框架与工具选型矩阵

把原文首页提到的 13 个 Agent 框架和 8 个工具/平台放到一张表里：定位、适合谁、注意什么、本站先看哪一节。定位来自原教程，评价是学习建议，不是 benchmark。

使用前提：版本、许可证、价格与可用地区变化很快。表里的「适合 / 注意」用于缩小候选，不构成选型结论；真正决定前，跑一个 1 天能完成的最小 demo，并核对官方文档。

01先问三个问题

① 流程确定吗？

步骤可枚举 → 用工作流（4.3）；路径不确定 → 用 Agent。大多数“Agent 需求”其实是工作流。

② 团队是什么栈？

Python → LangGraph / LangChain / CrewAI / PydanticAI；TypeScript → Mastra；.NET → Semantic Kernel。

③ 能接受多大锁定？

平台快，但要看数据/流程能否导出；库灵活，但状态、部署、观测要自己搭。

0213 个 Agent 框架

按原教程顺序排列；官方仓库链接来自原文所列项目，点开前请自行确认许可证与当前版本。

“适合 / 注意”是学习建议，不是性能排名
框架	定位	适合	注意	先看
OpenAI Agents SDK 官方仓库 ↗	轻量级 Agent 开发框架	想快速上手官方抽象、做轻量编排	生态较新；复杂状态/持久化仍需自己补	对应小节 →
LangGraph 官方仓库 ↗	状态机式 Agent 编排	长任务、需要断点恢复或审批	学习曲线与图设计成本；简单任务别上图	对应小节 →
LlamaIndex 官方仓库 ↗	RAG + Agent 框架	文档密集的知识库与企业搜索	索引维护与检索评估才是主要工作量	对应小节 →
Semantic Kernel 官方仓库 ↗	企业级 Agent 编排	.NET / 企业集成、已有微软技术栈	概念较多，先读官方概念图再动手	对应小节 →
PydanticAI 官方仓库 ↗	类型安全 Agent 开发	工程化、强类型、需要可测试输出	生态相对小；复杂编排要自己搭	对应小节 →
Mastra 官方仓库 ↗	现代全栈 Agent 框架	TypeScript / Node 全栈应用	JS/TS 生态；Python 团队不适用	对应小节 →
Agno（原 Phidata）官方仓库 ↗	多 Agent 应用框架	快速搭多 Agent 应用与助手	抽象迭代快；锁定前先确认数据可导出	对应小节 →
Camel-AI 官方仓库 ↗	多智能体协作框架	研究角色协作、模拟对话	生产可控性与成本要额外设计	对应小节 →
MetaGPT 官方仓库 ↗	软件公司模拟框架	模拟软件团队、生成项目骨架	成本高、确定性低，更适合实验	对应小节 →
Swarms 官方仓库 ↗	Agent 集群编排	批量任务、集群实验	协调与成本是主要风险	对应小节 →
Haystack 官方仓库 ↗	搜索与知识增强 Agent	企业搜索、RAG 流水线	Agent 能力相对专注；复杂自主循环需组合	对应小节 →
Atomic Agents 官方仓库 ↗	可组合 Agent 架构	想要清晰分层与可测试性	社区规模较小，案例较少	对应小节 →
DSPy 官方仓库 ↗	声明式 Prompt / Agent 框架	评测驱动、需要系统化调优	学习曲线与编译/优化成本	对应小节 →

038 个工具 / 平台

来自原文「学习资源」表；这里补上“注意”和本站对应小节，不重复价格与额度。

工具解决“怎么落地”，框架解决“怎么组织”
工具 / 平台	定位	关键优势	注意	先看
DuMate（百度搭子）	桌面办公 Agent	文件整理、Excel、PPT、浏览器操作	需独立工作区 + 人工验收；产品信息以官网为准	对应小节 →
MonkeyCode	AI 应用开发平台	云端环境，需求 → 开发 → Review	额度、模型支持与可用地区以官网为准	对应小节 →
n8n 官网/仓库 ↗	工作流自动化	集成面广、可自托管、可视化	适合确定性流程，不适合复杂推理编排	对应小节 →
Dify 官网/仓库 ↗	可视化 LLM 应用平台	RAG、工作流、Agent 内置，可自托管	复杂逻辑仍建议回到代码；注意许可证	对应小节 →
LangChain 官网/仓库 ↗	代码级 Agent 框架	生态大、组件全、教程多	版本变化快，旧教程 API 可能已迁移	对应小节 →
AutoGen 官网/仓库 ↗	多 Agent 对话框架	角色协作、群聊、代码执行	0.4+ 与旧版 API 差异大，注意迁移	对应小节 →
CrewAI 官网/仓库 ↗	多角色编排框架	角色 / 任务 / Crew 结构清晰	角色越多成本越高，先用 3 个验证	对应小节 →
AutoGPT 官网/仓库 ↗	自主任务执行（早期项目）	目标驱动、循环执行，范式启蒙	历史意义大于生产使用，适合了解思路	对应小节 →

04怎么用这张表

推荐路径：先定形态，再选工具，最后写代码
步骤	做什么	对应小节
1 · 定形态	先判断是工作流、单 Agent 还是多 Agent；写不出一页纸的流程就别选框架	4.1 架构 · 4.3 工作流
2 · 选平台	需要可视化/快速验证 → Dify、n8n；需要代码控制 → LangChain / LangGraph	4.2 平台选型
3 · 搭最小闭环	手写一次循环 + 2 个工具，再决定用哪个框架替代样板代码	5.4 Python 实现 Agent
4 · 上多 Agent	只有子任务异构、且单 Agent 已验证不够时，才引入 CrewAI / AutoGen / Swarms	8.1 多智能体
5 · 控长期运行	长任务用图/检查点；持续改进用 harness 与 loop 的预算、验证、停止条件	6.2 LangGraph · 7.2 · 7.3

一个反直觉建议：先用「模型 + 3 个工具 + 一个循环」跑通需求，再选框架。框架解决的是协作、状态与运维，不是需求验证；先选框架再找问题，通常会把复杂度花在不需要的地方。

来源：框架定位与工具清单整理自 runoob AI Agent 教程；“注意 / 适合”为本站学习建议。想按关键词找具体章节，用全文搜索；想按原文顺序查，用全部目录。