2025 年以来，AI Agent 从一个 buzzword 变成了实实在在的生产力工具。但当你真正想动手做一个 Agent 项目时，第一个问题就卡住了：到底用什么框架？

LangChain、LangGraph、CrewAI、AutoGen、Claude API、OpenAI Assistants……光是列出来就够让人头疼的。更别说每个框架还不断在迭代。

我在过去一年里用不同框架做了几个 Agent 项目，踩了不少坑，这篇就是我的选型清单。

一、选型之前，先回答 4 个问题

技术选型不是比谁的星星多，而是看它适不适合你的场景。动笔之前，先问自己：

1. 单 Agent 还是多 Agent？

---

单 Agent：一个 AI 全程干活，适合任务明确的工具（如翻译助手、客服问答）。

多 Agent：多个 AI 角色协作，适合复杂流程（如写文→配图→审核→发布）。

选型影响：单 Agent 几乎所有框架都能做；多 Agent 需要原生支持编排的框架。

2. 编排方式是图、链还是路由？

---

模式	代表框架	适合场景
链（Chain）	LangChain	固定顺序流程
图（Graph）	LangGraph	有分支、循环的复杂逻辑
路由（Router）	OpenSquilla	灵活的任务分发，按需调度
对话式编排	CrewAI	角色协作、自然交互
事件驱动	AutoGen	异步、多人通信场景

3. 工具调用怎么处理？

---

Agent 的能力边界 = LLM + Tools。要关注：

框架是否原生支持 tool calling（Function Calling）

自定义工具的难度

工具执行的错误恢复机制

4. 记忆和上下文怎么管？

---

会话记忆（短期）

持久化记忆（跨会话）

检索增强（RAG）

Token 成本控制

✦ ✦ ✦

二、五大主流框架横评

各框架架构对比示意

直接上表：

特性	LangGraph	CrewAI	AutoGen	Claude API	OpenSquilla
架构	图编排	角色协作	事件驱动	对话流	微核+路由
多 Agent	✅ 图节点	✅ Role	✅ AgentChat	❌	✅ 子会话
工具扩展	✅ 函数	✅ 工具	✅ 函数	✅ Tool Use	✅ 技能插件
记忆管理	✅ 手动	⚠️ 有限	✅ 状态	❌	✅ 四层记忆
成本优化	⚠️ 自配	❌	❌	❌	✅ ML 路由+缓存
本地部署	✅ 开源	✅ 开源	✅ 开源	❌ SaaS	✅ 开源
学习曲线	⚠️ 较陡	✅ 平缓	⚠️ 中等	✅ 简单	✅ 简单
适合项目	复杂流程	团队协作	多人通信	快速原型	生产级交付

各框架一句话总结

LangGraph

：功能最全，但你要自己搭很多东西，适合有经验的团队

CrewAI

：上手快，Python 开发者的首选，但重度场景性能有瓶颈

AutoGen / AG2

：微软出品，多 Agent 通信能力强，但文档不够成熟

Claude API

：直接调 API 写 tool use 最简单，但没法做持久化 Agent

OpenSquilla

：开箱即用的生产级方案，记忆、路由、成本控制全内置

✦ ✦ ✦

三、选型决策树

技术选型决策树

你的项目是什么样的？ │ ├─ 快速原型 / PoC │ └─ Claude API / OpenAI SDK │ ├─ 单 Agent 内部工具 │ └─ CrewAI 或 LangChain │ ├─ 复杂多 Agent 编排 │ ├─ 有图结构 → LangGraph │ └─ 事件驱动 → AutoGen │ ├─ 生产级交付（要考虑成本、记忆、安全） │ └─ OpenSquilla ✅ │ └─ 不想写代码、要开箱即用 └─ OpenSquilla（CLI 一键启动 + Web UI）

✦ ✦ ✦

四、🎯 完整示例：基于 OpenSquilla 的公众号自动发文 Agent

理论说再多不如一个实例。这是我用 OpenSquilla 做的一个真实项目——

项目需求

输入一个主题，自动完成「搜索资料 → 写文章 → AI 配图 → HTML 排版 → 发布到微信公众号草稿箱」

技术选型决策

决策项	选择	理由
框架	OpenSquilla	内置技能、记忆、成本优化
Agent 数量	单 Agent + 子会话	主 Agent 调度，子会话并发搜索
工具调用	技能插件	35+ 原生技能，5 行代码可扩展
图片生成	硅基流动 Kolors API	免费模型，通过技能调用
记忆	内置四层记忆	跨会话保持配置和偏好
发布	自定义微信 API 技能	wechat-article-pipeline

完整代码（核心技能逻辑）

from opensquilla import skill, task @skill(name=“wechat-article-pipeline”) def wechat_pipeline(topic: str): “”“公众号文章全自动流水线”“”

Step 1: 选题确认 suggestions = brainstorm_topics(topic) selected = await confirm_selection(suggestions) # Step 2: 搜索 + 资料收集 with sub_agent(“researcher”) as researcher: sources = researcher.search(selected, n=5) # Step 3: 撰写文章 article = write_article(selected, sources) article = humanizer_rewrite(article) # Step 4: 生成配图 cover = generate_image(article.theme, type=“cover”) images = [generate_image(s) for s in article.sections] # Step 5: HTML 排版 + 发布草稿箱 html = format_wechat_html(article, cover, images) result = publish_to_draft(html, cover) return f"✅ 草稿已创建"

效果实测

自动化流水线输出示例

用这个技能跑一篇文章的全流程耗时：

环节	耗时	说明
选题 + 搜索	~30 秒	多关键词搜索 + 抓取详情
撰写 3000 字	~15 秒	含 Humanizer 润色
生成 4 张配图	~40 秒	硅基流动 Kolors API
排版 + 发布草稿箱	~5 秒	微信 API 一站式
全流程	~90 秒	从零到公众号草稿箱

✦ ✦ ✦

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】