2026年LLM框架选型攻略：告别焦虑，从上下文工程出发打造高效Agent！

AGI大模型老王

529人浏览 · 2026-03-06 20:14:14

AGI大模型老王 · 2026-03-06 20:14:14 发布

你选的不是框架，是上下文工程方案

有个概念这两年被提得越来越多：Context Engineering（上下文工程）。

Agent 能不能好好干活，核心不在于用哪个框架，而在于你给它的上下文够不够好。对话历史怎么管、工具调用结果怎么传、记忆怎么存、任务怎么分解——这些才是关键。

ninehills（https://github.com/ninehills/blog/issues/150）在 GitHub 上维护了一份「自主 Agent / 上下文工程资料索引」，重要论文和文章都整理在一起。目前中文圈做得最系统的资料汇总，值得收藏。

框架只是实现上下文工程的工具。搞清楚这个，选框架就不会那么焦虑了。

上下文工程四大要素：对话历史管理、工具调用路由、记忆存储、任务分解，中心是 Agent 输出质量

先去哪里看？

几个值得花时间的资源：

Agent 指南（https://agent-guidance.manus.space/）：22 篇文章组成知识图谱，从"什么是 Agent"讲到"生产级系统设计"，互动式教程，免费，中英文都有。

Hello Agents（Datawhale）（https://datawhalechina.github.io/hello-agents）：「从零开始构建智能体」，国内社区做的，适合刚入门把概念搞清楚。

Nader 的完整构建指南（https://nader.substack.com/p/the-complete-guide-to-building-agents）：用 Claude Agent SDK 构建 Agent 的全流程，Claude Code 的底层原理讲得很透。

Nazha.co的文章（https://www.nazha.co/posts/how-to-build-agents）：实操向，重点讲 Claude Agent SDK 怎么用，以及怎么兼容 Minimax、GLM、DeepSeek 这些国产模型。

框架全景

我把主流框架和工具分成六层，从简单到复杂。找到自己在哪一层，往下看就行。

Agent 框架六层架构图：从底层直接开干到顶层垂直场景，复杂度逐层递增

第一层：直接开干

Claude Agent SDK

本质是把 Claude Code 的能力包成库。spawn 一个 node 进程跑 cli.js，工具调用、长上下文、复杂推理原生支持。

几乎所有实践者都先推这个，理由只有一个：快。早上有想法，下午就能跑通。

踩坑：Electron 打包要加 asar.unpack: '**/node_modules/@anthropic-ai/**'，不然 cli.js 解包失败，App 起不来。另外通过 ANTHROPIC_BASE_URL + ANTHROPIC_API_KEY 可以对接 Minimax、GLM、DeepSeek，不是只能用 Claude。

pi-mono（https://github.com/badlogic/pi-mono，★17,938）

容易被忽视，但接近 18k star 不是假的。

这是一套工具包：coding agent CLI + 统一 LLM API（多家模型）+ TUI/Web UI + Slack bot + vLLM pods，不是单一框架。

配套有 awesome-pi-agent（https://github.com/qualisero/awesome-pi-agent）——社区维护的扩展列表，hooks、tools、skills 各种都有，生态挺完整了。

craft-agents（https://github.com/lukilabs/craft-agents-oss）

基于 Claude SDK 和 Pi SDK 构建，文档中心化 Agent 框架，自带 GUI。

核心思路是把「文档」作为 Agent 的工作对象，不是代码不是命令行。内容类、文档处理类的场景用这个。

OpenAI Agents SDK（2025 年 3 月发布）

OpenAI 自家的轻量框架，专为多 Agent 协作设计。比 LangChain 轻，比 LangGraph 好上手。用 OpenAI 模型、又不想搞那么重的，这是合理的中间选项。

第二层：前端交互

Vercel AI SDK（https://ai-sdk.dev/docs/introduction，v6 最新）

这不是完整的 Agent 框架。它是给 Next.js / React / Svelte / Vue 用的前端交互层，提供 useChat、useCompletion 等 hooks，流式渲染丝滑。v6 加了 Expo 和 React Native 支持，同时上了 Coding Agent 相关功能。

后端 Agent 逻辑还是要用别的框架来做，Vercel AI SDK 负责「把结果好看地展示出来」。

CopilotKit（https://github.com/CopilotKit/CopilotKit，★29,078）

定位是「Frontend for Agents & Generative UI」，React + Angular 都支持。

跟 Vercel AI SDK 的区别：Vercel AI SDK 是流式渲染层，CopilotKit 是 Copilot 嵌入层。要让 Agent 直接操作已有 Web 应用的 UI、跟页面元素交互，CopilotKit 才是对的工具，Vercel AI SDK 做不到这个。

第三层：类型安全

PydanticAI

Pydantic 团队做的，类型安全 + 模型无关性。定义好输出 Schema，框架保证 AI 返回符合格式的结果，换模型不用大改代码。

两句社区原话：「看了 LangGraph 和 Agno，最后选了 PydanticAI，更可控。」「只是需要工具调用 + 结构化输出的话，没必要用 LangGraph，PydanticAI 够了。」

输出要入库、要校验——解析合同、生成结构化报告、对接下游系统——选这个。

第四层：多 Agent 编排

LangChain / LangGraph（https://langchain-doc.cn/）

LangChain（★127,733）这两年从「模型接口封装」转成了「智能体工程平台」，官方定位现在是 “The platform for reliable agents.”。核心是 LangGraph（★25,248），状态机式编排，把 Agent 执行过程建模成节点和边，支持循环、分支、回滚。生产部署走 LangSmith Deployment（今年把 LangGraph Platform 改名了，但功能一样）。

学习曲线最高，控制力也最强。流程复杂、需要 HITL（人工在某个节点介入审核）、Agent 出错了要回到上一步重来——这种场景 LangGraph 才值得学。

deepagents（https://github.com/langchain-ai/deepagents，★9,705）是 LangChain 官方基于 LangGraph 做的 Agent harness，内置 planning tool、filesystem backend、子 Agent 生成。想快速理解 LangGraph 怎么用，看这个仓库比看文档直接多了。

CrewAI

角色扮演式。定义「研究员」「撰稿人」「编辑」，分配任务，协作完成。

逻辑清晰，调试时知道是哪个 Agent 出了问题——这是它比 AutoGen 好调的地方。内容生产、市场调研用这个。

AutoGen（微软）

对话协商式。Agent 之间通过对话解决问题，不是固定角色。

灵活，但也因为太灵活，有时候两个 Agent 会无限对话收不了场。代码 Review + 修复这种需要自由协商的技术问题用这个。

第五层：企业级基础设施

Mastra：TypeScript 企业级框架，工作流编排 + 知识库管理 + 工具集成打包在一起。TS 技术栈的首选。

Agno（前 Phidata）：Python 版企业级 Agent，自带记忆模块、知识库、工具调用。做公司内部 AI 助理这类应用合适。有用户反映会遇到循环调用、难以调试的问题，选型时注意。

Temporal（https://github.com/temporalio/temporal，★18,561）：不是 AI 框架，是任务持久化引擎。断网重连、自动重试、流程不丢失。做公司级应用，从架构初期就把它纳入，别等出问题了再补。

第六层：垂直场景

场景对得上能省大量时间：

opencode（https://github.com/anomalyco/opencode，★112,765）：「The open source coding agent.」star 数跟 LangChain 差不多量级，是目前开源 Coding Agent 里最大的项目。如果你要做 AI 编程助手类工具、或者想基于开源 Coding Agent 做二次开发，从这里开始。

TradingAgents-CN（https://github.com/hsliuping/TradingAgents-CN，★17,954）：中文化的多 Agent 金融交易框架，基于 LLM 做量化分析。场景在金融领域的可以直接用。

RD-Agent（https://github.com/microsoft/RD-Agent，★11,421）：微软出品，自动化工业级研发流程。Agent 要跑实验、分析数据、输出研究报告的，参考这个的设计思路。

测试和架构

上生产前不能漏的两个：

scenario（https://github.com/langwatch/scenario）：专门针对 Agentic 系统的测试框架。Agent 写完了怎么保证它在各种场景下行为符合预期？scenario 帮你写测试用例，跑自动化测试。上线前一定要过这一步。

DeepChat Agent 架构解析（https://github.com/ThinkInAIXYZ/deepchat/wiki/Agent-系统架构详解）：不是框架，是 DeepChat 项目的架构文档。对 AgentPresenter、agentLoopHandler 等核心组件有详细说明。自己设计 Agent 系统前读一遍，少走弯路。

上下文工程的实操

Agent-Skills-for-Context-Engineering（https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering，★12,619）：专门收集 Agent Skills 的仓库，覆盖上下文工程、多 Agent 架构、生产系统实践。用 Claude Agent SDK 写 Skills 的时候，来这里找参考，不用从零想。

选型决策树

你要做什么 →个人项目 / 快速验证  └→ Claude Agent SDK / pi-mono要做 Web 界面  ├→ 流式渲染 → Vercel AI SDK  └→ 嵌入现有 app 的 Copilot → CopilotKit输出要结构化、要入库  └→ PydanticAI多个 Agent 协作  ├→ 分工明确 → CrewAI  ├→ 自由协商 → AutoGen  └→ 流程复杂 / 需要人工审核 → LangGraph（+ deepagents 上手）垂直场景  ├→ 金融量化 → TradingAgents-CN  ├→ 科研 R&D → RD-Agent  └→ Coding Agent（开源最大项目）→ opencode（★112k）企业级、生产环境  ├→ TS 技术栈 → Mastra  ├→ Python 技术栈 → Agno  ├→ 任务不能丢 → + Temporal  └→ 上线前测试 → scenario
```![](http://cdn.zhipoai.cn/e389c866.jpg)

Agent 框架选型决策树：从你的场景出发，六条路径找到最适合的框架

推荐路径
----

**刚开始做 Agent**：先去 manus.space（https://agent-guidance.manus.space/） 或 hello-agents（https://datawhalechina.github.io/hello-agents） 把概念搞清楚，然后用 Claude Agent SDK 搞一个具体的小场景，比如「帮我自动整理每天的邮件」。跑通了，比把所有框架文档看一遍更有用。

**已经在用、觉得不够用**：看是哪里不够。流程控制不够，LangGraph；多 Agent 分工，CrewAI；结构化输出，PydanticAI；要做界面，Vercel AI SDK 或 CopilotKit。别一下子全上。

**要上生产、给公司用**：

```plaintext
前端：Vercel AI SDK / CopilotKit核心逻辑：Claude Agent SDK 或 LangGraph持久化：Temporal工具连接：MCP测试：scenarioSkills 参考：Agent-Skills-for-Context-Engineering