AI Agent框架2026：LangChain vs AutoGen vs CrewAI深度对比

from langgraph.graph import StateGraph, END
from typing import TypedDict, List

class ResearchState(TypedDict):
    topic: str
    search_results: List[str]
    outline: str
    draft: str
    final_report: str

def search(state):
    results = web_search(state["topic"])
    return {"search_results": results}

def create_outline(state):
    outline = llm.generate(f"基于以下内容创建大纲: {state['search_results']}")
    return {"outline": outline}

def write_draft(state):
    draft = llm.generate(f"基于大纲写初稿: {state['outline']}")
    return {"draft": draft}

def review_and_refine(state):
    refined = llm.generate(f"优化这篇初稿: {state['draft']}")
    return {"final_report": refined}

graph = StateGraph(ResearchState)
graph.add_node("search", search)
graph.add_node("outline", create_outline)
graph.add_node("draft", write_draft)
graph.add_node("refine", review_and_refine)
graph.add_edge("search", "outline")
graph.add_edge("outline", "draft")
graph.add_edge("draft", "refine")
graph.add_edge("refine", END)
graph.set_entry_point("search")
app = graph.compile()

import autogen

researcher = autogen.AssistantAgent(
    name="Researcher",
    system_message="你是一个研究员，负责搜索和整理信息。",
    llm_config=llm_config
)

writer = autogen.AssistantAgent(
    name="Writer",
    system_message="你是一个技术写手，负责根据研究结果撰写报告。",
    llm_config=llm_config
)

reviewer = autogen.AssistantAgent(
    name="Reviewer",
    system_message="你是一个编辑，负责审阅和优化文章。",
    llm_config=llm_config
)

user_proxy = autogen.UserProxyAgent(
    name="User",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=10
)

groupchat = autogen.GroupChat(
    agents=[user_proxy, researcher, writer, reviewer],
    messages=[],
    max_round=15
)

manager = autogen.GroupChatManager(groupchat=groupchat)
user_proxy.initiate_chat(manager, message="研究多模态大模型的最新进展，写一篇分析报告")

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role='Research Analyst',
    goal='搜索和整理技术信息',
    backstory='你是一位经验丰富的技术研究员，擅长快速找到关键信息。',
    tools=[search_tool],
    verbose=True
)

writer = Agent(
    role='Technical Writer',
    goal='根据研究结果撰写报告',
    backstory='你是一位资深技术写手，擅长将复杂技术概念转化为易懂的文章。',
    verbose=True
)

reviewer = Agent(
    role='Editor',
    goal='审阅和优化文章质量',
    backstory='你是一位严格的编辑，追求完美的文章质量。',
    verbose=True
)

research_task = Task(
    description='研究多模态大模型的最新进展',
    expected_output='详细的研究笔记',
    agent=researcher
)

writing_task = Task(
    description='根据研究笔记撰写分析报告',
    expected_output='结构完整的技术分析报告',
    agent=writer
)

review_task = Task(
    description='审阅并优化报告',
    expected_output='最终版报告',
    agent=reviewer
)

crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, writing_task, review_task],
    process=Process.sequential
)

result = crew.kickoff()

你的需求是什么？
│
├── 需要精确控制工作流（状态机、分支、循环）
│   └── → 选择 LangGraph
│       （适合：生产级系统、复杂业务流程、需要断点恢复）
│
├── 需要多Agent自然协作（讨论、协商、群聊）
│   └── → 选择 AutoGen
│       （适合：研究探索、创意协作、头脑风暴）
│
├── 需要快速原型开发（简单直观、低学习成本）
│   └── → 选择 CrewAI
│       （适合：MVP验证、非技术团队、简单工作流）
│
└── 不确定？
    └── → 从 CrewAI 开始（最容易上手），遇到瓶颈再迁移到 LangGraph