现在 AI Agent 开发框架可太多了。

首先是各个大厂开发的框架，比如 Anthropic 的 Claude Agent SDK，Vercel 的 AI SDK，Google 的 ADK，AWS 的 Strands Agents。

也有很多优秀的开源框架，比如 Pydantic 的 Pydantic AI，OpenClaw 背后的 pi-mono(Pi)，以及 CrewAI，Agno 等。

当然还有老牌的 LangChain 和 LangGraph。

最近我让 Claude Code 帮我搜集资料，做了一个 AI Agent 框架对比的网页，然后人工验证和修正了其中的一些数据。

在这里，结合网页的内容，简单介绍下当下主流的 AI Agent 开发框架。

需要注意的是，没有最好的框架，只有最适合的框架。

一、框架概览

目前比较常用和主流的 AI Agent 开发框架，大概有下面这些。绝大多数都是公司或团队出品，也有个人开发的框架。

以下是关于这些框架的横向对比（仅供参考，建议看详细介绍部分）：

像 Claude Agent SDK、Vercel AI SDK、Google ADK 等公司出品的框架，功能都比较丰富，封装度也比较高。

而 OpenClaw 依赖的 pi-mono(Pi) 则主打极简主义，内置功能不多，但学习成本低，开发快。

LangChain 和 LangGraph（基于 LangChain）算是 AI 应用开发的前辈框架了，功能完备，生态完整，但学习曲线偏高。

另外，不少框架只支持一种语言，比如 CrewAI、Pydantic AI、Agno 专注于 Python，而 Mastra 则专注于 TypeScript。Vercel AI 官方只支持 TypeScript，但有第三方提供的 Python SDK。

这里我让 Claude Code 围绕学习门槛、能力丰富度和开发效率做了一个能力矩阵的对比图：

上面的排序是一个大致结果，并不绝对准确。

比如学习门槛这块，pi-mono、Vercel AI SDK、Strands Agents 等其实都相对比较简单，而 LangChain 和 LangGraph 的门槛要高出不少。

使用数据方面，我首先整理了下这些框架在 Github 上的 Star 数。

由于 LangChain 是老牌框架，最早用来开发 LLM 应用，所以 Star 数比较多。

排除 LangChain，可以看到 CrewAI、Agno、LangGraph、Vercel AI SDK 等框架的人气比较高，pi-mono 最近人气也涨上来了。

下载量则更能反映实际使用情况。

因为有的框架是 TypeScript 的，有的是 Python 的，有的两者都有。我让 Claude Code 综合 npm.js 和 PyPI 上的数据，简单统计了下。

可以看到，大部分框架都有每周百万级别的下载量。

其中 LangChain 和 LangGraph 是老牌框架，下载量遥遥领先。Vercel AI SDK 和 Claude Agent SDK紧随其后。Pydantic AI、CrewAI 和 Mastra 差不多是一个量级的。

另外可以看出，有的框架 Star 数高，但下载量并不高，可能是热度被后来的新框架替代了。

关于技术选型，我也让 Claude Code 做了个简单总结：

如果是个人项目，想快速上手，可以选择 pi-mono(Pi)。

如果想开发 Web 端的 AI Agent，可以选择 Vercel AI SDK 或者 Mastra。

如果想开发一个类似 Claude Code 的本地 Agent 应用，可以选择 Claude Agent SDK。

如果想开发企业级的复杂 Agent 应用，可以选择 LangChain/LangGraph。

另外如果是 Python 开发者，想快速开发，可以选 Pydantic AI 或者 Agno。

二、框架介绍

接下来简单介绍下上面提到的这些框架。

1. LangChain 和 LangGraph

LangChain 和 LangGraph 都是 LangChain 官方开发的框架，前者出现得更早，大概是在 2022 年，而后者大概是在2024 年诞生的。

LangChain 顾名思义，旨在通过“链式”组合来简化大语言模型（LLM）应用的开发，像早期的 AI 聊天机器人，就通常用 LangChain 来开发。

不过由于 LangChain 是“链式”的线性逻辑，比较难处理需要循环逻辑和复杂状态管理的智能体。为了解决这些痛点，LangChain 官方推出了 LangGraph 作为 LangChain 的扩展库。

相比 LangChain，LangGraph 可以实现复杂的流程编排（循环/分支/重试），支持多智能体协作，支持并行任务，方便实现人机交互。

LangGraph 也是 LangChain 官方目前首推的 Agent 开发框架。

不过 LangGraph 通常会和 LangChain 搭配起来使用。如果场景比较简单，LangChain 也够用。

具体如何选择，建议看看官方文档：https://docs.langchain.com/oss/python/langgraph/overview

需要注意的是，LangChain 和 LangGraph 诞生得比较早，但由于概念比较多，且 LangGraph 是偏底层（low-level）的框架，学习成本会比较高。

2. Claude Agent SDK

Claude Agent SDK 最早叫 Claude Code SDK，因为能力越来越通用，最近才改了名字。

从它原来的名字（Claude Code SDK）就可以看出，Claude Agent SDK 诞生自 Claude Code，包含了 Claude Code 的底层核心能力。

就像官方文档说的，Claude Agent SDK 能让你快速开发一个类似 Claude Code 的 AI Agent。

Claude Code 的强大应该是有目共睹的，它的工程架构设计非常优秀。

使用 Claude Agent SDK 开发 AI Agent，是非常不错的一个选择，由于 SDK 抽象程度比较高，上手成本低，能够比较快地开发一个功能完备的 AI Agent。

不过 Claude Agent SDK 的母公司 Anthropic 对咱们不太友好，如果你没有一个纯净的代理，官方文档都访问不了。

官方文档：https://platform.claude.com/docs/zh-CN/agent-sdk/overview（你们可以试试）

注意，Claude Agent SDK 虽然有 Github 地址，但并没有真正开源，核心逻辑打包成二进制文件了。

• Python SDK：https://github.com/anthropics/claude-agent-sdk-python
• TypeScript SDK：https://github.com/anthropics/claude-agent-sdk-typescript

另外 Claude Agent SDK 和 Anthropic 的 Claude 系列模型搭配起来，效果会比较好。

如果要使用其他模型，通常需要该模型兼容了 Anthropic API 格式（比如 GLM-4.7、GLM-5.0），或者使用 LiteLLM 等方式来桥接，但效果大概率都不如 Claude Agent SDK + Claude。

但想在国内稳定用上 Claude 也是一件难事。在国内非要用的话，Claude Agent SDK + GLM（或者其他兼容模型）是一个可行的方案。

3. Vercel AI SDK

从 Github Star 数和 npm 包下载量看来，Vercel AI SDK 比 Claude Agent SDK 更受欢迎一些。

Vercel 这家公司也挺有名的，它旗下最著名的产品，一个是 Next.js 全栈框架，一个是 Vercel 这个网站托管平台。如果你想在海外免费部署一个网站，通常会在 Vercel 和 Cloudflare 里二选一。

Vercel 还是挺厉害的，不知道怎么把 ai 这个 npm 包弄到手了，作为 Vercel AI SDK 的包名。以至于看着就很牛逼的样子。

很多人喜欢拿 Vercel AI SDK 和 Claude Agent SDK 作对比，其实两者的定位还是有些区别。后者更适合用于开发类似 Claude Code 或 Cowork 的本地 Agent 工具。

相比之下，Vercel AI SDK 和 Next.js、React、Vue 等全栈和前端框架的适配比较好，更适合用于构建 Web AI 应用。比如在你的网站里添加一个 AI 智能助手。

目前 Vercel AI SDK 官方的 SDK 是 TypeScript 的，虽然也提供了 Python 版的 SDK（看着是个人开发者维护的），但用的人好像不多。

• TypeScript SDK：https://github.com/vercel/ai
• Python SDK：https://github.com/python-ai-sdk/sdk

综合受欢迎程度（使用人数）、学习门槛、开发效率等因素，Vercel AI SDK 几乎可以说是新手开发 AI Agent 应用的最佳选择之一。

4. Mastra

Mastra 是另一个 TypeScript 的 AI Agent 开发框架，诞生得比 Vercel AI SDK 晚，但 Star 数都快赶上 Vercel AI SDK 了。

Mastra 背后的团队是 Gatsby，他们的另一个开源项目就叫 Gatsby，是一个基于React 的免费且开源的静态网站生成器（SSG），目前有 55.9k star。

单从周下载量 来说，Vercel AI SDK 要比 Mastra 高不少（见概览部分的图片），但如果从 Agent 开发框架的角度来看，Mastra 的功能丰富度和集成度要更高

Gemini 总结的表格

另外，Mastra 和各种前端以及全栈框架的集成度也很好，包括 Electron（构建桌面应用）。

Gemini 也给出了选型建议：

• SDK：https://github.com/mastra-ai/mastra
• 文档：https://mastra.ai/docs

5. pi-mono(Pi)

pi-mono（简称 Pi）是一个追求极简主义的 AI Agent 开发框架，前些时大火的 OpenClaw（原 ClawBot），就是基于 Pi 开发的。

伴随着 OpenClaw 的大火，pi-mono 一下子受到了很多人的关注，Star 数也在这段时间激增。

相比前面介绍的 LangGraph、Claude Agent SDK 和 Vercel AI SDK，Pi 就小很多，支持的能力也不算完善，比如常见的 MCP、多智能体、子代理、Computer Use，Pi 都没有内置支持。

举个不那么恰当的例子，当大家都在用 Unity、Godot 等游戏引擎开发游戏时，小丑牌的作者用的是 love2d 这个极简的 lua 框架。Pi 就好比 love2d 这个框架。

麻雀虽小，但 Pi 重在简单，概念很少，学习成本算是众多框架中最低的。

另外虽然 Pi 没有内置 MCP、子代理、Plan Mode 等能力，但可以通过扩展来实现这些能力，官方也提供了对应的例子。

添加图片注释，不超过 140 字（可选）

目前 Pi 只提供了 TypeScript 的 SDK：https://github.com/badlogic/pi-mono。看来 AI 时代，多少得学点 TS 了。

6. Pydantic AI、CrewAI、Agno

之所以把 Pydantic AI、CrewAI、Agno 放在一起介绍，是因为这三个框架都是 Python 的（且只支持 Python），放在一起方便对比。

从 Github 的 Star 数可以看出，Agno 诞生得最早，Pydantic AI 则属于后起之秀。

Pydantic AI

熟悉 Python 的朋友应该都知道 Pydantic 这个库。

Pydantic 是 Python 中最主流的数据验证与结构化库（2017 年推出，v2 版本用 Rust 重写，性能提升 10-50 倍），核心使命是解决 Python 动态类型带来的“数据不可靠、参数校验繁琐”等问题。

而 Pydantic AI 是官方基于 Pydantic 核心能力构建的 AI Agent 开发框架。能力还挺丰富的。

如果你对 Pydantic 和 Python 都比较熟，那 Pydantic AI 可能是你的最佳选择。我看 X 上也有不少人在评论区推荐。

• 仓库地址：https://github.com/pydantic/pydantic-ai
• 官方文档：https://ai.pydantic.dev/

CrewAI

CrewAI 的 Star 数比 Pydantic AI 高，周下载量接近 Pydantic AI（250万+ 下载/周 ），在社区的人气也挺高的。

CrewAI 的核心概念就是组建团队（Crew）。你可以非常直观地定义角色（Role）、背景（Background）和任务（Task）。因此 CrewAI 很擅长多智能体之间的协作。

我让 gemini 简单对比了下 CrewAI 和 Pydantic AI。

可以看出，CrewAI 的另一特点是声明式的开发方式，通过提示词工程完成 Agent 的开发。很适合提示词工程师。而 Pydantic AI 则面向更专业的开发者。

关于声明式的开发，去看下官方的例子就懂了：https://github.com/crewAIInc/crewAI。官方的例子非常丰富，但由于概念还是略多（需要声明很多内容），还是要花点时间学习。

Agno

在这三个框架里，Agno 诞生最早，Star 数最多，但下载量有点后劲不足，比 Pydantic AI 和 CrewAI 要少一个量级。

不过从能力的丰富度来看，Agno 可以说是所有框架中最靠前的。

从学习门槛和开发效率来说，Agno 也挺有优势。20 行代码就能构建一个拥有数据库、本地记忆、工具调用能力的 Agent。（封装度非常高，但也意味着黑盒）

另外相比其他框架，Agno 还提供了 AgentOS UI 作为控制面，并内置 FastAPI 适配器，能够快速和 FastAPI 项目集成。

关于 Pydantic AI、CrewAI、Agno 三者如何选型，可以看看这篇文章：

https://www.hubwiz.com/blog/pydanticai-vs-agno-vs-crewai/。

7. Google ADK

Google 的 ADK，全称是 Agent Development Kit，是一个功能完备的 Agent 开发工具包。

毕竟是 Google 出品，质量还是很有保障的。相比 Claude Agent SDK，ADK 从设计上就是模型无关的，能够兼容绝大多数模型。

另外，ADK 是唯一一个同时支持 Python/TypeScript/Go/Java 四种语言的 Agent 开发框架。

单从 npm 和 PyPI 上的下载量来看，每周也有 90 多万（npm 23K + PyPI 908K）的下载量，以 Python SDK 为主。

Claude Agent SDK 和 Vercel AI SDK 支持的，Google ADK 都支持，包括但不限于代码执行、Google 搜索、上下文缓存、Computer Use、交互 API 等等。

Google ADK 最主要的优势在于能很好的和 Google 生态做集成。

比如无缝对接 Gemini 模型，支持原生多模态能力。再比如 ADK 深度整合了 Google Cloud、Google Workspace（如 Docs/Sheet/Slides）等产品，可以直接调用。

另外也提供了企业级的安全合规功能。我让 AI 做了个简单的对比总结，仅供参考。

Google ADK 整体来看还是比较全面的，不过像这种大而全的框架，学习成本通常要更高一些，如果要和 Google 生态做深度集成，还是需要一些相关领域知识的。

另外 Google ADK 和 Google 生态深度整合的能力，在国内不怎么用得到。可能更适合外海或者出海企业。

• 相关文档：https://google.github.io/adk-docs/
• 相关仓库：https://github.com/google?q=adk&type=all&language=&sort=stargazers

8. AWS Strands Agents

无论是从 Star 数还是下载量来看，AWS 的 Strands Agents 相对就比较小众了。我还是刷 X 看到的这个框架。

• https://github.com/strands-agents/sdk-python
• https://github.com/strands-agents/sdk-typescript

我简单看了下 Github 上的文档，发现 Strands Agents 的 API 设计得挺简洁的。

正如 README 中所强调的，Strands Agents 是一款简单却功能强大的 SDK，号称用几行代码就可以构建一个 AI Agent。

当然 Strands Agents 的优势其实和 Google ADK 有点类似，一个是模型无关（支持多个模型和模型提供商），一个是能很好地和 AWS 生态做集成。

这里我让 AI 帮我简单对比了下 Strands Agents 和 Google ADK。

对 Strands Agents 有兴趣的朋友可以去官网看看文档：https://strandsagents.com/latest/documentation/docs/。

三、框架选型

其实前面介绍得差不多了，最后简单总结下。

如果你是个新手，想快速学习和了解 AI Agent 开发，可以看看 pi-mono 、Vercel AI SDK 或者 Agno。如果是要开发真实的应用，那就要具体情况具体分析了。

比如你想充分掌控细节，一切从零开始，那可以选择老牌的 LangChain/LangGraph。

如果你想快手开发，那 Vercel AI SDK（Web 应用）和 Claude Agent SDK（本地应用） 可能更适合你。

如果你想开发 Web 或者全栈 AI 应用，那 Vercel AI SDK 和 Mastra 是首选。

如果你是出海或者海外企业，服务部署在谷歌云或者 AWS 上，需要和 Google 或者 AWS 生态做集成，那可以考虑 Google ADK 或 AWS Strands Agents。

如果你的团队都是写 Python 的，那 Pydantic AI、CrewAI、Agno 都是不错的选择。

当然，如果你的用户面向国内，要构建企业级的 AI Agent，除了上面的这些框架，还可以考虑使用国内云厂商的一些方案，比如火山引擎的 AgentKit。

除了上面介绍的这些，像 OpenAI 的 OpenAI Agent SDK（定位和 Claude Agent SDK 类似），微软的 AutoGen 也不错（写的时候漏掉了），有兴趣的朋友可以调研下。

最后，大家如果有相关经验，比如使用这些框架或者开发 AI Agent 的真实体验，也可以分享到评论区。文中如果有不准确的地方，也麻烦大家指出。

2026年AI行业最大的机会，毫无疑问就在应用层！

字节跳动已有7个团队全速布局Agent

大模型岗位暴增69%，年薪破百万！

腾讯、京东、百度开放招聘技术岗，80%与AI相关……

如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的 大模型应用开发工程师 **，**却极度稀缺！

落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：

✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑

✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……

✅微调：针对特定任务优化，让模型适配业务

目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！

技术的稀缺性，才是你「值钱」的关键！

具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻

AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

⭐️从大模型微调到AI Agent智能体搭建

剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！

大模型微调

• 掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。

• 学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。

RAG应用开发

• 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
• 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。

AI Agent智能体搭建

• 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
• 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。

如果你也有以下诉求：

快速链接产品/业务团队，参与前沿项目

构建技术壁垒，从竞争者中脱颖而出

避开35岁裁员危险期，顺利拿下高薪岗

迭代技术水平，延长未来20年的新职业发展！

……

那这节课你一定要来听！

因为，留给普通程序员的时间真的不多了！

立即扫码，即可免费预约

「AI技术原理 + 实战应用 + 职业发展」

「大模型应用开发实战公开课」

👇👇

👍🏻还有靠谱的内推机会+直聘权益！！

完课后赠送：大模型应用案例集、AI商业落地白皮书