Agent 框架选型对比：AgentScope、Claude Agent SDK、OpenAI Agents SDK、LangChain，从架构选型和长期演进视角

提问

AgentScope、Claude Agent SDK、OpenAI Agents SDK、LangChain 这四个 Agent 框架怎么选？从架构选型、长期演进、典型场景看，各自适合什么场景？

参考答案

四个框架代表四种完全不同的设计哲学：

框架	出品方	核心定位	一句话总结
AgentScope	阿里达摩院	多智能体编排（中文优先）	学术派 + 中文场景最强的多 Agent 框架
Claude Agent SDK	Anthropic	单 Agent + Skills（工具调用）	Claude 用户的「官方最优解」
OpenAI Agents SDK	OpenAI	单/多 Agent + Handoffs	OpenAI 用户的「官方最优解」
LangChain / LangGraph	LangChain Inc	LLM 应用全栈生态	生态最广、社区最大的「万金油」

选哪个，取决于你用什么模型、做什么场景、长期想不想被绑定。

---

一、核心架构差异

1. AgentScope — 多 Agent 编排学派

核心抽象：Agent + Msg（消息对象）+ Pipeline

import agentscope

# 1. 初始化 agent
agent_a = agentscope.ReActAgent(
    name="researcher",
    sys_prompt="你是研究员，负责搜索资料",
    model_config={"model": "qwen-max"},
    tools=[search_tool, scrape_tool]
)

agent_b = agentscope.ReActAgent(
    name="writer",
    sys_prompt="你是写作员，负责把资料整理成文章",
    model_config={"model": "qwen-max"},
    tools=[format_tool]
)

# 2. 用 Msg 作为消息载体
msg = agentscope.Msg("user", "帮我写一篇关于 RAG 的文章")

# 3. Pipeline 编排：顺序、并行、条件
pipeline = agentscope.Pipeline([agent_a, agent_b])
result = pipeline(msg)

核心特点：

• Msg 是一等公民：所有 agent 之间通过 Msg 传递消息，包括文本、图片、工具调用结果
• Pipeline 编排：顺序 / 并行 / 条件三种模式直接拼装
• 多模型混搭：可以在一个 Pipeline 里同时用 Qwen、DeepSeek、文心一言
• 分布式部署：支持把 Agent 部署在不同机器上（少数支持）
• 中文友好：达摩院出品，中文文档 + 中文模型默认

2. Claude Agent SDK — Anthropic 官方单 Agent 派

核心抽象：query() 函数 + Skills（Markdown 工具定义）+ MCP

from claude_agent_sdk import query, ClaudeAgentOptions

# 单 Agent 调用
async def main():
    options = ClaudeAgentOptions(
        model="claude-sonnet-4-5",
        system_prompt="你是 javai.tech 的技术助手",
        tools=["Read", "Bash", "Grep"],  # 内置工具
        skill_paths=["./skills"],        # 自定义 Skills
        permission_mode="acceptEdits",    # 权限模式
    )
    
    async for message in query(
        prompt="帮我看看 javai 2 项目的部署配置",
        options=options
    ):
        print(message)

# 高级用法：自定义 Skills
# skills/code-review/SKILL.md
"""
# Code Review Skill
触发条件：用户说"review 代码"或"检查代码"时使用

工作流程：
1. 先用 Glob 找到所有 .py 文件
2. 用 Read 逐个读取
3. 用 Grep 搜索常见问题（print、TODO、pass）
4. 输出 Markdown 格式报告
"""

核心特点：

• Skills 即 Markdown：把工具调用流程写成 Markdown 文件，不是 Python 代码
• MCP 原生支持：Anthropic 推的协议，Claude SDK 默认支持
• 强权限模型：permission_mode 控制 agent 能做什么（自动批准 / 询问 / 拒绝）
• CLAUDE.md 项目记忆：在项目根放 CLAUDE.md，Agent 启动时自动加载
• 能本地跑也能云端跑：CLI、SDK、Claude Code 三种形态

最像什么：Cursor / Claude Code 的编程体验 + SDK 化。

3. OpenAI Agents SDK — OpenAI 官方多 Agent 派

核心抽象：Agent + Runner + Handoffs（Agent 之间转交）

from agents import Agent, Runner, function_tool
import asyncio

@function_tool
def get_weather(city: str) -> str:
    return f"{city} 今天 25 度，晴"

# 定义专家 agent
weather_agent = Agent(
    name="天气专家",
    instructions="你只回答天气相关问题",
    tools=[get_weather]
)

finance_agent = Agent(
    name="金融专家",
    instructions="你只回答股票、基金相关问题"
)

# 总调度 agent
triage_agent = Agent(
    name="总调度",
    instructions="根据用户问题，分发给对应专家",
    handoffs=[weather_agent, finance_agent]
)

# 运行
async def main():
    result = await Runner.run(
        triage_agent,
        input="北京今天天气怎么样？还有沪深 300 走势如何？"
    )
    print(result.final_output)

asyncio.run(main())

核心特点：

• Handoffs 是核心：Agent 之间能转交任务，是「多 Agent」的核心机制
• Guardrails 双层防护：输入输出都加校验（防恶意输入 + 防有害输出）
• Tracing 内置：自动追踪每一步调用，可视化调试
• Realtime API 支持：能跑 OpenAI Realtime 语音多 Agent
• OpenAI 生态绑定：最佳搭档是 GPT-4o、o1、o3

4. LangChain / LangGraph — LLM 应用全栈

核心抽象：Chain / Runnable + 100+ 集成组件

from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取城市天气"""
    return f"{city} 今天 25 度"

# 1. ReAct Agent（最常用）
llm = ChatOpenAI(model="gpt-4o-mini")
tools = [get_weather]
agent = create_react_agent(llm, tools)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

result = agent_executor.invoke({"input": "北京今天天气怎么样？"})

# 2. LangGraph（生产级多 Agent 编排，状态机思路）
from langgraph.graph import StateGraph
from typing import TypedDict

class State(TypedDict):
    messages: list
    next_agent: str

def researcher(state: State):
    return {"messages": state["messages"] + ["研究结果..."], "next_agent": "writer"}

def writer(state: State):
    return {"messages": state["messages"] + ["最终文章..."], "next_agent": "end"}

workflow = StateGraph(State)
workflow.add_node("researcher", researcher)
workflow.add_node("writer", writer)
workflow.add_edge("researcher", "writer")
workflow.add_edge("writer", "end")
app = workflow.compile()

核心特点：

• 生态最广：300+ 集成（OpenAI / Anthropic / Cohere / 本地模型 / 向量库 / 数据库 / 文档加载 / Agent / RAG）
• LangGraph 状态机：用图的方式编排 Agent 流程，能处理复杂分支、循环、人在回路
• LangSmith 调试平台：商业版 tracing、评测、监控
• 学习曲线陡：概念多（Chain / Runnable / Tool / Retriever / Memory / Callback）
• 抽象泄露：底层 API 改一次上层要跟着改

---

二、详细对比矩阵

维度	AgentScope	Claude Agent SDK	OpenAI Agents SDK	LangChain / LangGraph
核心范式	多 Agent 编排	单 Agent + Skills	单/多 Agent + Handoffs	Chain + 图编排
消息模型	Msg 对象（强类型）	自然语言 + 结构化工具调用	自然语言 + 结构化工具调用	各种（Message / ToolMessage / AIMessage）
工具定义	Python 函数	MCP 服务 / 内置 / Skills (MD)	Python 函数 + OpenAPI	Tool 装饰器
多 Agent 协作	Pipeline 顺序/并行/条件	多个 query() 调用	Handoffs + 嵌套	LangGraph StateGraph
状态管理	自动（Pipeline 维护）	文件系统（CLAUDE.md + 工作目录）	Session（自动）	自定义 State
模型支持	多模型混搭（Qwen/DeepSeek/OpenAI/Anthropic）	仅 Claude 系列	仅 OpenAI 系列	几乎所有
协议支持	自有 + MCP	MCP 原生	MCP / OpenAPI 自家	MCP / OpenAPI / 自家
MCP 原生	✅	✅ 原生	⚠️ 需自己集成	✅
本地模型	✅ 优秀	❌ 仅 Claude	❌ 仅 OpenAI	✅ 优秀
中文支持	✅ 中文场景最强	⚠️ Claude 中文一般	⚠️ GPT 中文一般	✅ 多模型可选中文
分布式	✅ 支持	❌	⚠️ 实验性	⚠️ 自己实现
调试工具	Studio（Web 可视化）	Claude Code 内置	Tracing API	LangSmith（商业）
学习曲线	中	低（Markdown 即工具）	低	高
生态成熟度	中（达摩院背书）	中（Anthropic 官方）	中（OpenAI 官方）	最高
GitHub Stars	3k+	1k+（较新）	5k+	90k+
首次发布	2024	2025	2025	2022

---

三、长期演进考量

1. 厂商绑定风险

这是选型最关键的因素。

深度绑定：

• Claude Agent SDK → Anthropic Claude
• OpenAI Agents SDK → OpenAI GPT-4o/o1/o3

多模型中立：

• AgentScope（默认 Qwen，可换任意）
• LangChain / LangGraph（任意切换）

风险量化：

绑定风险 = 切换难度 × 锁定时间 × 替代成本

Claude SDK：切换难度 ★★★★★，锁定后 6-12 个月难以换
OpenAI SDK：切换难度 ★★★★★，同上
AgentScope：切换难度 ★★，换 model_config 即可
LangChain：切换难度 ★，换 ChatModel 类即可

结论：如果你的业务长期依赖单一模型厂商的能力（比如 Anthropic 的超长上下文），选官方 SDK 没问题；如果想保持灵活性，选 AgentScope / LangChain。

2. 协议标准化（MCP）

框架	MCP 支持	趋势
Claude Agent SDK	原生	Anthropic 是 MCP 主推方
AgentScope	✅	阿里系加入 MCP 阵营
OpenAI Agents SDK	需自己集成	OpenAI 在推自家 OpenAPI 规范
LangChain	✅	生态最广

判断：MCP 是 2025 年的事实标准（类似 2020 年的 LSP）。选框架要看对 MCP 的支持深度。

3. 长期生态

框架	预测（个人观点）
LangChain	持续 5 年内仍是生态第一，但抽象层会重构几次
Claude Agent SDK	Claude Code 体验延伸到 SDK，长期看好
OpenAI Agents SDK	跟随 GPT 系列进化，应用层可能成为事实标准
AgentScope	中文场景 + 学术派护城河，长期稳健增长

4. 团队上手成本

团队背景	推荐
Java 背景、想试 Agent	AgentScope（中文文档 + Python 简洁）
用 Claude Code 的开发者	Claude Agent SDK（无缝衔接）
用 Cursor + GPT 的开发者	OpenAI Agents SDK
已经在用 LangChain	升级 LangGraph
完全新手	Claude Agent SDK（Skills 即 Markdown，最低门槛）

---

四、典型场景选型

场景 1：企业内部知识问答助手

推荐：LangChain + LangGraph

理由：

• 生态里有 LangSmith 调试平台
• pgvector / Milvus 集成现成
• 多模型切换方便

场景 2：编程辅助工具（类 Cursor）

推荐：Claude Agent SDK 或 OpenAI Agents SDK

理由：

• 强权限控制（permission_mode / guardrails）
• MCP 原生（编辑器、终端、文件系统的 MCP 集成）
• 单 Agent + 工具调用是核心场景

场景 3：多 Agent 协作系统（研究员 + 写手 + 审稿）

推荐：AgentScope 或 LangGraph

理由：

• AgentScope 的 Pipeline 直接支持顺序/并行/条件
• LangGraph 状态机能处理复杂循环和回退

场景 4：金融分析多角色系统

推荐：OpenAI Agents SDK

理由：

• Handoffs 适合「客服→分析师→风控」的分级转交
• Guardrails 强制合规检查
• Tracing 满足金融监管的可审计要求

场景 5：中文场景的复杂对话

推荐：AgentScope + Qwen

理由：

• 达摩院模型中文最强
• AgentScope 对 Qwen 适配最深
• 多模型混搭能力让你能 Qwen 做主力 + GPT 做翻译

---

五、代码实战对比（同一个需求）

需求：用户问「北京今天天气怎么样？并且帮我查一下美元汇率」，框架要正确分发到不同专家。

AgentScope 版

import agentscope

weather_agent = agentscope.ReActAgent(
    name="天气员",
    sys_prompt="只回答天气",
    model_config={"model": "qwen-max"},
    tools=[weather_tool]
)

finance_agent = agentscope.ReActAgent(
    name="金融员",
    sys_prompt="只回答汇率、股票",
    model_config={"model": "qwen-max"},
    tools=[exchange_rate_tool]
)

# 并行执行
pipeline = agentscope.Pipeline([weather_agent, finance_agent], mode="parallel")
msg = agentscope.Msg("user", "北京今天天气？美元汇率？")
result = pipeline(msg)

Claude Agent SDK 版

<!-- skills/weather/SKILL.md -->
# Weather Skill
工具：get_weather(city)
触发：用户问天气时使用
返回：城市 + 温度 + 天气状况

# Finance Skill
工具：get_exchange_rate(from, to)
触发：用户问汇率时使用

async for msg in query(
    prompt="北京天气？美元汇率？",
    options=ClaudeAgentOptions(skills=["./skills"])
):
    print(msg)

OpenAI Agents SDK 版

weather = Agent(name="天气", tools=[get_weather], instructions="只答天气")
finance = Agent(name="金融", tools=[exchange_rate], instructions="只答汇率")
triage = Agent(
    name="分诊",
    handoffs=[weather, finance],  # ← 核心机制
    instructions="分诊到对应专家"
)

result = await Runner.run(triage, input="北京天气？美元汇率？")

LangChain 版

from langgraph.graph import StateGraph

# 状态机方式：先分诊，再分别调工具
class State(TypedDict):
    query: str
    need_weather: bool
    need_finance: bool
    weather: str
    finance: str

# 定义节点 + 边
workflow = StateGraph(State)
workflow.add_node("classify", classify_intent)
workflow.add_node("weather", weather_node)
workflow.add_node("finance", finance_node)
workflow.add_node("merge", merge_results)
# ... 配置条件和边

观察：

• Claude SDK：写 Markdown 就行，最轻
• OpenAI Agents：Python 类最直观
• AgentScope：Pipeline 一行写完多 Agent
• LangChain：最复杂但最灵活

---

六、生产选型决策树

开始
 │
 ├─ 用 Claude 模型？
 │   ├─ 是 → Claude Agent SDK（官方最优解）
 │   └─ 否 ↓
 │
 ├─ 用 OpenAI 模型？
 │   ├─ 是 → OpenAI Agents SDK（官方最优解）
 │   └─ 否 ↓
 │
 ├─ 需要多模型混搭？
 │   ├─ 是 → AgentScope 或 LangChain
 │   └─ 否 ↓
 │
 ├─ 场景以「单 Agent + 工具」为主？
 │   ├─ 是 → OpenAI Agents SDK 或 Claude Agent SDK
 │   └─ 否 ↓
 │
 ├─ 复杂多 Agent 状态机？
 │   ├─ 是 → LangGraph 或 AgentScope
 │   └─ 否 ↓
 │
 └─ 中文场景为主？
     ├─ 是 → AgentScope + Qwen
     └─ 否 → LangChain（生态最广）

---

七、我的偏好（个人选择）

如果让我现在从零搭一个生产级 AI Agent 系统，我会这么选：

主力：Claude Agent SDK（开发体验最好）
    ↓
辅助：LangGraph（复杂流程编排）
    ↓
中文场景：AgentScope + Qwen（中文场景性能最强）
    ↓
多模型 API：抽象成统一接口，不绑死任何 SDK

理由：

• 开发体验：Claude SDK 的 Skills = Markdown 是天才设计，降低了非程序员的接入门槛
• 长期灵活：用 LangGraph 做核心编排，模型随便换
• 中文兜底：AgentScope + Qwen 在中文场景无可替代
• 不被绑架：核心业务逻辑用通用抽象（LangChain Runnable），SDK 只是适配层

---

八、长期演进：3 个值得关注的趋势

1. 多模态 Agent

所有框架都在往多模态走：

• Claude Agent SDK 支持图片 + 视频输入
• OpenAI Agents SDK 支持 Realtime 语音
• LangChain 已支持多模态 RAG

2. Agent 评测与可观测性

• LangSmith（LangChain 商业版）走在最前面
• AgentScope Studio（达摩院开源）是国内最强
• OpenAI Tracing 跟模型深度绑定
• 长期看，可观测性会成为 Agent 框架的差异化竞争点

3. Agent-to-Agent 协议

• A2A Protocol（Google 推）：Agent 之间的标准通信
• MCP（Anthropic 推）：Agent 到工具的标准协议
• 2026 年这两个协议可能在某些场景上融合

判断：3 年内，协议 + 评测 + 可观测性会成为 Agent 框架的三大竞争点。比拼的不是「谁的 ReAct 实现得更好」（这都是标配），而是「谁的生态更标准、更易调试、更易生产化」。

---

九、面试怎么答这道题

面试官问「Agent 框架选型」时，建议这样答：

1. 明确约束：模型（是否绑定）、场景（单 Agent / 多 Agent）、团队背景、长期维护
2. 给选型逻辑：每个约束 → 候选 → 排除法
3. 提 1-2 个差异化点：MCP 支持、生产可观测性、协议中立性
4. 不要简单说「LangChain 最强」：面试官想看的是权衡思考

示范答案：

「我们项目用 OpenAI 模型 + 中文场景，最终选了 AgentScope。理由：中文场景达摩院模型最强，AgentScope 对 Qwen 适配最深；同时 AgentScope 的 Pipeline 直接支持多 Agent 编排，比 OpenAI Agents SDK 的 Handoffs 更适合我们的客服+分析师+风控三级分诊场景。代价是生态不如 LangChain，但我们的需求不复杂，不需要 LangChain 那套庞大的抽象。」

---

相关阅读

• RAG 详细过程 — 上一篇文章讲 RAG
• MCP vs Skills — MCP 协议详解
• AgentScope 官方文档：https://github.com/modelscope/agentscope
• Claude Agent SDK：https://github.com/anthropics/claude-agent-sdk
• OpenAI Agents SDK：https://github.com/openai/openai-agents
• LangChain：https://python.langchain.com/

---

最后更新：2026-09-03