跳到主要内容

三大框架横评

LangGraph、CrewAI、AutoGen 三种编排范式的取舍，按确定性、上手速度和成本选型

核心要点：

  • LangGraph：有向图 + 内置 checkpoint，最确定
  • CrewAI：角色 crew，上手最快
  • AutoGen：会话 GroupChat，最灵活但最贵
  • 三者编排范式截然不同
  • 按确定性 / 上手速度 / 成本选型

本文横评三个主流多 agent 框架。多 agent 何时该用的取舍见 03-多agent-fanout。

三框架的编排范式有何不同？​

核心问题：LangGraph、CrewAI、AutoGen 组织 agent 的方式各是什么？

三者分别用有向图、角色 crew、会话三种范式，这是它们最根本的区别[1]。范式决定了各自的表达力与约束。

  • LangGraph：有向图——节点是步骤、边是转移，控制流显式且静态，编译后结构可检查。
  • CrewAI：角色 crew——给每个 agent 定义角色和目标，用 Sequential 或 Hierarchical process 串起协作。
  • AutoGen：会话 GroupChat——agent 之间通过对话轮流发言（RoundRobin/Selector 等），最接近"多 agent 聊天"。

可借鉴的第一判断：要可预测的确定性流程选图(LangGraph)，要快速搭角色协作选 crew(CrewAI)，要灵活的对话式协作选会话(AutoGen)。

状态与成本怎么比？​

核心问题：选框架时，状态持久化和 token 成本差多少？

LangGraph 状态最可控、成本最低，AutoGen 最灵活但 token 最高[1]。差异主要来自范式。

框架编排范式状态持久化上手相对 token 成本
LangGraph有向图内置 checkpoint（可 time-travel）较高最低
CrewAI角色 crew任务输出顺序传递最快中
AutoGen会话 GroupChat对话历史（默认内存）中最高

@tbl-agent-orch-framework-compare LangGraph、CrewAI、AutoGen 三框架编排范式、状态持久化方式、上手难度与相对 token 成本横向对比

成本差异的根源：AutoGen 的 GroupChat 每轮都要带累积对话历史做完整 LLM 调用，多 agent 多轮辩论的调用数迅速膨胀；LangGraph 的静态图让状态流转更精简。具体 token 量级各横评给出的数字差异较大（单一来源量级参考），此处只给相对排序。LangGraph 的内置 checkpoint 机制细节见 06-长任务与状态。

各自适合什么场景？​

核心问题：实际项目里，三个框架怎么对号入座？

按"确定性需求 vs 灵活性需求 vs 上手速度"分流[1]。三者的定位互补而非互相替代。

  • LangGraph：生产级复杂决策管道、合规系统——要确定性、可审计、状态可恢复时首选，代价是上手成本高。
  • CrewAI：快速原型、内容/分析团队协作——YAML 驱动上手最快，但生产环境需额外加固。
  • AutoGen：代码生成（迭代批评-修改循环）、human-in-the-loop——灵活性最好，但需显式 termination 条件防止无限循环，且 token 成本最高。

可借鉴的选型逻辑：生产合规重确定性→LangGraph；快速验证想法→CrewAI；探索式对话协作→AutoGen。框架之外，也要回到 03-多agent-fanout 的根本判断——任务是否真的需要多 agent。

Takeaway​

知识点核心结论
LangGraph有向图 + checkpoint，最确定，成本最低，上手最难
CrewAI角色 crew，上手最快，生产需加固
AutoGen会话 GroupChat，最灵活，token 最高，需防无限循环
范式差异图 / crew / 会话，决定表达力与约束
选型确定性→LangGraph；快速原型→CrewAI；对话协作→AutoGen

参考资料​

  1. 多框架横评（LangGraph / CrewAI / AutoGen 官方文档 + 第三方对比，2025-2026）；表中"相对 token 成本"排序为基于编排范式的定性推断，非统一实测。https://www.langchain.com/langgraph / https://docs.crewai.com / https://microsoft.github.io/autogen/stable/

延伸阅读​