AI Agent Framework 怎么选：LangGraph、CrewAI、OpenAI Agents SDK、Google ADK 和 Mastra 该看什么
编辑标准与来源政策: 编辑标准, 团队. 内容均链至原始来源，见 方法论.
截至 2026-07-02，Agent framework 选型先看任务形状。简单工具调用不用上复杂框架。长任务、状态恢复、审批、多人协作、云端部署和可观测性，才是框架真正拉开差距的地方。
先给结论：
| 任务形状 | 优先看 | 原因 |
|---|---|---|
| 长任务、状态机、需要恢复 | LangGraph | durable execution、streaming、human-in-the-loop 是核心能力 |
| 角色分工明显的多 agent | CrewAI | crew、role、flow 更贴近多角色协作 |
| OpenAI 生态内轻量编排 | OpenAI Agents SDK | tools、handoffs、guardrails、sessions 比较直接 |
| Gemini / Google Cloud 企业项目 | Google ADK | build、debug、deploy 与 Google 生态结合更深 |
| TypeScript 产品栈 | Mastra | agents、workflows、memory、MCP 更适合 JS/TS 应用 |
| .NET / Azure 企业环境 | Microsoft Agent Framework | 更贴近 enterprise runtime 和 telemetry |
官方来源入口
| 框架 | 官方来源 | 重点看什么 |
|---|---|---|
| LangGraph | LangGraph docs、LangGraph GitHub | durable execution、human-in-the-loop、memory、streaming |
| OpenAI Agents SDK | OpenAI Agents guide、Agents SDK docs | agent definitions、tools、handoffs、guardrails、sessions |
| Google ADK | Google ADK docs、Google Cloud ADK | multi-agent、debug、deploy、enterprise workflow |
| CrewAI | CrewAI docs | crews、flows、knowledge、observability |
| Mastra | Mastra docs | TypeScript agent、workflow、memory、evals、MCP |
按任务选，不按热度选
一个 agent 项目通常会在三周后暴露问题：状态丢失、工具失败、审批缺位、日志不够、成本超出预期。框架的价值就在这些地方。
| 问题 | 框架能力 | 选型判断 |
|---|---|---|
| 任务会跑很久 | durable execution / checkpoint | LangGraph 优先进入对照 |
| 需要人审批准 | human-in-the-loop / guardrails | LangGraph、OpenAI Agents SDK 都要看 |
| 需要多个角色协作 | multi-agent orchestration | CrewAI、Google ADK、Microsoft Agent Framework |
| 需要进产品应用 | workflow、memory、observability | Mastra、OpenAI Agents SDK、LangGraph |
| 需要企业部署 | cloud deploy、policy、telemetry | Google ADK、Microsoft / Azure 生态 |
一个真实选型例子
任务：让 agent 每天读取客服反馈、归类问题、生成产品改进建议，并把高风险项发到 Slack。
| 方案 | 适合点 | 风险 |
|---|---|---|
| 自己写 loop | 起步快，依赖少 | 状态恢复、失败重试、审批会越写越多 |
| LangGraph | 状态清楚，可恢复，适合长任务 | 初学成本高一点 |
| OpenAI Agents SDK | tools 和 handoffs 直接，适合 OpenAI 栈 | 深度自定义 runtime 时要评估边界 |
| CrewAI | 产品、客服、工程三个角色容易表达 | 角色拆太细会增加噪音 |
| Google ADK | 如果数据和部署在 Google Cloud，路径短 | 非 Google 栈迁移成本高 |
这个任务如果只是每天跑一次摘要，自写 loop 可以开始。如果要人工审批、失败恢复、长期追踪同一类问题，LangGraph 或 OpenAI Agents SDK 更稳。如果公司已经在 Google Cloud，ADK 更省集成成本。
什么时候不用框架
不用框架的场景也很多：一次性脚本、单工具调用、简单分类、只需要结构化输出、不需要状态恢复。此时直接调用模型 API，写清输入输出和错误处理，往往更快。
| 场景 | 推荐做法 |
|---|---|
| 单次分类 1,000 条反馈 | Batch / API + schema |
| 一个内部问答 bot | RAG + 简单工具调用 |
| 需要审批和重试的长任务 | Agent framework |
| 多角色协作且要追踪过程 | Agent framework + trace |
结论
Agent framework 的选择不是冠军榜。LangGraph 适合状态复杂和长任务。OpenAI Agents SDK 适合 OpenAI 生态里的工具、handoff 和 guardrail。Google ADK 适合 Google Cloud 和 Gemini 企业工作流。CrewAI 适合角色分工清楚的多 agent。Mastra 适合 TypeScript 产品栈。
先用一个真实任务试跑：10 条输入、2 个工具、1 个审批点、1 个失败样本。能解释状态、成本和失败原因，再扩大使用。