LangGraph
适合复杂任务流和多步骤决策链路的智能体场景
- 图结构编排适合多分支任务流程
- 便于做可观测的 Agent 状态机
- 适合和工具调用、记忆层深度结合
需要较强工程能力来维护流程复杂度。
开源项目怎么选
先按任务复杂度和可控性选框架，再决定多 agent 与工具层深度。
AutoGen
适合需要多个角色协作完成复杂任务的场景
- 擅长多 agent 协作与任务分工
- 可用于探索复杂流程的角色化执行
- 适合研发和实验团队快速验证
多 agent 成本与稳定性要重点评估。
CrewAI
适合快速搭建角色化智能体流程和 MVP
- 角色与任务定义直观，原型速度快
- 适合业务驱动的小团队验证
- 便于从简单流程逐步演进
生产化前需补齐治理与监控能力。
Haystack + Tool Layer
适合知识检索与工具调用并重的企业场景
- RAG 与 pipeline 结合能力成熟
- 适合知识密集型业务流程
- 可与外部工具层进行标准化集成
先定义知识边界与工具权限，再做大规模接入。
OpenHands / MCP 生态
适合需要更强执行能力和工具生态接入的团队
- 强调工具执行与任务落地能力
- 可借助 MCP 扩展外部系统能力
- 适合建设可持续扩展的能力层
必须做好权限沙箱与执行审计。
场景速查：怎么选技术路线
我要构建可控的复杂任务智能体
LangGraph
状态编排能力更强，便于治理和调试。
我要尝试多角色智能体协作
AutoGen / CrewAI
多 agent 协作原型更容易快速验证。
我主要是知识密集型业务流程
Haystack + 工具层
检索和执行能力组合更平衡。
我要更强执行能力与系统接入
OpenHands + MCP
更适合构建可扩展执行型 Agent。
个人可搭建技术路线
单任务闭环优先，优于一开始追求全能型 Agent。
01
定义任务边界
先明确智能体能做什么、不能做什么，避免能力泛化失控。
02
搭能力骨架
建立规划、检索、工具调用、记忆等核心模块。
03
接业务工具
按优先级接入 CRM、工单、数据库等真实业务系统。
04
建立评估闭环
持续评估任务成功率、成本和风险事件，迭代优化。
最小可行架构（MVP）
输入层
用户请求 / 事件触发
规划层
任务分解 / 决策策略
执行层
工具调用 / API 行为
记忆层
会话记忆 / 知识检索
治理层
权限 / 审计 / 监控
上线后盯哪些指标
任务成功率
Task Success Rate
衡量智能体是否能稳定完成目标任务。
工具调用成功率
Tool Call Success
衡量工具链路可用性和执行稳定性。
人工兜底率
Fallback Ratio
衡量当前自动化覆盖度与风险控制边界。
单任务成本
Cost per Task
衡量规模化部署时的经济性。
上线前检查清单
建议优先做
- 为每类任务定义成功标准和失败处理策略
- 关键动作必须记录输入、决策和执行日志
- 敏感系统接入采用最小权限原则
- 灰度上线并逐步扩大任务范围
常见风险点
- 能力边界不清，导致智能体越权执行
- 没有执行审计，问题无法追责
- 过早追求多 agent，忽略稳定性
- 只看演示效果，不看长期成本和维护
定制智能体一旦接入真实业务系统，必须把权限隔离、审计和回滚机制放在第一优先级。