核心要点

  • 能说清各框架定位：AutoGPT（早期自主探索、演示性强但不稳）、CrewAI（角色+任务组织多 Agent、上手简单）、LangGraph（图/状态机编排、支持循环分支与人在环、可控生产级）、AutoGen（微软，多 Agent 对话式协作）、LlamaIndex（偏 RAG 数据接入）

  • 能区分单 Agent 与多 Agent 场景：简单任务单 Agent 足矣，复杂分工才上多 Agent，别为多而多

  • 能讲选型维度：可控性/可观测、生态与社区、学习成本、是否生产级、与现有技术栈契合度

  • 给的是判断框架而非吹某一个：先看任务形态再匹配框架，没有银弹

标准回答

先给各框架的定位画像

主流框架的设计哲学差异很大。AutoGPT 是早期的自主 Agent 代表，强调「给个目标就自己规划执行」，演示效果惊艳但实际运行不稳、易跑偏，更适合理解理念而非直接上生产。CrewAI 以「角色（Role）+ 任务（Task）」的隐喻来组织多个 Agent 协作，抽象直观、上手快，适合快速搭建有明确分工的多 Agent 流程。LangGraph 把 Agent 流程建模为图 / 状态机，节点是步骤、边是转移，原生支持循环、条件分支与人在环（human-in-the-loop），可控性和可观测性强，偏向生产级复杂编排。AutoGen 来自微软，主打多 Agent 对话式协作，让多个 Agent 互相发消息讨论来解决问题，研究与复杂协作场景下灵活。LlamaIndex 则更偏 RAG / 数据接入，强项是把外部数据喂给 LLM，也提供了 Agent 能力但重心在检索。

再讲选型维度

选型不该问「哪个最好」，而该问「我的任务长什么样」。关键维度有五个：一是单 Agent 还是多 Agent——简单线性任务一个 Agent 加几个工具就够，别为了多 Agent 而引入协调开销；二是可控性与可观测性——生产系统要能精确控制流程、能 trace、能在关键节点插入人工审核，这正是 LangGraph 这类状态机编排的强项；三是生态与社区——集成的工具、模型、向量库是否齐全，文档与社区是否活跃，决定踩坑成本；四是学习成本——CrewAI 的角色抽象上手快，LangGraph 的图模型更强大但概念更重；五是是否生产级——演示原型可以用轻量框架，长期维护的线上系统要选稳定、可调试、可控的方案。

给出落地的判断顺序

实践中我会这样选：先判断任务复杂度——简单就单 Agent，甚至不一定要重框架；需要明确角色分工、协作直观，CrewAI 起步快；流程有复杂的循环、分支、状态与人工介入、要上生产，优先 LangGraph；偏研究性的多 Agent 对话探索，AutoGen 灵活；如果核心痛点是「把大量私有数据接进来做问答」，那本质是 RAG，LlamaIndex 更对口。最后还要看与现有技术栈（语言、可观测平台、部署环境）的契合度。框架是工具不是信仰，按场景匹配即可。

常见误区

⚠️ 常见踩坑

最大的误区是把框架当信仰、不分场景一律上多 Agent——简单任务硬拆成多个 Agent 互相对话，徒增协调开销、延迟和不确定性，还更难调试。另一个误区是只看「Demo 多炫」而忽略生产要素：可观测性、可控的终止与人工介入、稳定性才是线上系统的命门，AutoGPT 类自主探索框架在演示之外往往难以稳定落地。还有人误以为框架能替代工程能力——其实再好的框架也要靠清晰的任务拆解、可靠的工具设计和评测体系兜底。正确姿势是按任务形态与生产需求选型，而非追新或迷信单一框架。

追问

追问 1：什么情况下其实不需要任何 Agent 框架，自己手写编排反而更好？

当流程是确定的、步骤有限且分支简单时，手写一个「LLM 调用 + 工具调用 + 几个 if/else」的编排往往更清晰、更可控、依赖更少。框架的价值在于复杂状态管理、循环分支、多 Agent 协调、可观测与人在环这些「重活」；如果你的场景用不到这些，引入框架反而带来版本升级、抽象黑盒、调试困难等成本。判断标准是：流程是否复杂到手写会失控。简单场景从轻到重逐步演进，需要时再引框架，比一上来就套重框架更稳。

追问 2：LangGraph 用「图/状态机」建模相比 CrewAI 的「角色协作」抽象，本质区别是什么？

区别在于「控制流的显式程度」。LangGraph 把每个步骤建为节点、转移建为边，循环、条件分支、状态在哪里流转都是显式声明的，因此流程精确可控、可断点、可恢复、便于 trace，适合需要严格控制的生产编排。CrewAI 的角色+任务抽象更高层、更接近自然语言直觉，开发者描述「谁负责什么」，协调细节由框架隐式处理，上手快但对流程的精细控制弱一些。一个偏「我精确编排每一步」，一个偏「我声明分工让框架去协调」，选哪个取决于你更需要可控性还是开发速度。

追问 3：多 Agent 协作相比单 Agent 多工具，真正的收益和代价分别是什么？

收益是分工与关注点分离：不同 Agent 各有专精的指令、工具集和上下文，能降低单个 prompt 的复杂度，适合天然可并行或角色边界清晰的任务（如「研究员—写作—审校」）。代价是协调成本和不确定性显著上升：Agent 间通信增加延迟与 token 消耗，错误会跨 Agent 传播放大，整体行为更难预测和调试，还要解决「谁来终止、信息如何传递」等编排问题。经验法则是：先用单 Agent 多工具能解决就别上多 Agent；只有当任务复杂到单 Agent 上下文与指令明显过载、且能清晰拆出独立角色时，多 Agent 的收益才压得过它的代价。

🔗 相似问题

同一考点的不同问法，面试官可能换着问，一起刷更稳

没找到想看的面试题？把你想看的告诉我们 →

延伸学习

按主题分类的相关资源，便于系统复习

核心术语

查看更多 →

AI 工具

查看更多 →