂。
   
   

---

目标读者

• 有Python基础，了解大模型API调用，想要开发AI Agent的后端/算法/全栈开发者
• 负责AI应用落地的技术负责人，需要为团队选择合适的Agent技术栈
• 产品经理/运营，想要快速验证Agent产品MVP，不需要写大量代码

前置知识

• 掌握Python3.8+基础语法，会用pip安装第三方库
• 了解大模型的基本用法，比如调用OpenAI/通义千问/文心一言等大模型的API
• 了解RAG（检索增强生成）、工具调用的基本概念即可，没有相关知识也可以先看后面的核心概念讲解

---

1. 核心概念与理论基础：AI Agent的组成、能力分层、选型评估体系
2. 问题背景与动机：为什么Agent选型这么难？常见的选型坑有哪些？
3. 9大主流Agent框架全拆解：定位、核心能力、优劣势、Demo代码、适用场景
4. 多维度对比矩阵：9大框架全维度横向对比，一目了然
5. 不同场景选型推荐：从个人开发者到中大型团队，从知识库到多Agent场景的选型方案
6. 落地实践：环境准备、核心代码解析、**实践
7. 常见问题FAQ：大家选型时最常问的10个问题解答
8. 未来展望：Agent框架的发展趋势
9. 总结与参考资料

---

1.1 什么是AI Agent

AI Agent是具备自主感知、决策、行动能力的大模型应用，和传统的大模型对话应用最大的区别是：Agent不需要人类一步步指导，能自主规划任务、调用工具、迭代优化，最终完成给定的目标。
AI Agent的核心四要素可以用下面的架构图表示：

• 是Agent本身， 是给定的目标任务， 是Agent所处的环境
• 是t时刻Agent感知到的状态， 是t时刻Agent做出的动作
• 是奖励函数，用来评估当前动作对完成目标的贡献
• 是折扣因子，代表远期奖励的权重
  Agent的核心目标就是最大化长期总效用，也就是用最少的步骤、最高的质量完成给定的任务。
  
  

1.2 AI Agent的能力分层

我们可以把Agent的能力分为三个层级，选型前首先要明确你需要的是哪个层级的Agent，避免大材小用或者能力不足：

1.3 Agent框架的8个核心选型维度

我总结了8个评估Agent框架的核心维度，你可以根据自己的需求给每个维度设置权重，打分后选出最合适的框架：

1. 定位与适用场景：框架是面向通用场景还是垂直场景？比如有的框架专门做RAG，有的专门做多Agent协同
2. 上手难度：需要写多少代码？文档是否友好？有没有足够的示例和教程？
3. 大模型兼容性：是否支持主流的开源/闭源大模型？是否支持国产大模型？切换大模型是否需要改大量代码？
4. 内置能力：有没有内置记忆、工具、规划、多Agent的能力？还是需要自己实现？
5. 生态丰富度：有没有足够的第三方工具、插件、集成支持？比如能不能直接对接飞书、企业微信、各类SaaS API？
6. 生产级特性：是否支持多租户、权限管控、链路追踪、日志监控、灰度发布？有没有配套的部署方案？
7. 社区活跃度：GitHub星数多少？最近的commit频率？Issue响应速度？有没有足够的社区教程和解决方案？
8. 开源协议：是MIT/Apache2.0这类友好的商用协议，还是AGPL这类需要开源修改代码的协议？商用会不会有风险？

---

2.1 AI Agent的爆发与框架生态的混乱

1. 盲目跟风选最火的框架：很多新手一上来就选LangChain，但是LangChain的概念非常多，版本迭代极快，旧版本代码经常不兼容，文档零散，新手很容易被劝退，浪费大量时间。
2. 过度设计，为了用框架而用框架：很多场景其实只需要简单的工具调用+RAG，写几十行Python代码就能搞定，非要用复杂的框架，反而增加了维护成本。
3. 选了小众框架，生态不足：中小团队选了个星数只有几百的小众框架，做了一半发现需要的工具集成没有，遇到问题没人解答，只能自己改源码，迭代成本极高。
4. 忽略生产级特性：ToB场景选了个只适合做Demo的框架，上线前才发现没有多租户、权限管控、可观测能力，还要花1-2个月补这些功能，延误上线时间。
5. 被大模型绑定：选了只支持特定大模型的框架，后面要切换国产大模型的时候，几乎要重写所有代码，成本极高。

2.2 Agent框架的发展历史

我们可以通过下面的时间线表格看到Agent框架的发展历程：

---

接下来我们逐个拆解9个主流的Agent框架，每个框架都会讲清楚核心定位、核心能力、优劣势、最小Demo、适用场景。

3.1 LangChain：全栈通用Agent开发框架

核心定位

LangChain是目前生态最丰富、用户最多的通用Agent开发框架，定位是做Agent开发的"基础设施"，把Agent的所有组件都做了抽象，支持高度自定义，适合做复杂的生产级Agent。

核心能力

• 组件化设计：所有能力（记忆、工具、链、Agent、向量存储）都是可插拔的，你可以任意替换组件
• 支持几乎所有主流的大模型、向量数据库、第三方工具，生态是所有框架里最丰富的
• 支持多种Agent范式：ReAct、Self-Ask、Plan-and-Execute等
• 配套工具完整：LangSmith（可观测）、LangServe（部署）、LangFlow（可视化）

优劣势

最小Demo：工具调用Agent

from langchain_openai import ChatOpenAI from langchain.agents import tool, AgentExecutor, create_react_agent from langchain import hub # 1. 初始化大模型 llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="你的OpenAI API Key") # 2. 自定义工具：计算两个数的乘积 @tool def multiply(a: int, b: int) -> int: """计算两个整数的乘积，当你需要计算乘法的时候用这个工具""" return a * b tools = [multiply] # 3. 加载ReAct Agent的提示词模板 prompt = hub.pull("hwchase17/react") # 4. 创建Agent和执行器 agent = create_react_agent(llm, tools, prompt) agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True) # 5. 运行Agent result = agent_executor.invoke({"input": "小明有3个苹果，每个苹果4块钱，总共要花多少钱？"}) print(f"运行结果：{result['output']}") 

适用场景

中大型团队开发复杂的生产级Agent，需要高度自定义能力，有足够的开发资源学习和维护LangChain的技术栈。

3.2 LlamaIndex：RAG优先的Agent框架

核心定位

LlamaIndex（原名GPT Index）是主打RAG能力的Agent框架，对文档处理、向量检索、召回重排等RAG相关的能力做了高度优化和封装，适合做知识库、文档类的Agent。

核心能力

• 内置100+文档加载器，支持几乎所有格式的文档（PDF、Word、Excel、PPT、 Markdown、音频、视频等）
• 内置多种文档切片策略、召回策略、重排策略，RAG效果开箱即用
• 支持从RAG快速扩展成Agent，内置工具调用、规划能力
• 支持主流大模型和向量数据库

优劣势

最小Demo：知识库问答Agent

from llama_index.core import SimpleDirectoryReader, VectorStoreIndex, Settings from llama_index.llms.openai import OpenAI # 1. 配置大模型 Settings.llm = OpenAI(model="gpt-3.5-turbo", api_key="你的OpenAI API Key") # 2. 加载文档：读取data目录下的所有PDF文档 documents = SimpleDirectoryReader("./data").load_data() # 3. 构建向量索引 index = VectorStoreIndex.from_documents(documents) # 4. 创建查询引擎（就是一个简单的RAG Agent） query_engine = index.as_query_engine() # 5. 提问 response = query_engine.query("请解释一下文档里提到的AI Agent的核心组成？") print(f"回答：{response}") 

适用场景

做知识库问答、文档处理、企业内部助理这类RAG优先的场景，不需要太复杂的Agent能力，想要快速上线RAG类应用。

3.3 AgentScope：原生多Agent协作框架

核心定位

AgentScope是阿里达摩院2023年推出的面向多Agent协作的开源框架，原生支持多Agent通信、调度、多模态处理、分布式部署，对国产大模型的适配非常好，适合做多Agent协同的场景。

核心能力

• 基于Actor模型设计，每个Agent是独立的Actor，通信非常方便，原生支持多Agent对话、协作、调度
• 原生支持多模态（文本、图片、音频、视频）的输入输出
• 对国产大模型（通义千问、文心一言、讯飞星火、Claude等）做了深度适配，切换大模型只需要改配置
• 内置分布式部署能力，支持海量Agent同时运行
• 内置丰富的多Agent示例：虚拟员工团队、游戏NPC、智能客服群等

优劣势

最小Demo：多Agent写作团队

import agentscope from agentscope.agents import UserAgent, DialogAgent, CriticAgent # 1. 初始化AgentScope，配置通义千问API agentscope.init( model_configs={ "config_name": "qwen-max", "model_type": "dashscope", "model_name": "qwen-max", "api_key": "你的通义千问API Key", } ) # 2. 创建三个Agent：用户、科幻作家、文学评论家 user_agent = UserAgent(name="用户") writer_agent = DialogAgent( name="科幻作家", sys_prompt="你是一位知名科幻作家，擅长写硬核科幻短篇故事，语言优美，想象力丰富，每次输出1000字左右。", model_config_name="qwen-max" ) critic_agent = CriticAgent( name="文学评论家", sys_prompt="你是一位专业的文学评论家，会对故事的情节、逻辑、文笔给出具体可执行的修改建议，不要太笼统。", model_config_name="qwen-max" ) # 3. 多Agent交互流程：迭代修改2次 msg = user_agent("请写一篇关于AI觉醒的科幻短篇故事") for i in range(2): story = writer_agent(msg) print(f" === 第{i+1}版故事 == {story.content}") advice = critic_agent(story) print(f" === 修改建议 == {advice.content}") msg = advice # 4. 输出最终版本 final_story = writer_agent("根据以上修改建议输出最终版故事") print(f" === 最终版故事 == {final_story.content}") 

适用场景

多Agent协同的场景，比如虚拟员工团队、智能客服群、游戏NPC、多角色对话系统，或者需要深度适配国产大模型的场景。

3.4 Semantic Kernel：微软生态专属Agent框架

核心定位

Semantic Kernel（简称SK）是微软推出的开源Agent框架，深度集成微软的生态，适合在微软技术栈的企业内部做Agent开发。

核心能力

• 完美集成Azure OpenAI、Office 365、Power Platform、Dynamics 365等微软生态产品
• 支持C#、Python、Java多语言开发，对.NET开发者非常友好
• 内置插件机制、规划能力、记忆能力，和Microsoft 365 Copilot的技术栈一致

优劣势

适用场景

用微软技术栈的企业，比如用Azure OpenAI、Office 365的企业，开发内部办公Agent、Office插件等场景。

3.5 Dify：低代码Agent开发平台

核心定位

Dify是国内团队推出的开源低代码Agent开发平台，可视化拖拽就能构建Agent，不需要写大量代码，还自带前端界面和API，适合快速验证MVP。

核心能力

• 可视化拖拽构建Agent流，不需要写代码，内置RAG、工具调用、工作流等能力
• 自带前端聊天界面，用户可以直接使用，也可以通过API对接自己的系统
• 内置多租户、权限管控、可观测、用户反馈等生产级特性
• 支持主流大模型和向量数据库，支持国产大模型

优劣势

适用场景

中小团队快速验证Agent产品MVP，产品经理/运营自己做Agent原型，或者需求比较标准的场景比如客服Agent、知识库问答Agent。

3.6 Coze：字节生态C端Agent开发平台

核心定位

Coze是字节跳动推出的Agent开发平台，主打C端Agent开发，一键就能发布到抖音、豆包、今日头条等字节生态，适合做C端Bot。

核心能力

• 可视化构建Agent，内置丰富的插件（抖音搜索、今日头条搜索、豆包插件等）
• 一键发布到抖音、豆包、今日头条、微信公众号等平台，直接对接C端流量
• 支持自定义工作流、工具调用、知识库，不需要写代码

优劣势

适用场景

做C端Bot、抖音生态的智能助手、自媒体运营工具等场景，想要快速获得C端流量。

3.7 Flowise（ChatFlow）：LangChain可视化低代码平台

核心定位

Flowise是开源的LangChain可视化封装平台，你可以通过拖拽的方式构建LangChain的Agent流，不需要写大量代码，同时保留LangChain的所有能力。

核心能力

• 完全基于LangChain开发，支持LangChain的所有组件和能力
• 可视化拖拽构建Agent流，自动生成代码，可以导出部署
• 支持自定义组件、自定义工具，灵活性比Dify高

优劣势

适用场景

熟悉LangChain的团队，想要降低Agent开发成本，快速构建复杂的Agent流。

3.8 AutoGPT：自主Agent框架

核心定位

AutoGPT是最早爆火的自主Agent框架，主打完全自主的任务完成能力，不需要人类干预就能自主规划、调用工具、迭代完成复杂目标。

核心能力

• 原生支持长时记忆、自主规划、多工具协同、错误重试
• 内置丰富的工具：搜索、代码执行、文件读写、API调用等
• 支持浏览器交互、多模态输入输出

优劣势

适用场景

做探索类的自主Agent，比如自动市场调研、自动写代码、自动做资料收集等场景，不适合生产环境使用。

3.9 ModelScope-Agent：魔搭生态开源Agent框架

核心定位

ModelScope-Agent是阿里魔搭社区推出的Agent框架，深度集成魔搭社区的开源模型、工具、数据集，适合用开源大模型做Agent的场景。

核心能力

• 完美集成魔搭社区的所有开源大模型、工具、数据集，一键调用
• 支持开源大模型的本地化部署和推理，不需要依赖第三方API
• 内置丰富的Agent模板：代码Agent、数据分析Agent、客服Agent等

优劣势

适用场景

用魔搭社区的开源大模型做Agent，需要本地化部署、数据不能出域的场景。

---

我们把上面9个框架做一个全维度的横向对比，你可以根据自己的需求快速匹配：

---

我做了一个选型决策树，你可以根据自己的需求快速找到最合适的框架：

典型场景选型方案

1. 个人开发者/新手入门：如果想学习Agent原理，优先选LlamaIndex或者AgentScope，上手简单，文档友好；如果不想写代码，选Dify，10分钟就能上线一个自己的Agent。
2. 中小团队快速验证MVP：优先选Dify，不需要投入太多开发资源，快速验证需求，验证通过后如果需要复杂定制化再迁移到LangChain或者AgentScope。
3. 中大型团队做复杂生产级Agent：优先选LangChain，生态最丰富，灵活性最高，配套的可观测、部署工具完善，适合大规模团队协作开发。
4. 多Agent协同场景：优先选AgentScope，原生支持多Agent通信、调度、分布式部署，开发多Agent应用的成本比LangChain低60%以上。
5. 知识库/文档类Agent：优先选LlamaIndex，RAG能力最强，文档处理的内置工具最多，不需要自己实现文档切片、召回、重排等逻辑。
6. 微软生态企业：优先选Semantic Kernel，和Azure OpenAI、Office 365集成无缝，能直接调用Office的数据和能力。
7. C端/抖音生态Agent：优先选Coze，一键发布到抖音、豆包，直接对接字节的C端流量，不需要自己做运营推广。
8. 开源大模型本地化部署：优先选ModelScope-Agent，和魔搭社区的开源模型、工具集成最好，支持本地化部署，数据不会出域，适合对隐私要求高的场景。

---

6.1 环境准备

你只需要准备Python3.10+版本，然后根据你选的框架安装对应的依赖：

# 安装所有主流框架的依赖（可以按需安装） pip install langchain llama-index agentscope semantic-kernel modelscope-agent dify-client openai dashscope 

然后准备对应的大模型API Key，比如OpenAI API Key、通义千问API Key即可。

6.2 **实践Tips

✅ 不要过度设计：90%的简单场景（比如单轮工具调用、固定流程的RAG）不需要用框架，自己写几十行Python代码就能搞定，避免为了用框架而用框架，增加维护成本。
✅ 优先选支持多大模型的框架：避免被单一云厂商或者大模型供应商绑定，后面切换大模型只需要改配置，不需要重写代码。
✅ 注意开源协议：AGPL协议的框架如果用于对外提供服务的商业化场景，需要开源你修改的代码，商用前一定要确认协议，避免法律风险。
✅ 社区活跃度优先：优先选GitHub星数1k以上、最近一个月有commit的框架，遇到问题能快速找到解决方案，不要选长期不维护的小众框架。
✅ POC验证优先：选型前先选2-3个符合需求的框架，花1-2天做个最小原型，验证能不能满足你的功能需求、性能需求，再做最终决定，不要拍脑袋选型。
✅ 生产环境优先选有配套可观测工具的框架：Agent的运行过程是黑盒，没有链路追踪、日志监控的话，出了问题根本查不到原因，优先选支持可观测的框架。

---

1. Q：我是新手，应该先学LangChain吗？
   A：如果你目标是做复杂的生产级Agent，未来会长期做Agent开发，可以学LangChain，但是如果只是想快速做个Agent验证想法，建议先从LlamaIndex或者AgentScope入手，或者用低代码平台Dify，LangChain的概念太多，新手容易被劝退。
   
   
2. Q：低代码Agent平台会不会限制我的功能？
   A：会，但是如果你的需求比较标准，比如知识库问答、客服Agent，低代码平台足够用，而且上线速度快很多，如果是高度定制化的需求，比如多Agent协同、复杂的业务流程，再考虑用代码级的框架。
   
   
3. Q：国产大模型支持最好的框架是哪个？
   A：AgentScope、LlamaIndex、LangChain都支持主流国产大模型，其中AgentScope是国内团队开发的，对国产大模型的适配做的最好，很多国产大模型是官方原生支持的，不需要自己写适配层。
   
   
4. Q：Agent框架的性能瓶颈在哪里？
   A：大部分场景的性能瓶颈都在大模型的推理速度，框架本身的 overhead 很小，不用太担心框架的性能问题，优先优化大模型的调用速度、减少不必要的大模型调用即可。
   
   
5. Q：多Agent场景为什么不推荐用LangChain？
   A：LangChain的多Agent能力是后来加的，不是原生设计的，多Agent之间的通信、调度需要自己写很多代码，而AgentScope是原生基于Actor模型设计的，多Agent的通信、调度、分布式部署都是内置的，开发成本低很多。
   
   

---

Agent框架未来的发展趋势主要有以下几个方向：

1. 多模态原生支持：现在大部分Agent还是只支持文本，未来的框架会原生支持图片、音频、视频的感知和处理，支持多模态的工具调用和交互。
2. 门槛进一步降低：低代码/无代码会成为标配，甚至非技术人员都能通过自然语言描述构建自己的Agent，不需要写代码。
3. 原生多Agent支持：未来越来越多的场景会是多Agent协同，框架会把多Agent的通信、调度、权限管控、负载均衡做的更完善，成为内置能力。
4. 生产级特性标准化：多租户、权限管控、可观测、安全审计、数据隐私这些生产级特性会成为所有框架的标配，不需要开发者自己实现。
5. 端侧Agent支持：未来Agent会越来越多的跑在端侧（手机、PC、IoT设备），框架会支持端侧大模型的调用、端侧记忆、端侧工具调用，实现端云协同的Agent。

---

---

1. LangChain官方文档：https://python.langchain.com/docs/get_started/introduction
2. LlamaIndex官方文档：https://docs.llamaindex.ai/en/stable/
3. AgentScope官方文档：https://agentscope.readthedocs.io/zh_CN/latest/
4. Semantic Kernel官方文档：https://learn.microsoft.com/zh-cn/semantic-kernel/overview/
5. Dify官方文档：https://docs.dify.ai/
6. Coze官方文档：https://www.coze.cn/docs/
7. AutoGPT官方仓库：https://github.com/Significant-Gravitas/AutoGPT
8. ModelScope-Agent官方仓库：https://github.com/modelscope/modelscope-agent

---

• 本文所有Demo的完整代码仓库：https://github.com/your-github/agent-framework-demo
• 各个框架的GitHub地址汇总：
  • LangChain：https://github.com/langchain-ai/langchain
  • LlamaIndex：https://github.com/run-llama/llama_index
  • AgentScope：https://github.com/modelscope/agentscope
  • Semantic Kernel：https://github.com/microsoft/semantic-kernel
  • Dify：https://github.com/langgenius/dify
  • Flowise：https://github.com/FlowiseAI/Flowise
  • AutoGPT：https://github.com/Significant-Gravitas/AutoGPT
  • ModelScope-Agent：https://github.com/modelscope/modelscope-agent

（全文约11200字）