第十一节 AI Agent 框架选型
四大框架设计哲学总览
在深入每个框架之前，先理解它们的设计原点——每个框架都在回答同一个问题："谁来决定 Agent 下一步做什么？" 但给出了截然不同的答案。
#EmODUJIGilCB text { white-space: pre; }#EmODUJIGilCB .fb0 { stroke: var(--N900-FG, 0.15); }#EmODUJIGilCB .fb0 {stroke: rgba(31,35,41, 0.15)}#EmODUJIGilCB .fx0 { stroke-miterlimit: 10; }#EmODUJIGilCB .fx0 {stroke-miterlimit: 10}#EmODUJIGilCB .fa1 { fill: rgb(187, 191, 196); }#EmODUJIGilCB .fa1 {fill: rgb(187, 191, 196)}#EmODUJIGilCB .fx1 { font: 400 12px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#EmODUJIGilCB .fx1 {font-style: normal}#EmODUJIGilCB .fx2 { text-anchor: middle; }#EmODUJIGilCB .fx2 {text-anchor: middle}#EmODUJIGilCB .fx3 { dominant-baseline: central; }#EmODUJIGilCB .fx3 {dominant-baseline: central}#EmODUJIGilCB .fx4 { stroke: none; }#EmODUJIGilCB .fx4 {stroke: none}#EmODUJIGilCB .fc0 { fill: var(--text-caption); }#EmODUJIGilCB .fc0 {fill: #646a73}#EmODUJIGilCB .fa2 { fill: var(--text-link-disabled); }#EmODUJIGilCB .fa2 {fill: rgb(187, 191, 196)}#EmODUJIGilCB .fa3 { fill: rgb(213, 246, 242); }#EmODUJIGilCB .fa3 {fill: rgb(213, 246, 242)}#EmODUJIGilCB .fx5 { font: 400 16px MonospacedNumber, LarkHackSafariFont, LarkEmojiFont, LarkChineseQuote, -apple-system, BlinkMacSystemFont, "Helvetica Neue", Tahoma, "PingFang SC", "Microsoft Yahei", Arial, "Hiragino Sans GB", sans-serif, "Apple Color Emoji", "Segoe UI Emoji", "Segoe UI Symbol", "Noto Color Emoji"; }#EmODUJIGilCB .fx5 {font-style: normal}#EmODUJIGilCB .fx6 { text-anchor: start; }#EmODUJIGilCB .fx6 {text-anchor: start}#EmODUJIGilCB .fx7 { dominant-baseline: alphabetic; }#EmODUJIGilCB .fx7 {dominant-baseline: alphabetic}#EmODUJIGilCB .fc1 { fill: rgb(31, 35, 41); }#EmODUJIGilCB .fc1 {fill: rgb(31, 35, 41)}#EmODUJIGilCB .fc2 { fill: rgb(51, 51, 51); }#EmODUJIGilCB .fc2 {fill: rgb(51, 51, 51)}#EmODUJIGilCB .fb1 { fill: var(--N900-FG, 0.15); }#EmODUJIGilCB .fb1 {fill: rgba(31,35,41, 0.15)}#EmODUJIGilCB .fb2 { fill: rgb(225, 228, 232); }#EmODUJIGilCB .fb2 {fill: rgb(225, 228, 232)}#EmODUJIGilCB .fa4 { fill: var(--bg-body); }#EmODUJIGilCB .fa4 {fill: #fff}ABCDE1234567维度Claude Agent SDKStrands AgentsLangGraphOpenAI Agents SDK设计哲学编排方式状态管理模型绑定MCP 支持开源协议工具驱动、MCP 原生Agent Loop + MCP对话历史 + 上下文窗口Claude 系列原生内置Apache 2.0模型驱动、工具声明式LLM 自主决策会话上下文 + 工具状态多模型（Bedrock 优先）1.0 原生集成Apache 2.0图驱动、状态显式有向图状态机类型化 State + 检查点多模型社区适配器MIT指令驱动、handoff 路由Harness + HandoffsRunner 上下文 + 追踪GPT 系列第三方桥接MIT
Claude Agent SDK：从 Claude Code 到可编程 Agent
核心架构
🎹
Claude Agent SDK 是 Anthropic 将 Claude Code 的 Agent 能力编程化的成果。它的核心是一个 Agent Loop（智能体循环）——Agent 接收任务后进入一个持续的推理-行动循环，直到任务完成或触发终止条件。
关于 Agent 循环的底层原理，可以参考 ReAct 框架详解，这是理解所有现代 Agent 框架的基础。
代码块
Python
import anthropic
client = anthropic.Anthropic()
# 定义 MCP 工具服务器
mcp_servers = {
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/workspace"]
},
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"]
}
这段代码展示了 Claude Agent SDK 的核心优势：Agent 可以直接连接 MCP 服务器，获得文件系统访问、GitHub 操作等能力，而无需开发者手动实现工具函数。关于 MCP 协议的完整技术架构，推荐阅读 MCP 协议核心概念与实战。
关键特性
•
原生 MCP 集成：直接声明 MCP 服务器配置，Agent 自动发现并调用可用工具，无需手动定义 Function Calling schema
•
结构化输出：支持通过 JSON Schema 约束 Agent 的输出格式，确保下游系统可以可靠解析
•
上下文管理：内置会话历史压缩和关键信息提取，有效管理长任务的上下文窗口
•
流式执行：支持实时流式返回 Agent 的思考过程和工具调用结果
适用场景
Claude Agent SDK 最擅长的是需要深度工具链集成的自主任务执行——代码审查与重构、文档生成与更新、基于 MCP 生态的多工具编排。如果你的团队已经在使用 Claude Code 并希望将其能力集成到自有产品中，这是最自然的迁移路径。关于 Cloud Agent 的更广泛讨论，参见 Cloud Agent 范式转移。
Strands Agents：AWS 的模型驱动方法
核心架构
Strands Agents 是 AWS 在 2025 年开源的 Agent 框架，其 1.0 版本（2026 年初发布）带来了重大升级。Strands 的核心设计理念是模型驱动——不是由开发者用代码定义执行流程，而是让 LLM 根据系统提示词和可用工具自行决定下一步动作。
python
代码块
Python
关键特性
•
模型驱动编排：开发者定义工具和提示词，执行顺序由 LLM 自主决定，大幅降低编排代码量
•
多模型支持：通过 Amazon Bedrock 无缝切换 Claude、Llama、Mistral 等模型，也支持直接对接 OpenAI 和自部署模型
•
多智能体编排（1.0 新增）：内置 MultiAgentOrchestrator，支持 Agent 间任务委派和结果聚合
•
A2A 协议支持（1.0 新增）：兼容 Google 的 Agent-to-Agent 协议，实现跨框架的 Agent 互操作
•
原生 MCP 集成（1.0 新增）：直接连接 MCP 服务器作为工具源，与 Claude Agent SDK 的 MCP 支持对标
适用场景
Strands Agents 最适合已深度使用 AWS 生态的团队，以及需要在不同 LLM 之间灵活切换的场景。模型驱动方法的优势在于代码极其简洁，但在需要严格确定性执行路径的场景中，可能不如 LangGraph 可控。关于 多智能体系统的架构设计，推荐深入阅读 多 Agent 系统架构深度解析。
LangGraph：图论状态机的精细控制
核心架构
LangGraph 是四大框架中状态管理最精细的一个。它将 Agentic Workflow 建模为有向图（Directed Graph），每个节点是一个执行步骤，每条边是一个转换条件，全局状态对象在图中传递和更新。
关于 LangGraph 与 AutoGen 的详细架构对比，可以参考 LangGraph vs AutoGen 多智能体框架选型对比。
python
代码块
Python
from typing import TypedDict, Annotated, Literalfrom langgraph.graph import StateGraph, END
from langgraph.checkpoint.sqlite import SqliteSaver
import operator
class ReviewState(TypedDict):
messages: Annotated[list, operator.add]
关键特性
•
类型化状态：使用 TypedDict 定义严格的状态 schema，编译时即可发现类型错误
•
持久化检查点：每个节点执行后自动保存状态快照，支持故障恢复和"时间旅行"调试
•
条件路由：通过 add_conditional_edges 实现基于状态的动态分支，精确控制执行路径
•
子图组合：支持将子图作为节点嵌入父图，实现模块化的工作流组合
•
人机协作节点：内置 interrupt 机制，允许在关键决策点暂停并等待人工确认
适用场景
LangGraph 是需要可审计、可回放执行路径的首选——合规性要求高的金融/医疗场景、需要人机协作审批的工作流、复杂的多步骤数据处理管道。它的学习曲线相对陡峭，但提供的控制粒度是其他框架无法匹敌的。
OpenAI Agents SDK：轻量级的快速落地
核心架构
OpenAI Agents SDK 的设计目标是用最少的代码让 Agent 跑起来。它引入了 harness 概念——一个包含指令（Instructions）、工具（Tools）、护栏（Guardrails）、追踪（Tracing）和交接（Handoffs）的统一运行容器。
python
代码块
Python
from openai import agents
# 定义专职 Agent
researcher = agents.Agent(
关键特性
•
Handoff 路由：Agent 之间通过声明式的 handoffs 实现任务交接，无需手动编排消息传递
•
内置安全护栏：支持输入/输出验证规则，自动拦截不符合策略的 Agent 行为
•
沙盒执行：代码解释器和文件操作运行在隔离的沙盒环境中，降低安全风险
•
长时间运行支持：Agent 可以在后台持续运行数小时，适合需要大量数据处理的任务
•
内置追踪：自动记录每一步的输入、输出和工具调用，便于调试和审计
适用场景
OpenAI Agents SDK 是快速原型开发和中等复杂度生产系统的理想选择。如果你的核心模型是 GPT 系列、团队熟悉 OpenAI API、且需要在几天内交付一个可用的 Agent 系统，它提供了最短的开发路径。
关键维度深度对比
多智能体编排能力
多智能体编排是 2026 年 Agent 框架竞争的核心战场。四大框架采用了截然不同的编排策略：
•
Claude Agent SDK：通过嵌套 Agent 调用实现，一个 Agent 可以在其工具列表中注册另一个 Agent，形成层次化的委派结构
•
Strands Agents：MultiAgentOrchestrator 提供声明式的编排，支持并行执行和结果聚合，1.0 版本新增的 A2A 协议使其可以与其他框架的 Agent 互操作
•
LangGraph：通过子图嵌套和条件路由实现最灵活的编排，每个 Agent 是一个子图，父图控制它们之间的流转逻辑
•
OpenAI Agents SDK：Handoff 机制提供最直观的编排体验，Agent 之间的交接就像团队成员之间的工作交接
关于多智能体协作的更多实战模式，推荐阅读 CrewAI 多智能体工作流实战，虽然框架不同，但其中的角色设计和任务分解思路具有普遍参考价值。
MCP 与工具生态
MCP（Model Context Protocol） 正在成为 Agent 工具调用的事实标准。框架对 MCP 的支持深度直接影响了 Agent 可以访问的工具生态广度。
Claude Agent SDK 在这个维度领先明显——它不仅原生支持 MCP，而且其工具生态直接继承了 Claude Code 的丰富 MCP 服务器集群。Strands Agents 在 1.0 中追上了这一能力。LangGraph 和 OpenAI Agents SDK 在 MCP 原生支持上仍有差距，但通过社区适配器和第三方桥接可以弥补。关于 MCP 生态的深入了解，参考 MCP 协议核心概念与实战。
安全与可观测性
生产级 Agent 系统需要严格的安全边界和完整的可观测性。在护栏设计方面：
•
LangGraph 的检查点机制提供了最细粒度的状态审计——你可以回放任意节点的输入输出
•
OpenAI Agents SDK 的内置护栏系统允许定义输入/输出验证规则，自动阻止违规行为
•
Claude Agent SDK 通过 MCP 的权限模型控制 Agent 的工具访问范围
•
Strands Agents 依托 AWS 的 IAM 体系提供基础设施级的权限管理
学习曲线与开发效率
选型决策框架
在收集了足够的技术细节后，让我们回到最实际的问题：你的团队应该选哪个？
按团队技术栈选择
如果团队已经在使用 Anthropic Claude 作为核心模型，Claude Agent SDK 是自然延伸。如果深度绑定 AWS 生态（Bedrock、Lambda、SageMaker），Strands Agents 提供最顺畅的集成。如果已在使用 LangChain，LangGraph 是零迁移成本的升级。如果核心模型是 GPT 系列，OpenAI Agents SDK 是最高效的起点。
按工作流复杂度选择
对于简单的单 Agent + 工具调用场景（如客服机器人、文档生成），四个框架差异不大，选上手最快的。对于中等复杂的多 Agent 协作（如代码审查流水线、数据分析报告），Strands Agents 和 OpenAI Agents SDK 的声明式编排更高效。对于高复杂度的状态化工作流（如合规审批链、多阶段数据管道），LangGraph 的图驱动模型和检查点机制是不可替代的。
按 MCP 生态需求选择
如果你的 Agent 需要连接大量外部工具（数据库、API、文件系统、浏览器等），Claude Agent SDK 的原生 MCP 支持提供了最佳的开箱体验。Strands Agents 1.0 是第二选择。如果你的工具集相对固定且可以自行封装，LangGraph 和 OpenAI Agents SDK 的自定义工具系统同样好用。
面向未来：框架融合趋势
2026 年的 Agent 框架生态有一个明显的趋势：从竞争走向互操作。
A2A（Agent-to-Agent）协议的出现使得不同框架构建的 Agent 可以互相通信和协作。MCP 协议的普及使得工具生态逐渐统一。这意味着框架选型不再是一个"all-in"的决策——你完全可以用 LangGraph 构建核心工作流引擎，同时用 Claude Agent SDK 构建执行复杂工具操作的子 Agent，再通过 A2A 协议让它们协同工作。
关于 AI Agent 开发的完整知识体系，推荐从 AI Agent 架构设计与代码实战 开始系统学习。对于提示工程在 Agent 系统中的应用、RAG 与 Agent 的结合模式，这些都是框架选型之外同样重要的工程实践。
总结
框架选型从来不是一道单选题。Claude Agent SDK 的 MCP 深度集成、Strands Agents 的模型驱动简洁性、LangGraph 的状态化精细控制、OpenAI Agents SDK 的快速落地能力——它们各自解决了 Agent 工程化过程中的不同痛点。
最务实的策略是：从你最熟悉的模型和生态出发，选择学习曲线最平缓的框架快速交付 MVP，然后在生产中根据实际痛点评估是否需要引入其他框架的能力。在 A2A 和 MCP 推动互操作性的趋势下，"选错框架"的代价正在快速降低。