学前导读：Agent 框架这一章到底在学什么

本章定位

这一章解决的是：市面上那么多 Agent 框架，到底分别在抽象什么，应该怎么选。前面你已经学过 Agent 的目标、计划、工具、记忆、MCP 和安全边界；如果直接跳到框架，很容易陷入“哪个最火就学哪个”的误区。

框架不是魔法，它只是把某些重复工程抽象出来。LangGraph 更强调可控状态图和工作流，LlamaIndex 更强调数据和知识库应用，CrewAI 更强调角色协作，AutoGen 更强调多 Agent 对话式协作。选框架之前，先要知道自己的任务到底是固定流程、RAG 应用、开放探索，还是多角色协作。

本章在 Agent 学习路线中的位置

如果你还不能解释工具 schema、执行轨迹、停止条件和人工确认，建议先不要急着使用复杂框架。框架会放大你的设计：边界清晰时它能提高效率，边界不清时它会让问题更难排查。

不同框架在抽象什么

框架/方向	更适合的任务	你应该重点观察什么
LangGraph	有状态、多步骤、需要可控分支和回退的 Agent 工作流	状态如何定义，节点如何转移，失败后如何恢复
LlamaIndex	文档、知识库、RAG、数据连接型应用	数据如何接入，索引如何构建，检索和生成如何评估
CrewAI	多角色协作、内容生产、研究分析、流程分工	角色是否清晰，任务交接是否可控，最终负责人是谁
AutoGen	多 Agent 对话、代码协作、实验型自动化	对话何时停止，工具权限如何限制，循环如何避免
低代码/平台化工具	快速原型、业务流程演示、非工程团队协作	可观测性、可移植性、版本管理和上线边界

这张表不是排名，而是选型地图。真实项目里也可以混合使用，例如用 LlamaIndex 管知识库，用 LangGraph 编排流程，用 MCP 接工具，用自己的日志系统做评估和追踪。

本章学习顺序

第一步先读框架总览，理解框架为什么出现：不是为了让 Agent 更“聪明”，而是为了让状态、工具、流程、记忆和日志更容易组织。第二步学习 LangChain/LangGraph，重点看状态图、节点、边、条件分支和可恢复执行。第三步看 LlamaIndex，理解它为什么更接近“数据应用框架”。第四步看 CrewAI 和 AutoGen，比较角色协作和多 Agent 对话的优缺点。最后再读框架选型，形成自己的决策表。

什么时候不该用框架

如果任务只有固定三步，普通函数和工作流可能比 Agent 框架更稳。如果只是课程问答，基础 RAG 加评估集可能比多 Agent 更容易上线。如果任务涉及删除文件、发消息、改数据库或付款，应该先设计权限、确认和回滚，而不是先选框架。

框架适合在复杂度已经出现时引入：状态越来越多、工具越来越多、流程需要分支、失败需要恢复、执行轨迹需要保存、多角色协作需要约束。不要为了使用框架而制造复杂度。

本章小项目出口

建议做一个“同一任务两种实现”的小实验。任务可以是“根据课程资料生成一周复习计划”。基础版用普通 Python 函数实现固定流程：读取目标、查资料、生成计划、输出清单。标准版用 LangGraph 或类似框架实现同样流程，并记录状态、节点和执行轨迹。挑战版再加入一个知识库检索节点或人工确认节点。

项目 README 要回答：为什么这个任务需要或不需要框架，状态里保存了什么，工具有哪些权限，失败时如何停止，和不用框架的版本相比，复杂度增加是否值得。

框架选型自查清单

选框架前先问五个问题：任务是否真的需要多步骤状态；是否需要访问外部数据或知识库；是否需要多角色协作；是否需要可恢复执行和日志；是否有高风险动作需要人工确认。答案越多为“是”，越值得引入框架；答案越多为“否”，越应该保持简单。

过关标准

学完这一章后，你应该能解释 LangGraph、LlamaIndex、CrewAI、AutoGen 的侧重点，能判断一个任务是否值得引入框架，能做出一个最小可控 Agent 工作流，并能在 README 里写清楚框架带来的收益、代价和风险边界。