OpenAI 亲自下场造框架，LangChain 却越来越火——这事有点反常识

如果 OpenAI 自己出了 Agent 框架，LangChain 应该死了才对。

但打开 star-history.com，你会发现 LangChain 的 GitHub Star 不仅没跌，反而还在涨。AutoGen 同样如此。Agents SDK 2.0 发布之后，整个 Agent 框架赛道非但没有一统江湖，反而更热闹了。

这件事本身就值得想一想：OpenAI 做了一个"自家亲儿子"框架，为什么没能收割市场？

答案不在功能列表里，在设计哲学里。

---

第一章：sama 说"被严重低估"，他在说什么？

Altman 在一次开发者 AMA 上提到 Agents SDK 时，用了"severely underrated"这个词。很多人把这句话理解成"功能很多但没人用"，这是个误读。

他真正想说的是：大多数开发者还没意识到这个框架的定位发生了根本性转变。

回顾一下演化脉络：

Swarm（2024年初）
↓ 实验性的多 Agent 协调原型，主要用于内部验证
Agents SDK 1.0（2024年中）
↓ 开放 API，工具调用 + 基础 handoff，但文档稀薄
Agents SDK 2.0（2025年）
↓ 完整的生产级运行时：streaming、guardrails、tracing 全套

Swarm 是个实验，1.0 是个工具包，2.0 才是 OpenAI 第一次认真说"你可以用这个跑生产"。

这个转变意味着什么？意味着 OpenAI 不再只想卖模型，它开始押注"框架即产品"——把开发者锁在自己的生态里，就像 AWS 用 Lambda 锁住了无数团队一样。

理解了这个背景，后面的技术对比才有意义。

---

第二章：三框架设计拆解——同一件事，三种世界观

我选了一个最简单的场景来做对比：一个两步 Agent，先搜索信息，再生成摘要。用最少的代码，暴露最核心的设计差异。

Agents SDK 2.0：handoff 是一等公民

from agents import Agent, Runner, handoff

search_agent = Agent(
name="searcher",
instructions="搜索用户问题的相关信息，完成后 handoff 给摘要 Agent",
tools=[search_tool],
)

summary_agent = Agent(
name="summarizer",
instructions="接收搜索结果，生成简洁摘要",
handoff_description="接收搜索结果进行摘要",
)

search_agent.handoffs = [handoff(summary_agent)]

result = Runner.run_sync(search_agent, "最新的 AI Agent 框架对比")
print(result.final_output)

---

LangGraph：图是一等公民

from langgraph.graph import StateGraph, END
from typing import TypedDict

class State(TypedDict):
query: str
search_result: str
summary: str

def search_node(state: State):
result = search_tool(state["query"])
return {"search_result": result}

def summary_node(state: State):
summary = llm.invoke(f"摘要：{state['search_result']}")
return {"summary": summary.content}

graph = StateGraph(State)
graph.add_node("search", search_node)
graph.add_node("summary", summary_node)
graph.add_edge("search", "summary")
graph.add_edge("summary", END)
graph.set_entry_point("search")

app = graph.compile()
result = app.invoke({"query": "最新的 AI Agent 框架对比"})

---

AutoGen：对话是一等公民

from autogen import AssistantAgent, UserProxyAgent

search_agent = AssistantAgent(
name="SearchAgent",
system_message="你是搜索专家，负责搜索信息",
llm_config={"model": "gpt-5.1"},
)

summary_agent = AssistantAgent(
name="SummaryAgent",
system_message="你是摘要专家，基于搜索结果生成摘要",
llm_config={"model": "gpt-5.1"},
)

user_proxy = UserProxyAgent(name="user", human_input_mode="NEVER")

user_proxy.initiate_chat(
search_agent,
message="请搜索最新的 AI Agent 框架对比，然后请 SummaryAgent 摘要",
)

---

四维度对比矩阵

---

第三章：真实场景压测——不是 Demo，是找边界

场景一：客服机器人（高并发、低延迟）

RuntimeError: Cannot run multiple coroutines in the same thread
with a non-thread-safe checkpointer

需要换成 AsyncSqliteSaver 或 Redis 方案才能解决，文档里这个坑藏得比较深。

---

场景二：代码审查 Pipeline（多步骤 + 人工节点）

这个场景 LangGraph 是赢家。它的断点（interrupt_before）机制可以在任意节点暂停，等待人工审核后继续——这正是图结构的优势所在。

Agents SDK 2.0 的 human-in-the-loop 相对简单，适合"审核后继续/终止"的二选一，但如果你需要"人工修改中间状态后继续"，实现起来比较绕。

AutoGen 在这里反而有个意外优势：审查员可以直接用自然语言告诉 Agent"这段代码有问题，改一下再继续"，交互体验最自然——但可预测性最差。

---

场景三：数据分析 Agent（工具密集 + 结果可解释）

这个场景是 AutoGen 的主场。它内置的代码执行沙箱让 Agent 可以直接写 Python、跑 pandas、画图，然后把结果反馈给下一个 Agent。

但这里有个真实踩坑：AutoGen 的代码执行默认是在本地环境跑的，如果 Agent 生成了一段 os.system("rm -rf /") 级别的危险代码，没有额外配置的情况下会直接执行。生产环境必须配置 Docker 沙箱，这一点文档强调得不够。

---

Token 消耗对比（同一数据分析任务）

⚠️ 以下数据来自本地实测，不同任务复杂度会有较大差异，仅供参考量级判断。

同一个"分析 CSV 数据并生成报告"任务：

• Agents SDK 2.0：约 3,200 tokens（handoff 机制减少了冗余上下文传递）
• LangGraph：约 4,100 tokens（显式状态序列化有额外开销）
• AutoGen：约 5,800 tokens（多轮对话模式导致上下文累积）

AutoGen 的 token 消耗在复杂任务里可能比 Agents SDK 高出 40%-80%，这在高频调用场景里是实实在在的成本差异。

---

第四章：选型决策树——终于有人告诉你该怎么选

graph TD
A[我要选 Agent 框架] --> B{是否深度绑定 OpenAI 生态？}
B -- 是 --> C{项目阶段？}
B -- 否 --> D{是否需要本地模型？}

C -- 原型/MVP --> E[✅ Agents SDK 2.0
上手快，文档好，成本可控]
C -- 生产级复杂系统 --> F{是否有复杂状态流转？}

F -- 是 --> G[✅ LangGraph
图结构处理复杂拓扑]
F -- 否 --> E

D -- 是 --> H[✅ LangGraph 或 AutoGen
两者均支持本地模型]
D -- 否 --> I{主要用途？}

I -- 研究/实验 --> J[✅ AutoGen
灵活，适合探索性任务]
I -- 生产部署 --> G

• Agents SDK 2.0：约 2-4 小时，文档质量高，官方示例充足
• LangGraph：约 1-2 天，概念多（图、节点、状态、检查点），但一旦理解，扩展性极强
• AutoGen：约 4-8 小时，对话模式直觉友好，但生产化配置复杂

---

第五章：上手路径 + 成本估算

Agents SDK 2.0 最短路径

pip install openai-agents
export OPENAI_API_KEY="your-key"

第一个 Agent 5 分钟能跑通。关键坑：handoff 的 handoff_description 必须写清楚，否则主 Agent 不知道什么时候该移交任务，会陷入循环。

LangGraph 最短路径

pip install langgraph langchain-openai

第一个图 Agent 需要理解 StateGraph 的概念。关键坑：状态 schema 一旦定义，中途修改会导致持久化数据不兼容，原型阶段别急着接数据库。

AutoGen 最短路径

pip install pyautogen

关键坑：默认的代码执行是本地环境，生产前必须配置 Docker executor，否则有安全风险。

---

成本控制的隐藏变量

这里有一个常被忽视的点：框架设计直接影响 API 调用成本。

Agents SDK 2.0 的 handoff 机制在 Agent 交接时会截断上下文，只传递必要信息；而 AutoGen 的对话模式会把完整对话历史带入每次调用。在一个 10 步的复杂 Pipeline 里，这个差异会被放大。

如果你在开发测试阶段需要高频调用 API 验证逻辑，建议先用一个成本更友好的 API 入口跑通流程。[api.884819.xyz](https://api.884819.xyz) 提供和 OpenAI 完全兼容的接口格式，适合在正式接入前控制测试成本——文章里所有代码示例都可以直接切换 base_url 复现。新用户注册即送体验 token，按量付费，没有月租。

---

结论：选框架，本质上是在押注谁的生态会赢

我不想给"各有优劣"式的和稀泥结论。

• 做产品、要上线、团队不大：Agents SDK 2.0，没有悬念。上手快、成本可控、OpenAI 会持续维护。
• 做平台、有复杂状态流转、不想被单一厂商锁定：LangGraph，值得投入学习成本。
• 做研究、做实验、需要灵活探索：AutoGen，它的对话范式在探索性场景里仍然是最自然的。

LangChain Star 还在涨，不是因为它比 Agents SDK 更好用，而是因为有大量团队不愿意把命运押注在 OpenAI 一家身上。这是一个合理的战略选择，不是技术判断。

选框架本质上是在押注谁的生态会赢。而这个问题的答案，OpenAI 已经用钱投票了——问题是你是否愿意跟注。

---

下一篇预告

这篇我们只比了框架层。但有一个问题我刻意没展开：

下一篇，我会拿一个真实的语音+视觉 Agent 项目，测试现有三个框架的多模态支持上限——包括它们在处理连续音频流时，各自会在哪个节点崩掉。

---

#AI Agent #OpenAI #LangChain #AutoGen #AgentsSDK #开发者工具 #8848AI #AI框架选型