主题
高频面试题
市面上有哪些主流的 LLM Agent 框架？各自的特点是什么？
框架选型题考的不是背品牌，而是能否看出每个框架在工具调用、状态编排、多 Agent、RAG、观测、安全和生产复杂度上的取舍。
面试官角度分析，想考什么
主流 Agent 框架怎么分类？
考别只报名字：SDK、图编排、数据/RAG、角色协作、企业平台。差别和选型依据是什么？
考控制粒度、状态、工具生态和生产治理，而不是“都能调工具所以差不多”。框架越强越好吗？
考取舍：抽象会带来黑盒和锁定；简单任务用轻量 runtime 往往更稳。
可直接抄走的 30 秒参考答案
text
主流 Agent 框架我会按抽象层级分。LangGraph 是显式图状态机，适合复杂生产流程、checkpoint、HITL 和可观测性；OpenAI Agents SDK 是轻量运行时，适合 OpenAI 生态下快速构建工具调用、handoff 和 guardrails；LlamaIndex 强在数据接入、索引和 RAG；CrewAI 强在角色化多 Agent 协作和业务自动化；AutoGen 代表多 Agent 对话编排思想，但现在 Microsoft 新项目方向更多转向 Microsoft Agent Framework；Google ADK 和 Semantic Kernel 则更适合各自云和企业生态。选型不是谁最好，而是看流程复杂度、数据复杂度、控制粒度和生产治理要求。面试回答详解，知其所以然
这道题最忌讳只说“LangChain、AutoGen、CrewAI 都不错”。高分回答要先建立分类，再讲各自适合什么、不适合什么。
1. 先按抽象层级分类
可以把 Agent 框架分成五类：
- 轻量 SDK 型：OpenAI Agents SDK、Claude Agent SDK、Google ADK。特点是贴近模型和平台能力，适合快速做工具调用、handoff、guardrails、tracing。
- 图编排型：LangGraph、Microsoft Agent Framework Workflows。特点是显式状态、节点、边、checkpoint、human-in-the-loop，适合复杂流程。
- 数据/RAG 型：LlamaIndex。特点是 loader、index、retriever、query engine、agent workflow，适合数据密集型 Agent。
- 角色协作型：CrewAI、AutoGen。特点是多个 agent 按角色、任务或对话协作，适合研究原型、内容生产和团队分工式任务。
- 低代码/平台型：Dify、Coze、AutoGPT Platform 等。特点是可视化编排、连接器、运营界面，适合业务团队快速搭建。
2. LangGraph：显式状态机和生产控制
LangGraph 的核心是把 Agent 或 workflow 建成图：
text
State -> Node -> Edge -> Next Node -> Checkpoint -> Resume / Stop特点：
- 状态显式，适合长任务、复杂分支和可回放调试。
- 条件边、子图、并行、interrupt 和 checkpoint 能表达复杂控制流。
- Human-in-the-loop 和持久化能力强。
- 和 LangChain/LangSmith 生态结合紧。
适合：
- 需要明确控制每一步的生产 Agent。
- 多步骤、多分支、可暂停恢复的业务流程。
- 需要 trace、回放、人工审批和状态持久化的系统。
不适合：
- 很简单的一两个工具调用。
- 团队不愿维护图状态和节点边界。
3. OpenAI Agents SDK：轻量 Agent Runtime
OpenAI Agents SDK 的核心抽象是 agent、tools、handoffs、guardrails、sessions 和 tracing。它更像“把常见 Agent loop 工程化”的 SDK。
特点：
- 上手快，适合从单 Agent 扩展到多 Agent handoff。
- 工具、结构化输出、guardrails、tracing 有统一抽象。
- 适合使用 OpenAI Responses API 和相关内置工具的团队。
- 比图框架更轻，但复杂控制流的显式程度不如 LangGraph。
适合：
- OpenAI 技术栈优先的产品。
- 客服、助理、研究、工具调用型 Agent。
- 想要少写框架代码但保留 trace 和护栏的团队。
不适合：
- 强多云模型中立要求。
- 极复杂的自定义状态机和企业内已有编排平台深度集成。
4. LlamaIndex：数据和 RAG 见长
LlamaIndex 起点是数据索引和 RAG，因此它在数据接入、文档解析、节点切分、索引、检索和 query engine 上很强。
特点：
- Document/Node/Index/Retriever 抽象成熟。
- LlamaHub 连接器和 LlamaParse 适合真实文档场景。
- Workflows 提供事件驱动编排，可做 Agent 流程。
- 常和 LangGraph 组合：LlamaIndex 做数据层，LangGraph 做控制流。
适合：
- 企业知识库、文档问答、数据分析和 RAG Agent。
- 文档结构复杂，表格、PDF、网页、数据库连接器很多的项目。
不适合：
- 主要难点是复杂多 Agent 控制流，而不是数据检索。
5. CrewAI：角色、任务和团队协作
CrewAI 的核心心智是 crew、agent、task、process，以及后来的 flows。
特点：
- 适合把工作拆成角色：研究员、分析师、写作者、审阅者。
- Crews 偏自主协作，Flows 偏事件驱动和流程控制。
- 代码相对直观，上手快，适合业务自动化和内容流水线。
- 复杂状态和强约束流程要谨慎设计，避免角色对话失控。
适合：
- 角色边界清楚的协作任务。
- 内容生产、调研、报告、销售运营、客服运营等流程。
- 需要快速 demo 多 Agent 协作的场景。
不适合：
- 需要非常精确控制每个状态转移的核心交易流程。
6. AutoGen 与 Microsoft Agent Framework：多 Agent 对话思想
AutoGen 早期代表了“多 Agent 通过对话协作”的路线，典型抽象包括 AssistantAgent、UserProxyAgent、GroupChat 和代码执行。它的价值在于证明多 Agent 对话可以编排复杂任务。
截至 2026 年，Microsoft 官方 GitHub 已提示 AutoGen 进入维护模式，新用户应关注 Microsoft Agent Framework。Microsoft Agent Framework 融合 AutoGen 和 Semantic Kernel 的方向，强调：
- 单 Agent 和多 Agent 抽象。
- 企业级状态、类型安全、中间件、遥测。
- 显式 workflow 和 human-in-the-loop。
- 对 Microsoft 生态和多语言 SDK 更友好。
面试里可以这样说：AutoGen 的论文和思想仍值得理解，但新项目选型要看 Microsoft Agent Framework 的演进。
7. Semantic Kernel、Google ADK 和其他生态
- Semantic Kernel：微软较早的 LLM 编排 SDK，强调 plugins、planner、memory、connectors 和企业集成。新方向与 Microsoft Agent Framework 汇合。
- Google ADK：Google 生态下构建 agentic 应用的 SDK，适合 Gemini、Vertex AI、Google 工具和企业云场景。
- AutoGPT Platform：从早期自主 Agent 演进到可视化构建、部署和运行 agent workflow 的平台，更偏产品化和低代码自动化。
- Dify/Coze/FastGPT：低代码应用平台，不一定是纯 Agent 框架，但在业务落地里经常和代码框架一起比较。
8. 一个实用选型框架
面试中可以按六个问题判断：
- 流程复杂度：简单 tool loop 用 SDK；复杂分支/暂停/恢复用图编排。
- 数据复杂度：RAG 和文档处理重，优先 LlamaIndex 或专业数据层。
- 多 Agent 形态：角色协作清楚可用 CrewAI；对话实验可看 AutoGen；生产控制优先图。
- 生产治理：是否需要 checkpoint、trace、HITL、权限、审计和评估。
- 生态绑定：OpenAI、Microsoft、Google、LangChain 生态哪个更符合团队现状。
- 团队能力：强工程团队可用 LangGraph；业务团队原型可用低代码平台。
面试官追问3个问题
追问一：LangGraph 和 LangChain 是什么关系？
- 考察点：是否理解工具层和编排层的区别。
- 回答方向：LangChain 提供模型、prompt、loader、vector store、tool 等组件；LangGraph 用图结构编排状态和控制流。可以单独用，也可以组合用。复杂 Agent 更常用 LangGraph 管流程。
追问二：CrewAI 和 LangGraph 怎么选？
- 考察点：角色协作 vs 显式控制流。
- 回答方向：角色分工清楚、流程不太复杂、想快速搭建协作团队时 CrewAI 更顺；需要强状态、条件分支、checkpoint、HITL 和生产可控性时 LangGraph 更稳。
追问三：LlamaIndex 是不是 Agent 框架？
- 考察点：数据框架和 Agent 编排边界。
- 回答方向：LlamaIndex 现在有 Agent 和 Workflows 能力，但它的核心优势仍是数据接入、索引、检索和 RAG。可以把它看成数据驱动 Agent 的强数据层。
扩展知识
面试里可以用的横向对比
- LangGraph：控制粒度最高，适合状态机、HITL、checkpoint 和复杂流程。
- OpenAI Agents SDK：轻量、贴近模型平台，适合工具调用和多 Agent handoff。
- LlamaIndex：数据层强，适合 RAG、文档解析、检索和数据 Agent。
- CrewAI：角色任务表达自然，适合协作型自动化和快速原型。
- AutoGen：多 Agent 对话范式经典，但新项目要关注维护状态和迁移方向。
- Microsoft Agent Framework：微软新一代企业 Agent SDK，融合 AutoGen 和 Semantic Kernel 思路。
- Google ADK：适合 Gemini、Vertex AI 和 Google Cloud 生态。
- 低代码平台：适合业务团队和 MVP，但复杂逻辑可能受平台限制。
什么时候不要上复杂框架
- 只有一个模型调用加一两个工具。
- 流程非常稳定，用普通后端代码更清楚。
- 团队还没有 eval、trace 和权限治理，先上多 Agent 会放大问题。
- 任务失败成本高，但框架无法提供足够可解释和可回滚的控制。
框架选型的隐藏成本
- 调试成本：错误可能发生在 prompt、模型、工具、状态合并或框架调度层。
- 迁移成本：工具、状态、trace 和 memory 抽象可能被框架绑定。
- 观测成本：没有 trace 的多 Agent 系统很难复盘。
- 评估成本：框架 demo 能跑不代表生产任务完成率高。