2026 年最佳 AI 智能体框架

简短回答

对大多数团队来说，选择取决于语言和故障模型。当智能体必须在崩溃后存活并等待人工审批时，选 LangGraph；已经确定使用某一家模型厂商并想走最短路径时，选 OpenAI Agents SDK 或 Claude Agent SDK；云平台或语言（Go、Java、.NET）已经替你做了决定时，选 Google ADK 或 Microsoft Agent Framework；最看重 Python 或 TypeScript 类型安全时，选 Pydantic AI 或 Mastra。

你面对的是一个拥挤的领域：十二个严肃的开源选项，每一个对“智能体”的理解都不同。本文用同一组维度对比它们，使用 2026 年 11 月 12 日抓取的 GitHub 数据， 并明确指出哪些说法无法从厂商自己的页面核实。框架只是代码层；智能体在哪里运行、如何追踪，请看我们的 智能体托管平台和 LLM 可观测性与评测工具对比。

一段第三方视频，对比 OpenAI Agents SDK、CrewAI、LangGraph 和 AutoGen。它不是厂商出品，细节可能落后于下文的版本。

快速推荐

“最佳预算”在这里不是有意义的维度。列表中的每个框架都可以免费安装，真正花钱的是模型 token、托管，以及任何付费控制平面。本文不引用价格页面， 请在购买当天向各厂商确认付费层（LangSmith、CrewAI AMP、Agno AgentOS、Logfire）的价格。

总对比表

星标和版本来自 2026 年 11 月 12 日的 GitHub API。对于包含多个包的 monorepo，所列版本为主包。“未说明”表示我抓取的厂商页面没有提到， 并不等于“不支持”。

安装任何一个框架，下面的命令都直接来自各项目的 README 或文档。

# Install commands from each project's README or docs (as of Nov 12, 2026)
pip install -U langgraph                 # LangGraph
pip install openai-agents                # OpenAI Agents SDK (Python 3.10+)
pip install claude-agent-sdk             # Claude Agent SDK (Python 3.10+)
pip install google-adk                   # Google ADK (Python 3.11+)
uv tool install crewai                   # CrewAI CLI (Python >=3.10, <3.14)
pip install agent-framework              # Microsoft Agent Framework (Python)
uv add pydantic-ai                       # Pydantic AI
npm create mastra@latest                 # Mastra
pip install llama-index-core             # LlamaIndex core
pip install "smolagents[toolkit]"        # smolagents

它们的差异在哪

有三个设计选择比任何功能清单都更能区分这些框架。第一是谁掌控循环。在 OpenAI Agents SDK、Claude Agent SDK、Pydantic AI 和 Vercel AI SDK 的 ToolLoopAgent 中， 库替你运行“模型加工具”的循环，你通过指令、工具和 guardrails 来调节。在 LangGraph 以及 Microsoft Agent Framework 和 Mastra 的工作流层中，控制流由你自己画出，模型只负责填充步骤。 CrewAI 和 Google ADK 介于两者之间，提供角色式或层级式智能体，并带有显式的工作流类型。

第二是状态存放在哪里。纯内存的循环在进程死亡时会丢掉一切。LangGraph 使用检查点，Pydantic AI 把运行交给 Temporal 或 DBOS，Mastra 从存储中挂起和恢复， Agno 的 AgentOS 则把智能体包装成带调度和审批的服务。如果你的智能体要运行几分钟并调用付费工具，就选一个有明确持久化方案的框架，并通过杀掉进程来测试它。

第三是协议支持。MCP（Model Context Protocol）让智能体通过标准接口使用外部工具，这里大多数框架都支持。A2A（agent-to-agent）则更少：Google ADK 有带快速入门的文档， Microsoft Agent Framework 在托管示例中列出了它。如果你打算给智能体接入 MCP 服务器，可以参考我们的 热门 MCP 服务器和 Claude Code 最佳 MCP 服务器（英文）。

维护方类型是第四个更安静的因素。十二个中有四个来自模型厂商（OpenAI、Anthropic、Google、Microsoft），它们的路线图跟随这些厂商的模型和云：预计自家模型会最先获得最好的支持， 其他提供商则列为“支持”。三个来自基础设施或开发者工具公司（LangChain、Pydantic、Vercel），其商业产品（LangSmith、Logfire、AI Gateway）与开源代码并存。其余是独立创业公司或社区 （CrewAI、Mastra、Agno、LlamaIndex），或偏研究的实验室（smolagents 的 Hugging Face）。这并不意味着哪一组更好，而是告诉你付费增值服务可能出现在哪里，以及哪家模型会获得一等集成。

还需要区分框架与 harness。较新的文档常用这个词。Microsoft Agent Framework 包含带规划与待办跟踪、上下文压缩和工具审批的 Harness Agent；Pydantic AI 有带 SubAgents 的 Harness； Claude Agent SDK 被描述为打包成库的 Claude Code；Mastra 的脚手架会创建带本地工作区、shell 工具、记忆和定时任务的 harness。Harness 是你配置的有主见的智能体，而框架给你的是可组装的零件。 如果目标是处理长任务的编码或研究智能体，harness 能省下数周。如果目标是步骤固定的定制业务流程，图或工作流层更合适。

LangGraph

LangGraph 自称是用于长时间运行、有状态智能体的底层编排框架和运行时。你把工作流建模为由共享状态、节点和边组成的图，并且可以在同一张图里混合确定性步骤与由 LLM 驱动的步骤。 它不规定提示词或智能体架构。文档把 LangChain 定位为更高层的智能体框架，LangGraph 是其下的运行时，Deep Agents 是构建在其上的 harness。

优点。持久化执行是核心能力：状态在检查点保存，运行可以在故障或暂停后恢复。你可以在运行中检查并编辑状态、流式输出 token 和状态更新， 并同时保留短期线程记忆和跨会话的长期记忆。LangSmith 在其外围提供追踪、评测和托管部署。

缺点。图比预置循环需要写更多代码，架构由你决定。概览页没有涉及多智能体模式或 MCP，请在链接的文档中确认。把 LangGraph 用在单工具聊天机器人上是大材小用。

# Excerpt from the LangGraph overview docs (a minimal graph)
graph = StateGraph(MessagesState)
graph.add_node(mock_llm)
graph.add_edge(START, "mock_llm")

如果你在评估 LangChain 生态的可观测性，我们的 LangSmith BYOC on AWS 指南（英文） 介绍了自托管追踪。

OpenAI Agents SDK

OpenAI Agents SDK 的接口面很小：agents（带指令和工具的 LLM）、用于委派的 handoffs 和 agents-as-tools、与智能体并行运行的 guardrails、保存对话历史的 sessions、 人工介入钩子以及内置 tracing。较新的功能包括在隔离容器中工作、会话可恢复的 sandbox agents，以及 realtime 和 voice agents。对 OpenAI 模型默认使用 Responses API。

优点。下面的四行 hello world 是本对比中最短的。函数工具会自动生成 schema 并用 Pydantic 校验，远程 MCP 工具与之并列， tracing 内置，并链接到 OpenAI 的评测和微调工具。

缺点。我抓取的文档页没有描述工作流引擎式的持久化执行；sessions 和可恢复的沙箱状态是最接近的功能。对提供商中立性只是简略提及，所以多厂商模型策略需要自行测试。 想深入了解沙箱和记忆，请看我们的 OpenAI Agents SDK 沙箱、记忆与编码指南（英文）。

from agents import Agent, Runner

agent = Agent(name="Assistant", instructions="You are a helpful assistant")

result = Runner.run_sync(agent, "Write a haiku about recursion in programming.")
print(result.final_output)

Claude Agent SDK

Claude Agent SDK 把驱动 Claude Code 的智能体循环、工具和上下文管理打包成 Python 和 TypeScript 库。Anthropic 的文档列出内置工具（读写和编辑文件、运行命令、搜索网页）、hooks、 subagents、MCP、权限、可恢复或分叉的会话、skills 和 plugins。Python 包内置了 Claude Code CLI，无需单独安装。

优点。开箱即用地获得经过生产验证的工具集和权限模型，因此修复代码的智能体几乎不需要胶水代码。自定义工具可以作为进程内 MCP 服务器暴露， hooks 可以让你在危险的 Bash 命令执行前将其拦截。

缺点。它围绕 Claude 构建，并且 Anthropic 声明，除非事先获批，不允许第三方开发者在其产品中提供 claude.ai 登录或速率限制；请使用 API key 认证。 我抓取的文档没有指明追踪后端或持久化工作流引擎。它在编码工具中的位置，请看 2026 最佳 AI 编码智能体（英文）。

import anyio
from claude_agent_sdk import query

async def main():
    async for message in query(prompt="What is 2 + 2?"):
        print(message)

anyio.run(main)

Google ADK

Agent Development Kit 是 Google 的开源框架。其文档列出 Python、TypeScript、Go、Java 和 Kotlin，是本对比中语言范围最广的。多智能体系统以层级结构组合， 工作流智能体提供顺序、循环和并行模板。文档涵盖会话、状态、记忆、带暴露与消费智能体快速入门的 A2A 章节，以及 MCP 工具，包括把智能体暴露为 MCP 服务器。

优点。有文档的 A2A 与 MCP、通过 adk eval 的内置评测、Google Cloud 上的 Cloud Trace 集成，以及包含 Gemini、Gemma、Claude、OpenAI、Ollama、vLLM 和 LiteLLM 的模型列表。缺点。最深入的工具链默认你在 Google Cloud 上，非 Python SDK 有各自独立的仓库和发布节奏（JS 仓库在 2026 年 11 月 12 日有 1,477 星标）。

from google.adk import Agent

root_agent = Agent(
    name="greeting_agent",
    model="gemini-3.5-flash",
    instruction="You are a helpful assistant. Greet the user warmly.",
)

CrewAI

CrewAI 围绕 Crews 和 Flows 组织工作：Crews 是相互委派的角色式智能体团队，Flows 是带状态、条件分支以及 @start()、@listen()、@router()等装饰器的事件驱动工作流。README 把 Crews 作为 Flows 中的步骤运行视为该框架的主要优势。它是本对比中星标最多的仓库，为 60,803。

优点。Crew、Agent、Task 的词汇读起来很快，CLI 可以生成项目脚手架（crewai create crew <name>），README 还把 MCP/A2A 支持与记忆、知识和 checkpointing 并列。缺点。日志之外的可观测性在付费控制平面里；开源框架会发送匿名遥测，可通过 OTEL_SDK_DISABLED=true 关闭。 README 没有说明如何配置 MCP 或 A2A，请对照文档核实。

Microsoft Agent Framework

微软把 Microsoft Agent Framework 描述为 Semantic Kernel 和 AutoGen 的直接继任者，由同一批团队打造。它把 AutoGen 的智能体抽象与 Semantic Kernel 的企业特性（会话状态、类型安全、中间件、遥测）结合起来， 并加入基于图的工作流。概览列出 agents、面向长多步任务的 harness agent、workflows 和 integrations，模型提供商包括 Microsoft Foundry、Anthropic、Azure OpenAI、OpenAI 和 Ollama。

优点。顺序、并发、handoff 和群组编排；checkpointing、流式输出、人工介入和时间回溯；内置 OpenTelemetry；MCP 客户端；托管示例中的 A2A；以及两个前身的迁移指南。缺点。Go SDK 仍是预览版，尚未实现声明式智能体、CodeAct 或函数式工作流，示例代码也假定你有 Foundry 项目。微软还警告，你连接的第三方系统风险自负。 动手构建请看我们的 Microsoft Agent Framework 与 GitHub Copilot 指南（英文）。

from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

agent = Agent(
    client=FoundryChatClient(
        project_endpoint="https://your-foundry-service.services.ai.azure.com/api/projects/your-foundry-project",
        model="gpt-5.4-mini",
        credential=AzureCliCredential(),
    ),
    name="HelloAgent",
    instructions="You are a friendly assistant. Keep your answers brief.",
)

result = await agent.run("What is the largest city in France?")
print(f"Agent: {result}")

Pydantic AI

Pydantic AI 把 Pydantic 的校验模型带给智能体：你声明 output_type，框架会按它校验模型的回答，工具通过装饰器注册。其文档把 MCP 描述为内置能力， 并有人工介入的工具审批、用于评分输出和工具调用轨迹的 Pydantic Evals，以及当单个智能体循环不够用时提供类型化图控制流的 Pydantic Graph。

优点。这里持久化执行集成列表最广，有类型化输出、带 SubAgents 的 Harness，以及适用于任何 OTLP 后端的埋点。缺点。只支持 Python， 我抓取的文档页也没有提到 A2A。下面的示例按 README 原样使用模型字符串。

from typing import Literal

from pydantic import BaseModel, Field

from pydantic_ai import Agent, RunContext


class Sentiment(BaseModel):
    label: Literal['positive', 'negative', 'neutral']
    score: float = Field(ge=-1, le=1)


agent = Agent('openai:gpt-6.1-sol', output_type=Sentiment)


@agent.tool
def recent_reviews(ctx: RunContext, product: str) -> list[str]:
    """Fetch recent review snippets for a product."""
    return ['The new release fixed everything I complained about!']


result = agent.run_sync('How are people feeling about the Extract app?')
print(result.output)

Mastra

Mastra 是面向智能体和应用的 TypeScript 框架。智能体由 id、指令和 provider/model 字符串定义，工具使用带 zod schema 的 createTool()， 由 Mastra 实例统一注册。README 列出图工作流（.then()、.branch()、.parallel()）、包括 Observational Memory 的记忆、MCP 服务器编写、评测、 内置可观测性，以及状态保存在存储中的挂起/恢复。

优点。一个包涵盖智能体、工作流、记忆和评测，另有 Studio UI 和框架集成指南。缺点。双重许可证需要在使用 ee/ 下任何内容前仔细阅读； 我抓取的文档页也没有提到 A2A。

// From the Mastra quickstart: call a registered agent
const agent = mastra.getAgentById('weather-agent')
const response = await agent.generate('Weather in SF')
console.log(response.text)

LlamaIndex Workflows 与 Agents

LlamaIndex 起初是数据与检索框架，现在自称是构建智能体应用的开源框架。FunctionAgent 等预置智能体把普通 Python 函数作为工具，依据其名称、文档字符串和类型提示来选择， 文档把 AgentWorkflow 描述为管理多个智能体的智能体。以文档为中心的产品（LlamaParse、Extract、Index）位于独立的平台上。

优点。检索和集成覆盖很深，并有针对 MCP 工具、状态和可观测性的独立指南。缺点。发布节奏比同类慢（截至抓取时最近一次发布是 2026 年 9 月 21 日）， 且我抓取的页面没有详述多智能体模式、持久化状态或 MCP，请查看链接的指南。检索层本身请看 最佳 AI 智能体向量数据库。

# Abridged from the LlamaIndex agents tutorial
llm = OpenAI(model="gpt-4o-mini")

workflow = FunctionAgent(
    tools=[multiply, add],
    llm=llm,
    system_prompt="You are an agent that can perform basic mathematical operations using tools.",
)

response = await workflow.run(user_msg="What is 20+(2*4)?")
print(response)

Vercel AI SDK

AI SDK 是 TypeScript 工具包，其智能体入口是 ToolLoopAgent，负责管理循环、消息上下文和停止条件。模型通过 provider/model 字符串指定。对于持久化的长时间运行智能体， 文档指向 eve，这是一个构建在 AI SDK 之上的开源框架，可在 Vercel 或自托管运行。

优点。它是最轻量的 TypeScript 选项，并且贴近 UI 流式输出。缺点。它是工具包，所以状态、持久化和多智能体编排需要你自己组装或使用 eve。 我抓取的智能体概览没有描述 MCP 支持，请在 MCP 文档中核实。如果你通过 Vercel 路由模型流量，请看我们的 Vercel AI Gateway 指南（英文）。

// Excerpt from the AI SDK agents overview
const weatherAgent = new ToolLoopAgent({
  model: "anthropic/claude-sonnet-5.5",
  // ...tools and instructions
});

const result = await weatherAgent.generate({
  prompt: 'What is the weather in San Francisco in celsius?',
});

Agno

Agno 把智能体库（agents、teams、workflows、memory、knowledge）与 AgentOS 结合，后者是把智能体作为持久服务运行的运行时，带有 API、认证、基于角色的访问、人工审批和调度。 README 称 AgentOS 内置 MCP 服务器，因此智能体可以从 Claude 和 ChatGPT 中使用。

优点。可委派的 Teams、带路由、循环和并行步骤的 workflows，以及对运行和工具调用的追踪。缺点。README 没有 hello-world 代码，我也没有发现 A2A 的说明， 所以这里不放代码，免得凭空编造。

smolagents

Hugging Face 的 smolagents 刻意保持小巧。它的 CodeAgent 把动作写成 Python 代码，工具调用就成了函数调用。工具可来自任何 MCP 服务器，智能体可以组成层级， 工具和智能体可通过 Hugging Face Hub 分享。代码可以在 E2B、Blaxel、Modal 或 Docker 等沙箱中运行；README 明确说内置的 LocalPythonExecutor 不是安全沙箱。

优点。抽象极少，代码库易读。缺点。截至 2026 年 11 月 12 日，最新版本已有约五个月，README 没有提到 tracing，也没有说明持久化方案。 执行模型写出的代码需要真正的沙箱；我们的 最佳 AI 智能体沙箱对比介绍了各种选择。

from smolagents import CodeAgent, WebSearchTool, InferenceClientModel

model = InferenceClientModel()
agent = CodeAgent(tools=[WebSearchTool()], model=model, stream_outputs=True)

agent.run("How many seconds would it take for a leopard at full speed to run through Pont des Arts?")

上线检查清单

各框架语法不同，但在生产中造成伤害的故障在所有框架里都一样。这份清单是我们自己的工程建议，不是厂商声明，每一项都对应厂商有文档的功能，方便你在投入之前核对。

有两个习惯在所有框架里都值得养成。第一，保持工具数量少、描述精确，因为这里每个框架（LlamaIndex 明确说明）都依赖工具名称、文档字符串和类型提示让模型选对工具。第二， 在调提示词之前先写评测集。Pydantic Evals、adk eval 和 LangSmith evals 都是为此而生，我们的 可观测性与评测对比对工具有更深入的讲解。

安全值得单独一提。带有 shell、文件或浏览器工具的智能体，是一个由文本驱动的远程代码执行面。请用可行的最小权限运行，不要把密钥放进模型上下文， 并使用框架提供的权限系统，而不是一句“不要删除文件”的提示词。如果智能体会执行生成的代码，请遵循我们的 沙箱对比中的沙箱建议。

切换与迁移说明

这个领域变化很快，所以要为将来可能更换框架做准备。几个事实能让切换更便宜。微软的概览把 Agent Framework 称为 Semantic Kernel 和 AutoGen 的直接继任者，并为两者都链接了迁移指南， 因此使用其中任一者的团队应阅读这些指南而不是从头开始。LangChain 的文档把 LangGraph 描述为 LangChain 智能体和 Deep Agents 之下的运行时，这意味着从高层 LangChain 智能体下沉到 LangGraph， 改变的是抽象层级，而不是生态。

Google ADK 声明它几乎可以与任何生成式 AI 模型配合，Pydantic AI 允许你用一个字符串切换模型，所以两者的模型层都是最容易更换的部分。难以迁移的是任何有状态的东西： 检查点、会话和记忆存储都与框架绑定，迁移通常意味着重放或放弃进行中的运行。把工具放在普通函数或 MCP 服务器之后，因为上面大多数框架都支持 MCP，这样你的工具代码在更换框架时几乎不用改。

最后，选定一个变更单位。如果在两个框架之间拿不准，就在各自中构建一个智能体并保持同一份评测集。如果决定性因素是团队已经在写的语言，就把它当作决胜因素： TypeScript 选 Mastra 和 Vercel AI SDK，.NET 选 Microsoft Agent Framework，Go、Java 或 Kotlin 选 Google ADK，其他人选 Python 优先的一组（LangGraph、Pydantic AI、CrewAI、LlamaIndex、Agno、smolagents）。 选一个团队凌晨两点也能读懂的框架，比边际的功能差异更重要。

基准测试与独立数据

目前没有被广泛接受的中立基准能给智能体框架排名。SWE-bench 或 GAIA 等公开榜单衡量的是模型加其脚手架，因此框架的结果混合了模型质量、提示词和工具设计。 我没有找到由中立方在固定模型条件下做的框架横向基准，我自己也没有运行。凡是没有可复现测试框架就宣称某个框架“最快”或“最准”的文章，都应视为观点。

我能提供的唯一独立信号是采用度数据，它是公开且有日期的。截至 2026 年 11 月 12 日，GitHub 星标排序为 CrewAI（60,803）、LlamaIndex（52,882）、 LangGraph（44,838）、Agno（43,166）、OpenAI Agents SDK Python（30,632）、smolagents（30,327）、Mastra（29,480）、Vercel AI SDK（27,882）、Google ADK Python（22,187）、 Pydantic AI（21,160）、Microsoft Agent Framework（14,643）和 Claude Agent SDK Python（8,528）。星标衡量的是关注度而非质量，不同年龄的仓库也不可直接比较。 发布时间更新是更好的健康信号：大多数仓库在最近四周内有发布，而 LlamaIndex（9 月 21 日）和 smolagents（5 月 29 日）较安静。

如何选择

一个实用的决策办法是，用你最看好的两个候选各实现同一个小任务：一次工具调用、一个结构化输出、一次运行中途强制崩溃。一个下午之后，你对其恢复机制理解得更清楚的那个，通常就是对的。 然后从我们的 智能体托管平台指南选择运行位置，并通过 智能体记忆工具对比决定智能体如何记忆。

选框架时的常见错误

第一个错误是按星标数量选择。CrewAI 以 60,803 星标领先，但有状态的审批工作流可能更适合 LangGraph 或 Microsoft Agent Framework， Claude Agent SDK（8,528）和 Microsoft Agent Framework（14,643）星标少得多，但发布很活跃。第二个错误是把 hello-world 代码当作适配的证明。上面每段代码都只运行一次模型调用， 没有一段演示恢复、审批或追踪，而这些才是框架真正不同的地方。

第三个错误是忽略条款和许可证。这里大多数项目是 MIT 或 Apache-2.0，但 Mastra 的 ee/ 目录在生产中需要许可证，Claude Agent SDK 受 Anthropic 商业服务条款约束。 第四个错误是期待一个框架包办一切。常见而合理的技术栈是：一个框架负责智能体循环，另用向量库或记忆层、MCP 服务器提供工具、可观测性后端，每个都可替换。保持这些接缝清晰，才能让以后的迁移可承受。

评估方法

星标、许可证和版本来自 2026 年 11 月 12 日的 GitHub API。功能说明来自各项目的 README 和官方文档，当天抓取。当页面没有提到某项功能时，表格写“未说明”而不是猜测。 我没有在生产环境中运行每个框架，因此优缺点反映的是有文档的能力，而不是压力测试。代码片段取自或节选自官方页面，安装命令与发布时一致。本排名没有付费推广位，也没有联盟链接。 所有内容截至 2026 年 11 月 12 日，之后会发生变化，尤其是版本号每周都在变。

常见问题

来源

均抓取于 2026 年 11 月 12 日。

• GitHub REST API：所对比的 15 个仓库的星标、许可证和版本
• LangGraph README 和 LangGraph 概览文档
• OpenAI Agents SDK 文档 和 README
• Claude Agent SDK 概览 和 Python README
• Google ADK 文档 和 README
• CrewAI README
• Microsoft Agent Framework 概览 和 README
• Pydantic AI 概览 和 README
• Mastra 文档 和 README 与 LICENSE.md
• LlamaIndex 智能体教程 和 README
• Vercel AI SDK 智能体概览 和 仓库
• Agno README
• smolagents README
• YouTube：AI Agent Frameworks Explained（S3CloudHub）