这是 Agent 框架系列的第一篇。我们先把市场上最常用的七个框架摆到台面上：LangChain、LangGraph、OpenAI Agents SDK、Vercel AI SDK、CrewAI、Google ADK、LlamaIndex。
思路是这样的——先从社区活跃度和企业真实落地情况两个维度做横向对比，建立宏观印象；再回到我们在不套框架的 Agent 实现系列里已经写过的底层循环，对照着决定先学哪一个。技术细节放到后面各篇展开，这里只解决”选哪一条路”的问题。
Table of contents
Open Table of contents
一、市场格局：三大流派的底层分野
所有 Agent 框架做的事其实都一样：向大模型发起请求、调度外部工具执行、把结果回灌给模型，再决定下一步怎么走。真正不同的是两件事——控制循环（Control Loop）由谁来写，以及中间状态放在哪里、怎么持久化。这两条线的取舍，决定了框架的流派归属。
| 节点流转驱动方 | 状态快照与存储 | 代表性框架 | |
|---|---|---|---|
| 图编排（Graph） | 开发者显式定义节点与有向边 | 维护一份显式全局状态，通常按节点落盘 | LangGraph、Google ADK 的 graph、LlamaIndex Workflows、CrewAI Flow |
| 托管循环（Managed Loop） | 框架内置 while，开发者通过挂载中间件介入 | 框架隐式接管对话上下文 | LangChain create_agent、OpenAI Agents SDK、Vercel ToolLoopAgent |
| 角色扮演（Role-based） | 大模型临场动态分配任务 | 默认无状态，跑完即销毁 | CrewAI 的 Crew |
需要强调的是，“手搓”循环在工业界依然很普遍。有人估过，生产里大约四分之一的多 Agent 系统不套任何框架——数字不必较真，但至少说明一件事：框架不是必选项，很多时候原生代码的灵活性反而更高。
二、七大框架的核心定位与适用场景
LangChain 和 LangGraph 是一套。 1.0 之后 create_agent 跑在 LangGraph 上，常规场景直接调高级 API，流程复杂了再退回底层把图画开。正因如此，目前能搜到的生产级复杂编排案例，多半都出自这套体系。
OpenAI Agents SDK 是官方的轻量托管循环，概念极简、没有过度设计，技术栈绑定 OpenAI 模型生态时它是最佳搭配。
Vercel AI SDK 在前端占有率最高。对话流、流式输出（Streaming）、把工具结果渲染到页面组件——这些前端场景一般都走它。
CrewAI 按角色来组，很快能搭出”研究员 + 撰稿人”的演示级 Demo。企业市场声量不小，但实际落地多用他们的商业平台，而非 GitHub 上的开源 Crew。
Google ADK 跟着 GCP / Vertex。基础设施已在谷歌云上，直接用它比再引一套编排省事；但换云基本等于换框架，迁移成本要提前想清楚。
LlamaIndex 的基本盘还是文档解析和 RAG。上面可以挂 agent，但大家用它主要不是为了编排，而是为了检索。
对比完七个框架的定位，还有两个横切关注点值得单独说。第一是工具接入标准：目前各大框架几乎都已向 MCP（Model Context Protocol）协议看齐，跨框架复用工具不再是奢望。第二是可观测性（Observability），它独立于框架之外，是另一层基础设施。框架的职责到”驱动循环跑完”为止，至于模型说了什么、调了哪个工具、花了多少 Token、卡在哪个节点，都需要外挂追踪系统才能看清。LangSmith 是 LangChain 官方配套，Langfuse 是中立第三方，OpenAI SDK 自带轻量 tracing。换框架通常不用换观测层，这一点在长期维护时很重要。
三、社区活跃度与企业落地现状
先说下载量。包管理器的数字里掺了大量 CI 自动化构建和传递依赖，只适合看谁大谁小，不适合做精确比较。
| 框架 | GitHub Star | 月下载量 | 支持语言 |
|---|---|---|---|
| LangChain | 146.1K | 208M（PyPI） | Python、JS |
| Vercel AI SDK | 26.7K | 89.4M（npm） | JS / TS |
| LangGraph | 41.4K | 56.8M（PyPI） | Python、JS |
| OpenAI Agents SDK | 29.3K | 26.8M（PyPI） | Python、JS |
| CrewAI | 58.3K | 21.5M（PyPI） | Python |
| Google ADK | 21.5K | 16.3M（PyPI） | Python、Go |
| LlamaIndex | 52.1K | 5.5M（PyPI） | Python |
Star 高不等于现在还在用。CrewAI 星数第二，下载却靠后；LlamaIndex 的星大多是 RAG 那几年攒下的历史红利。名单外的 AutoGen 还有 60K Star，但仓库从 2026 年 4 月之后就没动过。LangGraph 自身仓库近来提交少，是因为大量活跃迭代已经打平到了 langchain 主仓库中——这不是停滞，而是合并。
再看企业落地。这里只看找得到公开技术博客或案例背书的名字，厂商自报的”Fortune 500 渗透率”不作数。同时要警惕生态混淆：买了 LangSmith 不等于用了 LangGraph，接入 LlamaCloud 也不代表编排由 Workflows 驱动。
公开写过 LangGraph / LangChain 的企业阵容最长：Klarna、Uber、LinkedIn、Replit、Elastic、J.P. Morgan、BlackRock、Cisco 都在。CrewAI 点过 PwC、PepsiCo、DocuSign，走的是 AMP（Agentic Managed Platform）商业化路线。OpenAI SDK 能对上 Oscar Health、Skypoint。Vercel 这边是 Gamma、Okara 这类产品型公司。ADK 能对上 Yahoo、Xebia，共性是基础设施已在 GCP。LlamaIndex 的客户则集中在文档解析和企业知识库。
四、对照”手搓”实践，学习路径该如何抉择
在手搓系列里，我们从零到一写完了 Agent 的底层循环。大模型只负责推断下一个工具，压缩、护栏、触发中断、轨迹审计都是手动挂上去的。其中最棘手的一段是：触发人工确认后让进程优雅退出，过一会儿再从同一份状态快照恢复，继续驱动节点流转。
对比市面上的主流框架，绝大多数都提供了在请求模型前或执行工具前进行拦截的钩子。但真正把”触发中断与状态续跑”做成底层一等公民能力、又有一批公开案例背书的，只有 LangGraph。create_agent 则是这套运行时之上的日常入口——压缩和护栏用中间件挂，底层状态流转仍由 LangGraph 驱动。
正因如此，学习路径建议优先攻克这一套，而且从 LangGraph 的底层入手：先理解它如何对标手搓里的中断拦截、状态续跑、持久化落盘。掌握了底层原语之后，日常开发绝大多数单循环场景直接调 create_agent 就够了，不必一上来就陷进手动编排复杂图拓扑的泥潭。
至于其他几个框架，看你已经在用什么。深耕前端就 Vercel；基础设施已重度依赖 OpenAI 或 GCP，官方 SDK / ADK 更省事；主线是文档解析与检索就 LlamaIndex；只是要快速演示一个多角色协作的 Demo，CrewAI 最快。
接下来
下一篇把这一套拆开：LangChain 和 LangGraph 在 1.x 之后是同一份运行时的上下两层——谁在维护、设计时认什么、什么时候才值得把图画开，下一篇说清楚。