框架选型决策树回答5个问题跳过60%不需要的章节Part 3有35篇框架实战但说实话你最多需要精读其中14篇。这一节我给你一把选型剪刀——回答5个问题直接剪掉60%与你无关的章节把省下来的时间拿去写代码。本文导航选型焦虑我太懂了5个问题一棵决策树Q1团队的主力语言是什么Q2需要多厂商模型混用吗Q3深度绑定哪家生态Q4声明式还是编程式Q5生产规模多大选型速查表直接剪掉60%的章节把决策树写成代码5问选型器三个常见的错误选型姿势选型焦虑我太懂了每次我发多智能体框架相关的内容评论区必有这样的留言“LangGraph、CrewAI、AutoGen、ADK 2.0、Claude Code……到底学哪个啊全学的话我半年就没了。”讲真这种焦虑完全没必要。我2019年转架构岗的时候面对的是Spring Cloud、Dubbo、Service Mesh该学哪个十年过去了技术换了三轮但选型的逻辑一寸都没变先看约束再看生态最后才看偏好。反过来才是灾难。我见过太多团队因为创始人喜欢某个新框架而选型半年后招不到人、坑没人填、迁移成本高到重构。所以这一节我们用一棵决策树把事情定死。这棵树的价值在于它不告诉你哪个框架最好只告诉你哪个框架最适合你。前者是口水战后者是工程决策。5个问题一棵决策树PythonJS/TS 为主是A/B测试或多供应商否只用OpenAIGoogle Cloud / VertexAnthropic / Claude中立不想被绑声明式配置优先编程式代码优先高并发 / 复杂拓扑 / 长流程原型验证 / 中小规模Q1 团队主力语言是什么Q2 需要多厂商模型混用吗OpenAI SDK / LangGraph.js精读OpenAI Agents SDK 章节Q3 深度绑定哪家云生态OpenAI SDKAgents SDK精读OpenAI·AutoGen 章节ADK 2.0精读ADK 2.0 章节Claude Code / Agent SDK精读Claude Code 章节Q4 声明式还是编程式CrewAI精读CrewAI 章节Q5 生产规模多大LangGraph精读第10章全部 MCP·A2AAutoGen 或 CrewAI精读任选其一下面把这5个问题一个个掰开讲每个问题我都会告诉你它背后的工程逻辑——决策树会过时明年可能就冒出新框架但逻辑不会。Q1团队的主力语言是什么这是第一刀也是最狠的一刀。所有主流框架里只有OpenAI SDK和LangGraph.js对TypeScript是一等公民支持CrewAI和AutoGen是纯Python生态ADK 2.0虽然出了JS版本但成熟度差一截。为什么语言排第一因为框架是用来写代码的不是用来收藏的。你一个全TS的团队硬上Python框架等于给自己挖一条永远填不平的运维鸿沟两套依赖管理、两套CI、两套监控。我见过最惨的案例是前端团队用Node子进程调Python框架出了问题连栈都追不通。判断标准看团队未来一年要招什么人而不是现在手里有什么人。Q2需要多厂商模型混用吗第二刀切的是供应商策略。只用OpenAI一家那OpenAI的Agents SDK体验最顺滑——毕竟官方亲儿子新模型新特性第一时间支持。但如果你想Anthropic的Claude做推理、OpenAI的GPT做工具调用、本地开源模型做敏感数据脱敏那就要选模型无关的框架。我的实际经验是2026年了多厂商已经不是可选项而是必选项。去年OpenAI那次长达8小时的大面积故障让所有单供应商的Agent集体哑火。真上生产的系统故障切换failover到备用模型已经是标配需求。所以这一问我建议诚实回答是除非你在做的就是个内部小工具。Q3深度绑定哪家生态这一问很多教程不敢讲因为涉及站队。但作为架构师我必须说生态绑定不是坏事是省事。深度用Google CloudVertex AI、BigQuery、Gemini全家桶→ ADK 2.0跟云原生监控、部署无缝衔接深度用AnthropicClaude为主力模型→ Claude Code / Claude Agent SDK工具链调优最到位不想绑定任何一家 → 走Q4继续分流。一个提醒中立是有代价的。模型无关的框架意味着你要自己处理不同模型的消息格式差异、工具调用协议差异。这笔兼容税往往在项目第三个月才开始显现。Q4声明式还是编程式这是风格之问但影响深远。声明式CrewAI为代表YAML/配置里写角色、目标、背景框架负责编排。上手极快Demo十分钟就能跑业务同学也能看懂配置。代价是复杂逻辑要跟框架的抽象模型搏斗——一旦需求超出预设模式你就开始翻框架源码找后门。编程式LangGraph为代表图、节点、边、状态都是代码想怎么扭曲拓扑都行。自由度拉满配合类型检查很稳。代价是学习曲线陡没有十分钟Hello World的爽感。我的粗暴判断法流程是标准化的角色协作模式清晰选声明式流程是业务核心资产拓扑本身就是产品选编程式。比如你做的是研究员写手审校这种标准三角色CrewAI真香做的是金融合规审查那种十几层条件分支的流程引擎别犹豫LangGraph。Q5生产规模多大最后一问量力而行。高并发/复杂拓扑/长流程需要断点恢复、人工介入LangGraph。它的checkpoint持久化、human-in-the-loop、Send动态分发是这几个需求下唯一不用自己造轮子的选项原型验证/中小规模AutoGen或CrewAI都行把时间花在验证业务假设上别花在工程化上。有个反直觉的点要说一下很多人觉得先原型后生产所以先学简单的到时候再迁移。迁移成本通常被低估三倍以上。原型和生产之间隔着状态管理、错误恢复、可观测性三座大山简单框架里没有这些概念的对应物迁移等于重写。所以如果目标明确是生产系统第一天的选型就该按生产标准来。选型速查表直接剪掉60%的章节对着下面这张表找到你的画像看必读列就够了你的画像推荐主框架必读章节可跳过Python团队生产级复杂系统LangGraph第10章全部、MCP·A2A、GraphRAG、Part 4项目CrewAI、ADK、Claude Code各章Python团队快速做产品原型CrewAICrewAI章节、Part 5商业区第10章深水区、ADK深度Google Cloud用户ADK 2.0ADK 2.0章节、GraphRAGClaude Code、CrewAIClaude模型重度用户Claude CodeClaude Code章节、MCPADK、AutoGen只用OpenAI、要轻量OpenAI SDKOpenAI·AutoGen章节其余全部做多Agent学术研究/实验AutoGenAutoGen章节Part 5商业区拿Python团队生产级复杂系统这行算笔账Part 3共35篇必读约14篇第10章5篇MCP·A2A约4篇GraphRAG约3篇选型本节桥接节正好跳过60%。省下的21篇不是不好是跟你没关系——这就像后端工程师没必要精读前端框架源码时间要花在刀刃上。把决策树写成代码5问选型器决策树光看不过瘾我把它写成了一个可运行的选型器你甚至可以把它改成团队内部工具——当年我们组选型会开了一下午没结论最后就是靠这样一个小脚本把讨论收敛的# framework_advisor.py —— 5问框架选型器纯标准库Python 3.10# 用法python framework_advisor.pydefrecommend(a1:str,a2:str,a3:str,a4:str,a5:str)-dict:5个答案 - 框架推荐 精读章节ifa1ts:return{framework:OpenAI SDK / LangGraph.js,chapters:OpenAI·AutoGen章节}ifa2no:# 单一OpenAI走官方亲儿子路线return{framework:OpenAI SDK (Agents SDK),chapters:OpenAI·AutoGen章节}ifa3google:return{framework:Google ADK 2.0,chapters:ADK 2.0章节 GraphRAG}ifa3anthropic:return{framework:Claude Code / Claude Agent SDK,chapters:Claude Code章节 MCP}ifa4declarative:return{framework:CrewAI,chapters:CrewAI章节 Part 5商业区}ifa5production:return{framework:LangGraph,chapters:第10章全部 MCP·A2A GraphRAG Part 4项目}return{framework:AutoGen / CrewAI,chapters:任选其一 Part 5商业区}# 三个典型团队的画像跑一遍看输出PERSONAS[(金融科技公司,{a1:py,a2:yes,a3:neutral,a4:code,a5:production}),(出海SaaS初创,{a1:py,a2:yes,a3:anthropic,a4:any,a5:proto}),(全栈TS小团队,{a1:ts,a2:any,a3:any,a4:any,a5:any}),]if__name____main__:forname,ainPERSONAS:rrecommend(a[a1],a[a2],a[a3],a[a4],a[a5])print(f[{name}])print(f 推荐框架:{r[framework]})print(f 精读章节:{r[chapters]}\n)控制台输出[金融科技公司] 推荐框架: LangGraph 精读章节: 第10章全部 MCP·A2A GraphRAG Part 4项目 [出海SaaS初创] 推荐框架: Claude Code / Claude Agent SDK 精读章节: Claude Code章节 MCP [全栈TS小团队] 推荐框架: OpenAI SDK / LangGraph.js 精读章节: OpenAI·AutoGen章节注意第三个案例全TS团队根本走不到Q2第一问就直接收敛了——这就是决策树的价值越靠前的问题淘汰率越高别把时间浪费在已经被淘汰的分支上。三个常见的错误选型姿势最后说三个我反复看到的反面模式你对着自查简历驱动选型为了技术栈先进选了小众框架结果社区问题三天没人回。框架的GitHub issue响应速度比Star数重要十倍Demo幻觉看了官方10分钟教程觉得很爽就定了。Demo从不展示失败恢复、状态持久化这些生产必备件。选型前至少要自己写一个会失败的流程试试框架怎么处理一个框架打天下真实系统里完全可以是Claude Code做开发时Agent LangGraph做生产编排的组合。框架不是宗教是工具箱里的扳手。小结选型逻辑约束语言→ 策略供应商→ 生态云绑定→ 风格声明式/编程式→ 规模生产/原型按序剪枝TS团队第一问就收敛单OpenAI用户直接官方SDK生产级复杂系统LangGraph几乎是唯一解用速查表定位自己的画像Part 3的35篇里精读约14篇即可跳过60%不是偷懒是聚焦警惕简历驱动、Demo幻觉、单框架执念三大坑。下节预告选好框架我猜大部分读者会落在LangGraph这个分支下一篇就是整个Part 3最重要的一节《从理论到代码用LangGraph 30分钟实现Part 2全部概念》。Part 2讲的节点、边、状态、失败路由、各种拓扑我会用一个可以跑起来的Python文件全部落地——这是理论通往实战的独木桥别缺席。互动区评论区做个小调查按这棵决策树走一遍你落在哪个分支评论区报个到我看看这个专栏的读者画像你踩过最坑的一次框架选型是什么当时的判断错在哪一问说出来让后来的兄弟们少交学费。选型定了就别回头点赞收藏下节我们直接上手写代码。
