2026 年做 AI Agent / 自动化助手 / 工具编排，可选的框架不少。按技术栈和使用场景推荐。
一句话选型
| 场景 / 栈 | 首选 |
|---|---|
| 生产级多 Agent、复杂流程 | LangGraph |
| Next.js / TypeScript 栈 | Mastra |
| Python + 类型安全 | PydanticAI |
| 多角色协作模拟 | CrewAI |
| 微软生态 | AutoGen |
| 轻量 + 只用 OpenAI | OpenAI Agents SDK |
LangGraph（生产级首推）
LangGraph 是 LangChain 团队的新一代框架——基于状态机而不是 chain，比传统 LangChain Agent 稳定很多。
核心概念：一个 Agent 是一张有向图，节点是”要做什么”，边是”下一步去哪儿”。
from langgraph.graph import StateGraph
def planner(state):
return {"plan": llm(state["query"])}
def executor(state):
return {"result": tool_call(state["plan"])}
graph = StateGraph(dict)
graph.add_node("plan", planner)
graph.add_node("execute", executor)
graph.add_edge("plan", "execute")
graph.set_entry_point("plan")
app = graph.compile()
app.invoke({"query": "帮我订机票"})优势：
- 显式状态机、执行流程可视化
- 支持 Human-in-the-Loop（中断、审核、恢复）
- 支持 checkpoint 持久化
- 复杂 workflow 也能表达
- 生产环境案例最多——很多公司已经从 LangChain Agent 迁到 LangGraph
缺点：学习曲线不低，Python + TS 双语言。
Mastra（Next.js 生态首选）
Mastra 是全 TypeScript 的 Agent 框架，跟 Vercel AI SDK 生态贴合。
import { Agent } from "@mastra/core";
import { openai } from "@ai-sdk/openai";
const agent = new Agent({
name: "Assistant",
model: openai("gpt-5"),
tools: [webSearch, calculator],
});
const result = await agent.text("北京今天多少度？");优势：
- TS 全栈，类型贯穿
- Agent / Workflow / Memory / RAG 一站式
- 部署到 Vercel / Cloudflare Workers 都方便
- 学习曲线比 LangGraph 低
适合：Next.js 项目里直接嵌 Agent、Vercel/Cloudflare 部署、快速迭代。
PydanticAI（Python 类型党）
PydanticAI 是 Pydantic 团队做的——Structured Output 特别强，走类型驱动。
from pydantic_ai import Agent
from pydantic import BaseModel
class Answer(BaseModel):
city: str
temp: float
condition: str
agent = Agent("openai:gpt-5", result_type=Answer)
result = agent.run_sync("北京今天多少度？")
print(result.data.city, result.data.temp) # 强类型输出优势：
- 输出直接是 Pydantic 模型，编辑器自动补全
- 支持 OpenAI / Anthropic / Google / Ollama
- 依赖注入优雅
- 适合科研 / 数据分析 / 代码 Agent
CrewAI（多 Agent 协作）
CrewAI 把 Agent 组织成”团队”，每个 Agent 有角色：
from crewai import Agent, Task, Crew
researcher = Agent(role="研究员", goal="找资料")
writer = Agent(role="写作", goal="写报告")
reviewer = Agent(role="审校", goal="审核")
task1 = Task(description="研究 xxx", agent=researcher)
task2 = Task(description="写报告", agent=writer)
task3 = Task(description="审核", agent=reviewer)
crew = Crew(agents=[researcher, writer, reviewer], tasks=[task1, task2, task3])
crew.kickoff()适合：复杂业务流程模拟——产品-开发-测试-运维流水线；市场调研 → 分析 → 报告。
缺点：抽象层多、开销较大、生产环境案例不如 LangGraph。
AutoGen（微软）
AutoGen 强项在多 Agent 对话：
from autogen import AssistantAgent, UserProxyAgent
assistant = AssistantAgent("assistant", llm_config={...})
user = UserProxyAgent("user", code_execution_config={...})
user.initiate_chat(assistant, message="写个爬虫爬 GitHub trending")Agent 之间”对话”完成任务，还能自动执行代码。学习曲线较高，生产环境案例相对少。
OpenAI Agents SDK
OpenAI Agents SDK 是 OpenAI 官方的轻量 Agent 框架：
from agents import Agent, Runner
agent = Agent(
name="Helper",
instructions="回答问题",
tools=[web_search, calculator],
)
result = Runner.run_sync(agent, "北京今天多少度？")适合：只用 OpenAI 模型 + 简单场景。想接 Claude / Gemini 就得考虑其它。
对比矩阵
| 框架 | 语言 | 状态管理 | 多 Agent | 生产案例 | 学习曲线 |
|---|---|---|---|---|---|
| LangGraph | Python/TS | 状态机 | ✅ | 最多 | 中偏难 |
| Mastra | TypeScript | 简单 | ✅ | 中 | 低 |
| PydanticAI | Python | 简单 | 有限 | 中 | 低 |
| CrewAI | Python | 简单 | ✅ | 中 | 低 |
| AutoGen | Python | 对话 | ✅ | 少 | 高 |
| OpenAI SDK | Python | 简单 | 有限 | 少 | 极低 |
建议
- 一开始就要上生产、多 Agent、需要审核流程 → LangGraph
- 和 Next.js 网站集成、要部署到 Vercel → Mastra
- 科研 / 数据分析、追求类型安全 → PydanticAI
- 只做 demo / 内部工具、就用 OpenAI → OpenAI Agents SDK
- 要模拟一个团队协作 → CrewAI
MCP 生态
不管选哪个，都建议同时接入 MCP（Model Context Protocol）——一层协议，让所有 Agent 框架能共享工具（Context7、Playwright MCP、Slack MCP 等）。所有主流框架都有 MCP client 支持。
一句话总结
LangGraph 是当前生产 Agent 的最佳选择。TS 栈用 Mastra、Python 类型党用 PydanticAI、多角色模拟用 CrewAI。Agent 生态在 MCP 出来后开始有统一入口，选框架同时接 MCP 是长期正确的方向。