去年这时候，我们想给客服系统接一个能查订单、能改地址的 AI 助手。我第一反应是：上 LangChain。
然后我就陷进去了。不是 LangChain 不好，是它太全了——全到我不知道从哪下手。文档翻了三天，示例跑起来一个，一改需求就报错。最后那个助手是用 Dify 拖出来的，两天上线，跑到现在。
我把这段经历讲给一个做技术的朋友听，他说了句我记到现在的话：选 Agent 框架，看的不是谁最厉害，是你能不能在一个下午把它跑起来。
下面这十个，我大部分都真上手用过。我尽量不说虚的，直接按"你会遇到什么需求"来讲。
先给结论，省得你往下划
- 你只是想把重复的活儿自动化（比如每天抓数据、发报告）：n8n，别写代码。
- 公司要搭一个能问答、有界面的内部知识库：Dify，拖拽搞定。
- 你是工程师，要把 agent 嵌进现有 Python 服务：Pydantic AI 或 Agno，类型安全，好维护。
- 你要搞多 Agent 互相吵架、分工干复杂任务：AutoGen 或 CrewAI。
- 你的核心需求是"让模型读懂我的文档然后回答"：LlamaIndex，配不配 LangChain 看你心情。
LangChain 不是没位置，它适合"我就是要底层控制、愿意花时间学"的团队。但对大多数人，它是杀鸡用牛刀。
第一类：你只是想自动化点重复活
我司运营每天要干一件蠢事：从三个后台导出 CSV，拼成一个表，发到群里。纯手工，二十分钟，还经常错。
这种需求，上任何"框架"都是浪费。n8n 一个可视化工作流就解决了。节点一拖，HTTP 请求一接，定时触发器一设，跑。它现在也接了 AI 节点，你能在流程里插一个"总结这一段"或者"分类这批邮件"。
n8n 是开源的，能自己部署，节点生态大到离谱。我那个 CSV 拼接，从想法到上线，一个午休时间。
真事：我一开始想用 Python 脚本写，写了半小时还在调 requests 的超时。换成 n8n 拖了六七个节点，十分钟搞定。有些战斗不值得打。
第二类：公司内部知识库问答
这个场景太常见了：把公司文档喂进去，员工用自然语言问"年假怎么请""上个版本改了啥"。
Dify 在这里几乎是降维打击。它有完整的前端界面，你上传文档、配个模型、设好权限，一个能用的问答机器人就出来了。还能接企业微信、飞书。我们那个客服助手就是它干的。
它背后其实也是 LangChain / LlamaIndex 那套 RAG 逻辑，但 Dify 把"部署、界面、权限、日志"这些工程活全包了。你付出的代价是：灵活性不如自己写，深度定制会撞到它的边界。
如果 Dify 的功能边界不够你折腾，LlamaIndex 就是那个底层。它专门解决"怎么把你的数据喂给模型"这件事——索引、检索、重排，都是它的强项。我一般会 LlamaIndex 管数据，再决定要不要套 LangChain 编排流程。
第三类：你是工程师，要写进代码里
我有个同事做交易风控，需要在 Python 服务里嵌一小段 agent 逻辑：读行情、判断异常、调接口告警。这种不能拖拽，得写代码。
他最后选了 Pydantic AI。理由很工程师：它用 Pydantic 做类型校验，agent 输出的结构你能框死，IDE 补全友好，调试不抓瞎。对于本来就在写类型化 Python 的团队，它比"什么都能塞"的框架顺手太多。
Agno（早叫 Phidata）也走这条路线，更偏"多 agent + 记忆 + 知识库"一体，写起来轻。我们另一个小项目用它，几行就能拉起一个带长期记忆的 agent。
这两个的共同点是：不跟你绕弯子，代码即一切，适合能写、也愿意维护的人。
第四类：多 Agent 分工干复杂活
这是 2025 年最火的方向。一个 agent 当项目经理，一个当写手，一个当审稿人，互相丢活儿。
AutoGen（微软出品）是这块的开山祖。它用"对话"来驱动多个 agent 协作，你能看到它们真的在群里讨论问题。适合研究型和复杂编排。
CrewAI 走的是"角色扮演"路线：你定义一组有岗位的角色（研究员、写手、审稿），它们按流程协作。它不依赖 LangChain，独立运行，部署比 AutoGen 轻，社区也猛。
我个人的体会：多 agent 听着酷，但"协作"本身有成本。每次多一个 agent，debug 的难度是指数涨的。除非任务真的复杂到单 agent 理不清，否则别上。
我见过最离谱的，是一个本来一个 prompt 能解决的分类任务，被人套了四个 agent 来做。跑一次烧三倍的 token，还经常三个 agent 吵不出结果。复杂是为了解决问题，不是为了显得高级。
横向对照：十个性格各不同
下面是公开数据和我的体感整理的对照。星数是 GitHub 上的量级（会涨），价格看官方。
| 框架 | 类型 | aibounty 编辑评分 | 上手难度 | 适合 |
|---|---|---|---|---|
| LangChain | 全栈编排库 | 88 (A) | 高 | 要底层控制的团队 |
| LlamaIndex | RAG/索引 | 86 (A) | 中 | 文档问答为核心 |
| AutoGen | 多 agent 对话 | 84 (A) | 中高 | 研究/复杂协作 |
| CrewAI | 角色化多 agent | 82 (A) | 中 | 流程化多 agent |
| Dify | 低代码平台 | 93 (S) | 低 | 内部工具/问答 |
| n8n | 可视化工作流 | 85 (A) | 低 | 自动化重复活 |
| Pydantic AI | 类型安全库 | 78 (B) | 中 | 嵌进 Python 服务 |
| Agno | 轻量多 agent | 75 (B) | 中 | 带记忆的小 agent |
| Semantic Kernel | 微软企业栈 | 78 (B) | 中 | .NET/Java 企业 |
| Smolagents | 极简 agent | — | 低 | 想看 agent 本质 |
我给你的一张决策图
要是你懒得看上面那堆，照这个走：
- 不想写代码、只是自动化 → n8n
- 要个能用的内部问答/助手、最好有界面 → Dify
- 要读文档回答、Dify 不够 → LlamaIndex
- 写 Python 服务、要可控可维护 → Pydantic AI / Agno
- 真要多个 AI 分工 → CrewAI（好部署）或 AutoGen（强编排）
- 以上都不够你造 → LangChain，但先想清楚你到底要它哪一块
别一上来就 LangChain。我那个三天没跑通的教训，希望你看完省下来。
这些框架我们每天都在 [AIbounty](/) 上跟进新版本和替代品。光 agent 这个分类里现在就三百多个，从大厂出品到个人项目都有，挑花眼的时候去翻翻，比看官网文档能少踩不少坑。
评分说明：上表「aibounty 编辑评分」为站内编辑自有评分（5 维各 0-20 分、合计 0-100：成熟度 / 生态 / 能力 / 独特性 / 国内可达），独立于 GitHub 星标，反映我们对工具实际定位的判断，仅供横向参考。