Agent 开发框架怎么选？LangGraph、LlamaIndex、CrewAI 深度对比
Agent 开发越来越火，但真正开始做项目后，很快就会遇到一个问题：
到底该选哪个 Agent 框架？
目前经常被放在一起讨论的，有 LangChain Agents / LangGraph、LlamaIndex 和 CrewAI。
它们都能做 Agent，解决的问题却不太一样。
先看一张简表：
| 框架 | 核心定位 | 更适合的场景 |
|---|---|---|
| LangChain Agents / LangGraph | 工具调用与流程编排 | 复杂流程、状态管理、可恢复执行 |
| LlamaIndex | 数据增强与 RAG 型 Agent | 企业知识库、文档问答、检索增强 |
| CrewAI | 多角色 Agent 协作 | 调研、内容生产、办公自动化 |
一、LangChain Agents / LangGraph：复杂生产流程
LangChain Agents 和 LangGraph 要分开看。
LangChain Agents 是较高层的 Agent 封装。你为模型配置工具、提示词和结构化输出，模型自行判断何时调用工具、何时回复用户。
LangGraph 更接近底层编排运行时。它关注状态、节点、边、持久化、任务恢复、人工介入和流程控制。
假设业务流程是：
用户输入-> 意图识别-> 查询数据-> 判断异常-> 必要时人工确认-> 生成回复LangGraph 可以把每一步显式拆成节点，再用边连接起来。原本藏在提示词里的流程，会变成一张可以管理的状态图。
它比较突出的能力包括：
- 流程边界清晰，减少模型自由发挥带来的不确定性
- 支持状态持久化和失败恢复
- 支持人工审批、中断与继续执行
- 适合长流程、复杂流程和生产环境
代价是学习成本较高。
如果只是做简单的工具调用 Demo，LangGraph 往往显得偏重。但随着分支、异常处理和人工审核环节增加，它的价值会越来越明显。
当 Agent 准备进入生产环境，且业务流程可能持续变复杂时，LangGraph 值得优先评估。
二、LlamaIndex：知识库和 RAG
LlamaIndex 的重点不是多 Agent 协作，而是让模型更好地使用你的数据。
它擅长处理：
- 文档加载与文本切分
- 向量索引、检索和 rerank
- Query Engine 与 RAG 问答
- 文档型 Agent
典型流程是：
读取企业资料-> 检索相关内容-> 基于资料回答-> 给出证据如果需求围绕这条链路展开，LlamaIndex 通常比 CrewAI 更合适。
它的数据处理链路比较清晰，适合企业知识库、合同分析、财报分析、论文问答和内部制度查询。
但如果业务中包含审批、回滚、失败恢复或多阶段人工确认，LangGraph 通常更顺手。
可以这样理解：
LlamaIndex 是知识和数据底座。LangGraph 是流程和状态底座。很多生产项目会把两者组合起来：
LangGraph 管流程，LlamaIndex 管知识检索。
三、CrewAI：多角色协作
CrewAI 的思路很直观：组建一个 AI 团队。
你可以定义多个 Agent：
Researcher：负责资料调研Analyst：负责分析Writer：负责写作Reviewer：负责审核每个 Agent 都有自己的角色、目标、工具和任务，再按照顺序或层级协作。
这种表达方式适合：
- 市场调研报告
- 内容生产和多角色写作
- 销售线索分析
- 自动化办公流程
- 多 Agent 原型验证
CrewAI 的概念容易理解，搭建 Demo 或验证业务想法通常很快。
但多 Agent 不会自动带来更高的稳定性。
角色越多，模型调用越多，错误传播的机会也越多。前一个 Agent 给出错误结论，后面的 Agent 可能继续润色和加工，最终结果看起来很完整，方向却已经偏了。
CrewAI 适合快速搭建多角色自动化，但没必要把每个问题都拆成多个 Agent。
四、从代码风格看三者差异
三个框架的定位，也直接反映在代码组织方式上。
LangGraph：像写流程图
builder = StateGraph(State)builder.add_node("classify_intent", classify_intent)builder.add_node("search_order", search_order)builder.add_node("generate_reply", generate_reply)builder.add_edge(START, "classify_intent")builder.add_edge("classify_intent", "search_order")builder.add_edge("search_order", "generate_reply")builder.add_edge("generate_reply", END)graph = builder.compile()代码围绕状态、节点、边和流程控制展开。
你需要先想清楚：任务从哪里开始，经过哪些步骤，什么情况下分支，最终如何结束。
LlamaIndex：像写数据检索链路
documents = SimpleDirectoryReader("docs").load_data()index = VectorStoreIndex.from_documents(documents)query_engine = index.as_query_engine()response = query_engine.query("这份合同的付款条款是什么？")代码围绕文档、索引、检索和 Query Engine 展开。
如果要做 Agent，通常会把检索能力包装成工具，再交给 Agent：
agent = FunctionAgent( tools=[query_tool], llm=llm, system_prompt="你是企业知识库助手")CrewAI：像组建 AI 团队
researcher = Agent( role="资料研究员", goal="收集并整理相关资料", backstory="你擅长快速找到有价值的信息")writer = Agent( role="内容写作者", goal="基于资料生成清晰文章", backstory="你擅长写结构清晰的技术文章")crew = Crew( agents=[researcher, writer], tasks=[research_task, write_task], process=Process.sequential)这里的重点是角色、目标、任务和协作顺序。
三种代码风格可以归纳为：
LangGraph 关注“流程怎么走”。LlamaIndex 关注“数据怎么进来”。CrewAI 关注“角色怎么协作”。五、稳定性和可控性对比
Agent 上线后，难点通常不是“能不能跑”，而是下面这些问题：
- 过程能否控制？
- 失败后能否恢复？
- 中途能否人工介入？
- 结果能否评估？
- 出现问题后能否追踪？
从这些维度看，三个框架的差异更直观：
| 维度 | LangGraph | LlamaIndex | CrewAI |
|---|---|---|---|
| 流程可控性 | 很强 | 中高 | 中 |
| 状态管理 | 很强 | 中高 | 中 |
| 故障恢复 | 强 | 中 | 正在增强 |
| 人工介入 | 强 | 中高 | 中高 |
| 可观测性 | 强 | 强 | 中高 |
| RAG 稳定性 | 取决于集成 | 很强 | 一般 |
| 多角色协作 | 可实现 | 可实现 | 很自然 |
| 学习成本 | 高 | 中 | 低到中 |
把任务类型放在第一位，可以得到更实用的排序：
复杂流程：LangGraph > LlamaIndex Workflows > CrewAI知识库问答：LlamaIndex > LangGraph 集成检索 > CrewAI多角色自动化：CrewAI > LangGraph > LlamaIndex六、怎么选？
如果只是做简单工具调用，可以先选LangChain Agents。它的抽象层更高，开发速度快，也不需要过早引入复杂编排。
如果要处理复杂业务流程，优先看LangGraph。状态、分支、恢复和人工审批，都是它更擅长的部分。
如果项目围绕企业知识库、文档问答或 RAG 展开，LlamaIndex更贴合需求。
如果主要任务是调研报告、内容生产或多角色协作，CrewAI通常更容易快速跑通。
企业级 Agent 系统经常采用下面的组合：
LangGraph + LlamaIndexLangGraph 控制流程，LlamaIndex 负责知识检索。两者的职责边界比较清楚。
如果项目还在验证阶段，也可以先用 CrewAI 测试多角色协作是否真的有效。等业务流程跑通，再判断是否需要迁移到更可控的 LangGraph 架构。
七、最后的判断
选 Agent 框架，先看任务本身。
任务以“查资料、基于文档回答”为主，重点在数据，选 LlamaIndex。
任务依赖多个角色分工，重点在任务组织，选 CrewAI。
流程必须稳定、可恢复、可审计，重点在控制，选 LangGraph。
Agent 项目真正难的，是让模型在复杂环境里稳定、可控、可追踪地完成任务。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～