跳到主要内容

框架与 SDK

这一组内容主要解决的问题是：

当已经理解了 AI Agent 的基础能力和工程问题之后，市面上的主流框架、SDK 和配套平台分别该怎么学、什么时候该用、适合承载哪一层能力。

这里的重点不是做“框架排行榜”，而是建立一套更稳的使用顺序：

  • 哪些能力应该先从官方原语学起
  • 哪些框架适合快速起步
  • 哪些框架更适合状态化编排
  • 哪些平台更适合 tracing、evals 和线上观测
  • 哪些框架值得理解，但不该再当成新项目的默认首选

小地图​

这张图可以这样看：

  • 先学 OpenAI 官方原语，理解工具、结构化输出和 agent 运行时的基本边界
  • 再学 LangChain，建立“更快搭起来”的感觉
  • 再学 LangGraph，进入状态化、多步编排和长任务系统
  • 再看 LangSmith、CrewAI、Microsoft Agent Framework 这些更偏平台化的承载层
  • 最后把 AutoGen 放在历史脉络和现有存量系统理解的位置

适合谁看​

适合：

  • 已经学完基础能力，开始想“到底该用哪个框架”的人
  • 已经做过几个 Demo，准备开始接触真实工具链的人
  • 想把 Tool Use / Workflow / State / Evals / Observability 和市面框架真正对应起来的人

建议怎么读​

推荐顺序：

  1. AI Agent 专题章节与框架映射
  2. OpenAI Agents SDK 指南
  3. LangChain 入门与实践
  4. LangGraph 入门与编排设计
  5. LangSmith：Observability 与 Evals
  6. CrewAI 入门与 Workflow 实战定位
  7. Microsoft Agent Framework 与 AutoGen 现状
  8. Vercel AI SDK 指南
  9. Mastra 指南
  10. Google ADK 指南
  11. LlamaIndex Agent / Workflow 指南
  12. Azure AI Foundry Agent Service 指南

这一组读完之后，可以收获什么​

读完这一组后，最好能回答这些问题：

  • 什么能力应该先学官方原语，而不是先学框架
  • OpenAI Agents SDK 和 LangChain 各适合什么起步方式
  • LangGraph 为什么更适合状态化编排和长任务系统
  • LangSmith 在 tracing / evals / observability 里具体扮演什么角色
  • CrewAI 更适合什么类型的 workflow / crew / multi-agent 系统
  • Microsoft Agent Framework 和 AutoGen 现在各自处在什么位置
  • Vercel AI SDK 更适合什么样的 TypeScript / Web agent
  • Mastra 为什么值得放进 TypeScript 路线里的 workflow、evals 和 observability 学习
  • Google ADK 为什么值得放进 workflow / memory / evaluation 主线
  • LlamaIndex 为什么更适合 RAG / research-heavy 路线
  • Azure AI Foundry Agent Service 为什么应该被理解成平台层
  • 什么时候该保持 framework-agnostic，什么时候应该正式引入框架层

如果这些问题都更清楚了，你对 AI Agent 的理解就不只是“知道怎么搭”，而是开始具备比较稳的工具链判断力。