LangChain 与 LangGraph 与 Semantic Kernel 与 Google AI ADK 与 CrewAI

Source: Dev.to

选择合适的 LLM 框架——不被炒作左右

LLM 生态发展迅速。每隔几周，就会有新的框架声称能够“简化 AI 代理”、“编排推理”，或是“让生产级 AI 变得轻松”。
如果你在构建真实系统，可能会问：

为什么要为看似相同的需求准备这么多框架？

下面提供一个思维模型，帮助你在噪音中理清思路，概述：

• 每个框架实际解决的是什么问题
• 它们的优势所在
• 它们可能成为负担的情形
• 针对不同使用场景该如何选择合适的框架

大局观：我们要解决什么问题？

LLMs 是 组件，而不是完整的应用程序。真实世界的 LLM 系统需要：

• 提示编排
• 工具调用
• 记忆
• 检索（RAG）
• 控制流
• 可观测性
• 故障处理

每个框架在这些方面做出不同的权衡。

LangChain: 瑞士军刀（以及它的诅咒）

它是什么

一个用于快速构建 LLM 驱动应用的高级抽象层。

它的优势

• 快速原型开发
• 丰富的集成生态系统
• 轻松链式调用提示、工具、检索器
• 强大的社区动力

它的不足

• 隐蔽的控制流
• 大规模调试困难
• 复杂逻辑下抽象泄漏
• 性能调优困难

何时使用 LangChain

• MVP、黑客马拉松、概念验证
• 对 LLM 仍然陌生的团队

何时避免使用

• 复杂的有状态工作流
• 需要精确控制或可观测性的系统

LangChain 优先考虑开发速度，而非执行的清晰度。

LangGraph：当你意识到 LLM 是状态机时

它是什么

LangChain 对 “LLM 工作流不是线性的” 这一批评的回应。它将 AI 系统建模为 图 而不是链。

它的优势

• 明确的状态转移
• 循环、重试、分支
• 长时间运行的代理
• 更好的推理可视化

权衡

• 更复杂的思维模型
• 仍然依赖 LangChain 生态系统
• 学习曲线更陡

LangGraph 发光的场景

• 多步骤代理
• 工具密集型工作流
• 需要重试和循环的系统
• 人在回路中的场景

当 LangChain 开始给人 “魔法” 感觉时，使用 LangGraph。

语义内核：工程优先，AI 次之

它是什么

Microsoft 对 LLM 编排的实现，专为 软件工程师 设计，而非提示词黑客。

主要优势

• 强类型
• 显式规划器
• 原生支持 C# 和 Python
• 企业友好的架构

劣势

• 生态系统较小
• “即插即用”程度低
• 实验迭代速度较慢

最适用场景

• 拥有严格工程纪律的企业团队
• 需要可维护性胜于速度的系统

语义内核给人的感觉像是由凌晨 3 点仍在维护系统的人设计的。

Google AI ADK：有主张且云原生

什么是它

Google 的 Agent Development Kit 专注于 结构化的代理工作流，与 Google Cloud 和 Gemini 紧密集成。

优势

• 清晰的代理生命周期
• 强大的可观测性钩子
• 云原生设计
• 与生产环境相匹配的抽象

局限

• 在 Google 生态系统之外的灵活性较低
• 开源社区规模较小（暂时）
• 架构更具主张性

最适合的场景

• 已经在 GCP 上的团队
• 以生产为首要目标的 AI 系统
• 受监管或大规模的环境

ADK 假设你从第一天起就关注部署和监控。

CrewAI: “多代理”叙事

它是什么

CrewAI 专注于编排 具有角色的多个代理，模拟人类团队。

它擅长的方面

• 基于角色的代理设计
• 简单的思维模型
• 内容生成流水线

它的局限

• 控制力有限
• 不太适合复杂状态处理
• 不适用于深度工程系统

何时使用 CrewAI

• 构建协作代理演示
• 内容或研究工作流
• 实验代理行为

CrewAI 擅长讲故事，而非系统工程。

实用决策框架

与其问 “哪个框架最好？”，不如问：

1. 我需要速度还是控制？

   • 速度 → LangChain
   • 控制 → Semantic Kernel / LangGraph

2. 这是否是生产关键？

   • 是 → Semantic Kernel / Google AI ADK
   • 否 → LangChain / CrewAI

3. 工作流是否有状态且复杂？

   • 是 → LangGraph
   • 否 → LangChain

4. 企业还是创业公司？

   • 企业 → Semantic Kernel / ADK
   • 创业公司 → LangChain

令人不安的真相

大多数成熟的 AI 团队最终会：

1. 从 LangChain 开始
2. 超出其限制
3. 转向 自定义编排 或 基于图的系统

最终思考

LLM 框架正在演进，因为 我们仍然没有完全理解如何构建 AI 系统。选择工具时：

• 让失败可见
• 鼓励显式设计
• 永远不要隐藏复杂性

复杂性终将显现。