LangGraph vs CrewAI vs Google ADK：生产级 Agent 框架选型对比

AI agent 正在从实验性聊天机器人走向生产系统。

但一旦 agent 需要工具、记忆、多步操作、验证、重试、人工审批或与其他 agent 协作时，就会出现一个新的架构问题：

我们应该使用哪个 agent 框架？

LangGraph、CrewAI 和 Google Agent Development Kit（ADK）。

三者都能构建 agent 应用。

但它们围绕不同的抽象层和不同层次的编排控制进行设计。

因此重要的问题不是：

"哪个框架最好？"

而是：

"哪种编排模型最契合我们要构建的系统？"

1. 首先：什么是 Agent？

生产级 agent 不仅仅是包裹在提示词中的 LLM。

一个有用的心智模型是：

text
Agent
 │
 ├── Model
 ├── Instructions
 ├── Tools
 ├── State / Context
 ├── Memory
 ├── Control Flow
 ├── Guardrails
 └── Evaluation

模型提供推理能力。

工具让 agent 能够与外部系统交互。

状态提供连续性。

控制流决定下一步发生什么。

Guardrails 约束 agent 允许执行的操作。

评估决定 agent 是否真正有效。

这个区别在比较框架时会变得很重要。

2. 架构差异

从高层次看：

                 Agent Application
                        │
          ┌─────────────┼─────────────┐
          │             │             │
      LangGraph       CrewAI       Google ADK
          │             │             │
     Graph + State   Agents +     Agents +
                    Crews/Flows   Workflows
          │             │             │
      Fine-grained   Collaborative  Agent +
      orchestration    teams        workflow

框架之间有重叠，但抽象层不同。

LangGraph 强调显式的基于图的编排和状态化执行。

CrewAI 通过 Crew 提供 agent 和任务抽象，同时提供 Flows 用于结构化的事件驱动编排。

Google ADK 提供 agent、工具和工作流机制，并 strongly focus on 在 Google 生态中构建、评估、部署和运营 agent。

3. LangGraph：以图和状态的方式思考

LangGraph 围绕显式编排进行设计。

应用程序可以建模为：

START
  │
  ▼
Planner
  │
  ▼
Researcher
  │
  ├──────────────┐
  ▼              ▼
Retriever      Validator
  │              │
  └──────┬───────┘
         ▼
       Writer
         │
         ▼
      Reviewer
         │
    ┌────┴────┐
    │         │
  Retry      END

重要的理念是：开发者显式地定义节点、状态和转换。

当工作流包含以下内容时，这变得非常强大：

• 条件路由
• 重试
• 人工审批
• 长时运行执行
• 持久化状态
• Checkpoints
• 多 agent 阶段
• 复杂分支

与让 LLM 决定一切不同，应用程序可以将重要的控制流决策保持为确定性的。

LangGraph 心智模型：

State
  +
Nodes
  +
Edges
  +
Persistence
  =
Controlled Agent Workflow

当工作流控制和状态管理是一级需求时，这使得 LangGraph 特别有吸引力。

4. CrewAI：以 Agent、Crew 和 Flow 的方式思考

CrewAI 从另一个方向来处理 agent 系统。

核心抽象是专业 agent 之间的协作。

例如：

                 Research Crew
                      │
       ┌──────────────┼──────────────┐
       │              │              │
   Researcher      Analyst        Reviewer
       │              │              │
       └──────────────┼──────────────┘
                      ▼
                  Final Report

每个 agent 可以有角色、目标、工具和职责。

一个 Crew 围绕任务协调这些 agent。

但一个重要的区别是：CrewAI 不仅仅是关于自主 agent 团队。

CrewAI 还提供 Flows 用于结构化的事件驱动编排。

这意味着生产级 CrewAI 应用可以结合：

Deterministic Flow
       │
       ▼
   Crew / Agents
       │
       ▼
Validation
       │
       ▼
Next Flow Step

这使得 CrewAI 能够同时支持协作 agent 行为和更受控的应用程序工作流。

5. Google ADK：以 Agent + Workflow 的方式思考

Google 的 Agent Development Kit 提供了一个围绕模型、指令和可选工具构建的 agent 抽象。

随着应用变得愈加复杂，ADK 提供了用于组合多个 agent 和可执行节点的工作流机制。

概念上：

Root Agent
    │
    ├── Research Agent
    │
    ├── Analysis Agent
    │
    └── Validation Agent

ADK 支持以下工作流模式：

• Sequential
• Parallel
• Loop
• Custom / Graph-based workflows

顺序工作流可能是这样的：

Sequential Workflow
       │
       ▼
   Research Agent
       │
       ▼
   Analysis Agent
       │
       ▼
  Final Output

6. 关键对比

维度	LangGraph	CrewAI	Google ADK
核心抽象	Graph + State	Agent + Crew + Flow	Agent + Workflow
状态管理	内置、细粒度	通过 Memory	通过 session 上下文
工作流控制	显式、确定性	Flow 确定性 + Crew 协作	Workflow 模式
Agent 协作	通过图节点	一等公民	通过工作流组合
持久化	Checkpoint / Save	内置 Memory	平台托管
适用场景	复杂控制流、长时运行	多 agent 协作任务	Google 生态集成

7. 选择框架时的问题

选择之前，问自己：

• 你的工作流有多少确定性？ 需要细粒度控制流和状态管理 → LangGraph
• 你的问题是否本质上是多 agent 协作？ → CrewAI
• 你在 Google 生态中构建吗？ 需要与 Gemini Cloud APIs 集成 → Google ADK
• 你需要持久化和 checkpoint 吗？ 长时运行和恢复 → LangGraph
• 你需要的是自主 agent 团队还是结构化工作流？ 两者 CrewAI 都支持

8. 结论

没有"最好"的框架。

只有更适合特定问题域的框架。

LangGraph 在需要显式控制流、状态管理和复杂分支的场景中表现出色。

CrewAI 在需要多 agent 协作和灵活工作流编排的生产应用中很有吸引力。

Google ADK 为在 Google 生态中构建、评估和部署 agent 提供了一条清晰路径。

理解你的问题域，然后选择最能表达该解决方案的抽象。

框架是达到目的的手段，不是目的本身。