到第 24 篇为止，这个系列的主角始终是 LangGraph：State 设计、控制流、人机协同、持久化、流式，八篇核心加 RAG 与 MCP 一路深潜。深潜有代价——视角变窄，手里拿着锤子，看什么都像钉子。本篇是系列第 25 篇、第五模块“进阶架构”的中篇，把镜头拉回行业高度：2026 年 10 月，主流 Agent 框架各自站在哪里，以及那个更扎心的问题——什么时候不该用 LangGraph。
本文按“对比维度 → 四家主力逐一过招 → 新锐三家 → 选型决策树 → MCP 对框架锁定的削弱 → 总结与练习”组织。丑话说在前面：这是一篇有立场的对比文，和稀泥的结论不值得你花 20 分钟阅读。
1、对比维度先行
对比文最常见的死法是变成粉丝骂战：各自甩出 hello world 行数与 star 数，然后不欢而散。解药是先钉死维度，再让框架上桌。先看格局——2026 年 10 月七位选手的版本与生态位，正好呼应第 1 篇的地图：
| 框架 | 当前版本 | 生态位 |
|---|---|---|
| LangGraph | 1.2.16 | 生产级状态工作流，控制粒度最细 |
| CrewAI | 1.15.28 | 角色协作式多 Agent，原型最快 |
| OpenAI Agents SDK | 0.24.0 | 极简循环，OpenAI 生态最短路径 |
| 微软 Agent Framework | 1.0 | AutoGen 与 Semantic Kernel 合流 |
| Pydantic AI | 2.59.0 | 类型优先，模型无关 |
| Google ADK | 2.0 | Gemini 生态配套，多云宣称 |
| Mastra | 高频发版 | TypeScript 全栈全家桶 |
版本号本身已是第一条信息：LangGraph 与 Pydantic AI 进入稳定大版本时代，微软 Agent Framework 刚过 1.0 GA，OpenAI Agents SDK 发布一年半仍停在 0.x——七家不在同一条成熟度刻度上，这比任何功能清单都诚实。
评判维度定为七个，每个对应选型时必问的一句话：
| 维度 | 核心问题 | 为什么重要 |
|---|---|---|
| 抽象层级 | 库、框架还是平台 | 决定要学多少概念 |
| 控制权 | 循环谁写、状态谁管 | 出事时能不能调试 |
| 状态管理 | 持久化与恢复是否内建 | 生产系统的生死线 |
| 工具生态 | MCP 是否一等公民 | 工具资产能否复用 |
| 可观测 | 有无内建 tracing | 排错成本 |
| 部署 | 自托管还是绑定平台 | 供应商依赖程度 |
| 许可证 | MIT/Apache 还是其他 | 商用合规 |
七个维度里，控制权的分量最重。框架替你做的事越多，上手越快；但你交出去的每一分控制权，都会在生产事故的深夜连本带利地讨回来。后文各家的差异，大部分都能折算到这一维上。
顺手拿抽象层级套一遍七家：LangGraph、Pydantic AI、OpenAI Agents SDK 是库级，嵌进你自己的应用进程，架构主动权还在你手里；CrewAI 与微软 Agent Framework 是框架级，自带一整套运行约定与工程脚手架；Google ADK 与 Mastra 则往平台延伸，SDK 之上还有托管与部署配套。层级越低越灵活，越高开箱越快——这条分界与控制权维度完全同构。
2、LangGraph 控制权天花板
LangGraph 的方法论是图即代码：流程建模为显式的图，节点是步骤，条件边管分支回环，Checkpointer 让执行随时可暂停、可恢复。第 12 篇那个“杀掉进程、会话原地满血复活”的实验，就是这套哲学的极限展示。近况也稳：1.2.0 给节点执行加了超时、错误恢复与优雅停机，写作时最新 1.2.16（2026 年 10 月中）——大版本稳定后更新全在打磨生产细节，这是“生产优先”该有的样子，细节见 LangGraph 官方文档。
代价同样真实。这个系列用了整整八篇才讲完它的核心面（第 6 到 13 篇），学习曲线不是传言。所以判断要旗帜鲜明：不该用 LangGraph 的场景，恰恰是大多数简单场景——流程是直线（一次检索一次生成）、循环只有一跳（一问一调一返回）、不需要中断与回放，这些用第 2 篇的 create_agent 甚至裸 while 循环就够了，上图纯属过度工程。LangGraph 的入场券是复杂度：状态要可见、流程要分支回环、执行要可中断可回放。付得起，它是控制权的天花板；付不起，它是纯负担。
3、CrewAI 原型速度的代价
CrewAI 的隐喻是剧组：Agent 是演员（role、goal、backstory 三件套），Task 是剧本，Crew 把两者装在一起。十行代码跑通“研究员写稿、编辑审稿”的多角色协作，这个上手速度至今没有对手。生态同样是硬通货：GitHub 4.7 万余 star，最新 1.15.28（2026 年 10 月中），定位已从“角色扮演多 Agent”改口为“企业级 Agent 构建与运行时”，可视化编排器还能把拖拽出的流程导出为 Python。文档见 CrewAI 官方文档。
代价浓缩成两个字：让渡。CrewAI 的执行循环、Agent 间通信、任务编排全由框架代管——你配置角色，它决定怎么跑。demo 阶段这是福利，生产阶段这是负债：第二个 Agent 为什么拿到了奇怪的记忆？答案在框架源码里，不在你的代码里。模型层由 LiteLLM 统一代理，llm="openai/gpt-5" 一个字符串就能切厂商，省心，但依赖链也长了一截。
我的用法建议：CrewAI 适合两件事——48 小时验证一个多 Agent 想法是否成立、给非技术同事演示协作概念。验证通过要上生产时，先问自己敢不敢把流程黑盒交给别人；不少团队的实际路径是 CrewAI 出原型、LangGraph 重写上线，这笔重写成本从第一天就该进预算。
4、OpenAI Agents SDK 极简与绑定
OpenAI Agents SDK 的哲学是把 Agent 缩到不能再小：核心只有 Agent、Handoff、Guardrail 三个原语，Session 管会话，Runner 跑循环，Python 与 TypeScript 双语言。20 分钟能学完全部概念，极简到什么程度看代码：
from agents import Agent, Runner
agent = Agent(
name="技术助手",
instructions="你是严谨的中文技术助手。",
)
result = Runner.run_sync(agent, "MCP 和 Function Calling 是一回事吗？")
print(result.final_output)
工具就是带类型注解与 docstring 的普通函数，挂进 tools 参数即可，与第 5 篇的 @tool 同构。Handoff 让 Agent 交接像函数调用一样直白，Guardrail 把输入输出校验做成内建模式——这两样在别家往往要自己拼。文档见 OpenAI Agents SDK 官方文档。
两个必须说破的事实。其一，2026 年 10 月版本停在 0.24.0——发布一年半没到 1.0，版本号本身就是工程信号：API 还会动，升级成本要计入预算。其二，“不绑定 OpenAI”只对了一半：模型层确实无关，任意兼容端点都能接；但 Tracing、沙箱、托管运行这些增值能力全指向 OpenAI 平台——SDK 免费，生态引力收钱。纯 OpenAI 栈的个人项目它是终点，多厂商生产系统请三思。
5、微软 Agent Framework 合流
微软的动作是把两代资产合流：AutoGen 贡献对话式多 Agent 的研究成果，Semantic Kernel 贡献企业级流程编排，2025 年 10 月合并为 Agent Framework；2026 年 2 月 19 日 RC，4 月初 .NET 与 Python 双端 1.0 GA。GA 公告里最重的一个词是长期支持承诺——七家里唯一敢白纸黑字写 LTS 的，对企业采购来说，这一条顶十条功能对比。时间线详见微软官方公告。
GA 后仍在加码：Build 2026 发布 Agent Harness 与 GitHub Copilot SDK 集成，Harness 已于 8 月 GA，Go 语言进入公开预览。它的编排核心 Workflows 是显式、确定性的状态机，与 LangGraph 的图模型神似，再加上 Azure 的合规与托管体系——微软栈企业把 Agent 嵌进现有系统，几乎不用犹豫。反向判断同样干脆：.NET 是一等公民，Python 略显二线；非微软技术栈的团队没有任何理由选它——不会有人为了一个 Agent 框架，把整个技术栈搬进 Azure。
6、新锐三家
三家新锐各占一个生态位。Pydantic AI 出自 FastAPI 团队，2026 年 6 月 23 日 v2.0 稳定，最新 2.59.0（10 月 20 日），发布节奏七家里最凶。立场写在名字里：类型优先——依赖注入、结构化输出、工具参数全用类型系统表达，v2 把 instructions、tools、hooks 统一成 capability 原语，且模型完全无关。它与 LangGraph 生态位重叠，选择本质是口味之争：要显式的类型，还是显式的图。团队是 FastAPI 背景、讨厌魔法——选它不会错，Pydantic AI 官网一行直达。
Google ADK（Agent Development Kit）2026 年完成多语言布局：Python 2.0、Java 1.0 GA（3 月底）、Go 2.0，并与 Gemini Enterprise Agent Platform 深度集成。多云与模型无关是官方口径，也部分属实——但一等公民永远是 Gemini 与 Vertex AI。已定 Google Cloud 的团队用它顺路；没定的团队选它，等于放着别家的原生集成不用，单买它一层抽象税。入口见 Google ADK 官网。
Mastra 是 TypeScript 阵营的答案：Apache 2.0 协议，agents、workflows、memory、workspaces 全家桶，2026 年中 star 破 2.4 万，发版极其密集，细节见 Mastra 官网。它承包的是“TS 全栈团队的一站式框架”——前端团队不用跨语言，就能把 Agent 织进 Next.js 应用。Python 团队则不必跨语言追它，生态位上，有它就够了。
7、选型决策树
把前六节压成一张决策树，从场景出发往下问，第一个命中的分支就是答案：
你的 Agent 是什么场景？
├─ 个人项目 / 技术验证
│ ├─ 模型只用 OpenAI ──────────▶ OpenAI Agents SDK
│ └─ 想要多角色协作演示 ────────▶ CrewAI
├─ 要上生产的复杂系统
│ ├─ Python 栈 ────────────────▶ LangGraph
│ ├─ TypeScript 全栈 ──────────▶ Mastra
│ └─ 团队有类型洁癖 ────────────▶ Pydantic AI
├─ 企业 .NET / Azure / Copilot ──▶ 微软 Agent Framework
└─ 已定 Google Cloud ────────────▶ Google ADK
注意 LangGraph 出现在“生产的复杂系统”分支里，而不是树根上——它是复杂系统的默认答案，不是所有项目的起点。第 1 篇说过“原型期选什么都行，上线前认真考虑 LangGraph”，现在你可以拿着七个维度的证据去验证这句话了。
提醒：选型讨论别超过一周。省下的时间拿去搭评测集——框架差异是小事，能持续证明 Agent 靠不靠谱的评测基建才是大事。
8、MCP 削弱框架锁定
最后一个战略问题：选错框架的代价有多大？第 19 到 21 篇讲透的 MCP 在这里给出了一半答案。工具层标准化之后，你写的每个 MCP Server——查库的、读文件的、调 GitHub 的——对七个框架一视同仁，LangGraph、CrewAI、Agents SDK、微软 Agent Framework 全部原生支持接入，工具资产已经不属于任何框架。
把切换成本拆开看会更清楚：模型层本就无关，各家都有统一接口；工具层被 MCP 抹平；观测层 OpenTelemetry 渐成标配。真正锁死你的只剩编排层与状态层——业务流程写在哪套 API 里，迁移就疼在哪里。结论反直觉但重要：2026 年做框架选型，心理负担应该比一年前低一个量级；只要守住“工具 MCP 化、评测独立化”两条底线，框架就退化为一个可更换的零件。
9、总结
一句话带走七家：LangGraph 用学习曲线换控制权，是复杂生产系统的天花板；CrewAI 原型最快，代价是流程黑盒；OpenAI Agents SDK 极简优雅，但仍在 0.x 且生态引力向 OpenAI；微软 Agent Framework 靠 LTS 承诺通吃企业 .NET；Pydantic AI 给类型洁癖者；Google ADK 服务 Gemini 生态；Mastra 承包 TS 全栈。比结论更长寿的是三条原则：维度比功能重要，控制权比行数重要，MCP 让工具资产保值。
练习：用 CrewAI 重写第 2 篇的 hello-agent，亲身体会“让渡”二字。uv add crewai 之后：
from crewai import Agent, Crew, Task
from crewai.tools import tool
from datetime import datetime
@tool("查询当前时间")
def get_current_time() -> str:
"""返回当前的本地时间"""
return datetime.now().strftime("%Y-%m-%d %H:%M")
assistant = Agent(
role="技术助手",
goal="准确回答用户的问题",
backstory="严谨的工程师，回答前先查证",
tools=[get_current_time],
allow_delegation=False,
)
task = Task(
description="现在几点了？",
expected_output="一句话报时",
agent=assistant,
)
print(Crew(agents=[assistant], tasks=[task]).kickoff().raw)
对照第 2 篇找三处不同：工具注册从 LangChain 的 @tool 换成 CrewAI 自家的装饰器，思路一致、约定不同；Agent 不再是“模型加工具”的显式组装，而是 role、goal、backstory 的戏剧化人设，模型默认由 LiteLLM 代理；再给 Crew 加 verbose=True 跑一遍，盯着它的执行日志——你会想念 LangSmith 每步可视化的确定感，那一刻你会真正理解“控制权”三个字值多少钱。
对于正在选型的团队，建议先用一周按第 7 节的决策树落子，同时把工具全部 MCP 化——无论最终选谁，这笔投资永不过时。下一篇离开框架之争，看前沿 Agent 形态：Deep Research、Computer Use 与代码 Agent 是怎么长出来的。
