AI智能体框架怎么选？2026 年 8 款框架的状态、审批与成本对比

选择 AI智能体框架，先看谁负责状态、审批和故障恢复。有状态工作流选 LangGraph；需要职责明确的智能体团队，选 CrewAI；在 TypeScript 应用里构建智能体，选 Mastra；希望由应用自己管理一个精简的执行循环，可以选 OpenAI Agents SDK。这 8 款框架的分野，就在这些责任如何划分。

开源 AI智能体框架省去的是代码库的订阅费。模型调用、托管、存储和运维仍然要付费。下文引用的文档、代码仓库许可证和厂商价格页面，均已于 2026 年 10 月 7 日核验。

Claude Agent SDK 需要单独考虑：它把 Claude Code 调用工具的运行环境嵌入你的应用。Pydantic AI 适合重视类型约束的 Python 服务；Vercel AI SDK 适合流式响应的网页界面；Google ADK 适合围绕 Google 技术栈构建的智能体系统。如果这些额外能力都没有解决你的实际问题，直接用模型厂商的 SDK 编写执行循环，依然是合理选择。

AI智能体框架对比：语言、MCP 与托管价格

“托管选项”一栏列的是可以向厂商购买的服务。托管可观测性服务记录运行过程，托管运行环境则负责执行。即使两者都与免费代码库配套，它们也是不同的采购项。

一旦未完成的任务需要在发起它的请求结束后继续，选型标准就会改变。 如果操作人员可能明天才批准某个动作，或者执行进程可能在写入后崩溃，应该先评估持久化与恢复路径，再考虑聊天界面。MCP 即 Model Context Protocol，用于向智能体开放工具和资源；它本身并不提供这种恢复保证。

这份智能体开发框架清单按什么标准筛选？

这里比较的是文档中说明的架构、许可证覆盖范围和当前价格。结论并非来自实际运行各框架的性能测试。

筛选围绕六个问题展开：

• 执行方式： 步骤由代码预先定义、由模型选择下一个工具，还是由不同专家智能体相互委派？
• 状态归属： 要持久保存的是消息、工作流位置、共享记忆、待处理决策，还是全部？
• 故障恢复： 进程重启、工具超时或用户稍后返回时，会发生什么？
• 工具边界： 能否只开放职责明确的应用函数，并接入需要的 MCP 服务器？
• 人工审批： 能否在执行前检查拟执行的动作，并根据审批结果正确恢复？
• 运维成本与许可证： 哪些能力属于免费核心，哪些需要商业协议，托管服务又按什么计费？

下面八个小节按实际生产任务排列。LangGraph 是本文针对有状态工作流的默认推荐，并不意味着它总比精简的执行循环更合适。主要需求是流式输出的 TypeScript 产品，没有必要仅凭这条推荐就引入图运行时。

托管无代码搭建器和可观测性产品不作为框架候选。Logfire 只是 Pydantic AI 旁边的可选服务，并非第九款框架。清单之外的专门生态也可能适配现有技术栈，但如果没有同样分析状态、审批和价格，贸然加入只会让决策更难。

智能体编排：状态和人工审批该怎么设计？

真正有用的状态，是另一个执行进程为了正确接手同一项业务所需的信息。编排框架负责协调步骤，但哪些记录能保证安全续跑，仍要由你定义。

以退款助手为例。历史记录保存对话和政策查询；执行位置表明资格已核验、退款仍待处理；审批记录明确经理批准的金额与动作；回执记录支付系统是否接受了这次操作。

这些记录回答的是不同问题。对话里一句“退款已获批”，不能证明经理批准了当前金额；工作流检查点标记“调用完成”，也不能替代支付系统回执。保存回执时，还需要稳定的操作标识，让重试能够识别同一笔拟执行的写入。

只读研究助手可能只需保存历史记录。入驻流程如果会停下来等待材料，保存执行位置就很有价值。涉及退款或账户变更时，则应在上线前设计好审批记录和外部回执。

人工审批功能也要在这里仔细检验。让模型“谨慎行事”的提示词是一条指令；执行前等待决策的工具关卡才是一项控制。审批界面要真正服务运维，就必须能展示确切参数、验证审批人身份、保存决策，并在重启后恢复。

SDK 可以提供暂停能力或发出审批请求，但审批人是否有权批准、动作本身是否有效，仍由产品负责。如果申请金额在获批后发生变化，原来的批准不应悄悄授权新金额。无论选哪款框架，这都应该成为应用层的明确约定。

不同生产任务，该选哪款框架？

1. LangGraph：需要保存进度的多步工作流

当智能体本质上是一条工作流，而且当前执行位置很重要时，LangGraph 是最值得优先考虑的起点。它是底层图运行时：节点、每个节点的工作以及节点间的流转都由你定义。有些节点执行普通代码，有些可以让模型决定下一步。LangChain 组件是可选的，因此采用 LangGraph，不等于每项应用操作都必须再套一层抽象。

语言与许可证： Python 和 TypeScript/JavaScript；核心采用 MIT 许可证。
适用场景： 需要分支、暂停和恢复的业务个案、入驻流程或研究工作流。
主要优势： 明确的工作流状态、线程检查点，以及独立的跨线程存储。
价格： 核心代码库免费。LangSmith Developer 为 $0/席位/月，Plus 为 $39/席位/月，Enterprise 定制报价。各托管方案有各自的用量规则。
免费试用： Developer 是长期免费方案；付费部署能力从 Plus 开始。

假设技术创始人正在搭建供应商入驻系统，合理的工作单位是一个供应商个案。文档提取节点给出候选字段，确定性代码校验字段，智能体索取缺失材料，审批人批准最终记录。图结构让操作人员直接看到哪一步流转在等待，而不必从对话里猜进度。

状态： 检查点保存器保存某个线程的图状态；存储层则保存跨线程的应用信息，例如供应商的稳定档案。内存检查点会在进程重启时丢失，所以生产环境需要持久存储。较大的证据文件应放在检查点之外，只保存引用，否则原本精简的控制记录会变成所有产物不断膨胀的副本。这些区别在 LangGraph 持久化文档中有说明。

工具、MCP 与人工审批： 节点可以调用自己的应用代码。LangChain MCP 适配器将本地 stdio 或远程 Streamable HTTP 工具接入图。LangGraph 的 interrupt() 会暂停执行，调用方通过 Command(resume=...) 传入决策。关键在于：恢复时，被中断的节点会从头执行。如果把外部写入放在暂停之前，写入就可能再执行一次。中断指南明确说明了这一行为。

难点在于底层运行时周围仍需自己承担的工作：状态 schema、检查点保留策略、执行进程部署、图结构变更和恢复语义。持久执行是一种需要配置与设计的能力。它并不保证无论工具如何实现，付款或邮件都只发生一次。

托管成本，核验于 2026 年 10 月 7 日： Developer 包含一个席位和每月 5k 条基础追踪。Plus 在整个组织内包含每月 10k 条基础追踪，以及一个免费的 Serverless Small 部署。额外的无服务器或专用部署会消耗资源；厂商建议面向客户的智能体使用专用部署。Enterprise 定制报价，提供自托管/混合部署选项。当前计费单位为 LSU，单价 $1.00/LSU。公布的部署计量项包括：运行时计算 0.0675 LSU/vCPU-hour、运行时内存 0.0090 LSU/GiB-hour、数据库计算 0.177 LSU/vCPU-hour，以及数据库内存 0.025 LSU/GiB-hour。各档位与计量项均来自 LangSmith 价格页。

连接能执行写入的工具之前，可以先用下面的小教程做一次设计练习：

1. 1

   给任务一个持久标识

   每个供应商个案、客户请求或其他业务结果，都使用一个线程标识。任务恢复时复用它，不要因为换了执行进程就新建线程。

2. 2

   将决策与产物分开

   在状态约定中保存当前阶段、证据引用、拟执行动作和审批状态。文档及较大的输出保存在各自的存储中。

3. 3

   配置持久检查点

   在试点需要重启恢复能力之前，就替换内存保存器。明确保留策略，并让接替工作的进程能访问同一个线程。

4. 4

   在写入之前暂停

   通过中断展示拟执行动作。获批后，使用稳定的操作标识调用职责明确的应用工具，并保存结果。

5. 5

   演练故障恢复

   分别在模型调用期间、等待审批时和外部写入之后重启执行进程。确认任务能继续，且拟执行动作不会重复发生。

选型建议： 保存工作流位置和故障恢复属于产品要求时，选 LangGraph。如果任务只是一个短请求，现有应用就能妥善完成和重试，无需引入它。

2. CrewAI：职责明确的多智能体团队

CrewAI 适合有不同专业角色、需要交接的任务。它的 Python 抽象把智能体组织成 Crews，为其设置角色、目标和任务；Flows 则提供外围的事件驱动流程。生产环境中更实用的模式，是让 Crew 完成范围明确的协作任务，再由 Flow 管理前后的业务阶段。

语言与许可证： Python；MIT。
适用场景： 职责或工具权限不同的研究、分析和撰稿任务。
主要优势： 在结构化 Flows 中实现按角色分工的协作。
价格： 开源代码库免费。托管 Basic 免费，每月包含 50 次工作流执行；Enterprise 定制报价。
免费试用： Basic 是免费方案。Enterprise 可以申请试用，但价格页未公布试用时长。

准备客户简报时，创始人可以让研究员获取证据，让分析师识别相关购买信号，让撰稿人负责最终简报。当输入、权限或验收标准确实不同，这些角色才有价值。给同一个模型安排三份人物设定，再开放相同工具，并不会自动造出三个有用的专家。

状态： Flow 状态可以是字典，也可以是 Pydantic 模型，即校验预期字段的 Python schema。@persist 机制保存状态快照，默认持久化后端为 SQLite，也支持自定义实现。持久状态可以按原有标识恢复，或分叉成另一次运行。应将 Flow 的状态与智能体记住的事实分开：“简报等待审批”是流程状态，“这个客户面向医院销售”是知识。CrewAI Flows 文档介绍了这些控制方式和人工反馈。

工具与 MCP： 当前 MCP 接口支持通过 mcps 配置智能体，可用本地 stdio、HTTP 和 SSE 传输，也可走适配器路径。筛选工具比接入多少集成更重要。研究员应获得查询工具；撰写简报的智能体，不应仅因同一个 MCP 服务器也开放了修改操作，就继承变更客户账户的权限。

人工审批： Flow 的人工反馈可以暂停任务，等待批准或修改。自定义异步反馈提供方，让产品能在原来的交互进程之外收集决策。审批结果应成为明确的业务决策，记录送审产物和审批人。Crew 中名为“审核员”的角色仍然是模型，并不是操作人员所依赖的人工关卡。

当协作规模增长快于任务约定的完善速度时，问题就会出现。研究员改变证据格式，分析师可能在不知不觉中换一种理解，撰稿人再把这种偏差写成语气笃定的最终文档。每个交接点都应要求结构化证据和具体的验收规则。最终写入应放在不受约束的智能体讨论之外。

托管成本，核验于 2026 年 10 月 7 日： 当前 CrewAI 价格页列出免费的 Basic，包含可视化编辑器、AI copilot、GitHub 集成和每月 50 次工作流执行。Enterprise 定制报价，提供治理能力，并可部署在 CrewAI Cloud、你的 VPC 或自己的基础设施上。页面未公布固定美元价格的中间档位，也未公布超额单次执行价格，因此无从引用。需要 51 次托管执行的工作量已经超出 Basic 公示额度，需要洽谈商业方案或改用其他部署方式。开源代码库的模型和基础设施账单仍须单独计算。

选型建议： 任务确实需要不同专家分别负责时，选 CrewAI。对于固定的校验与审批流程，让 Flow 掌控步骤，只保留值得花模型调用费的角色。

3. OpenAI Agents SDK：由应用管理的智能体执行循环

如果部署和数据应由应用掌控，而模型调用、工具和任务交接交给一个小型执行器管理，OpenAI Agents SDK 很合适。智能体定义封装指令与可用能力；执行器持续运行，直到智能体给出最终答案、移交任务或暂停。对已经具备后端、身份验证和存储的产品来说，这个框架的规模恰到好处。

语言与许可证： Python 和 TypeScript；开源 SDK 采用 MIT 许可证。
适用场景： 围绕 OpenAI 构建，需要工具循环、专家交接和审批控制的应用。
主要优势： 精简执行器、由 SDK 管理的工具，以及内置追踪。
价格： SDK 没有付费席位档位。模型调用和适用的托管工具按用量收费；自己的运行环境另计成本。
免费试用： SDK 没有需要试用的订阅；不能据此认为 API 使用免费。

设想现有 SaaS 产品里有一个账户支持智能体。后端已经知道登录用户的账户与权益。智能体可以查询账户背景、追问缺失信息，再调用职责明确的取消请求工具。这里需要的是围绕这些操作的受控循环，而不是另一个试图接管应用数据库的平台。

状态： 官方文档提供了几种选择：本地回放历史、由自己的存储支持的 SDK 会话、Conversations API 标识，或通过上一条响应 ID 延续响应。应选用一致的策略。如果既加载全部本地历史，又让 API 延续同一个已保存的对话，上下文可能重复。对话记录也不会自动保存无关计费操作的完整生命周期，那部分记录仍要留在应用里。

工具、MCP 与人工审批： SDK 支持函数工具、托管工具和 MCP，包括通过 stdio 或 Streamable HTTP 管理由 SDK 接入的本地/私有服务器。审批中断会返回可恢复的状态。应用可以批准或拒绝拟执行的调用，将状态序列化以等待稍后的审批，再恢复同一次运行。Guardrails 是自动检查，人工批准则是另一个决策。官方人工审批指南中，输入检查作用于首个智能体，输出检查作用于生成最终结果的智能体。会产生副作用的工具旁边也应设置检查。

难点是仍需自己运维的编排环节：存储适配器、任务生命周期、审批界面，以及在另一个执行进程上恢复任务的方式。SDK 能返回可恢复的运行状态，不代表它会接管业务交易日志。如果这些系统已经存在，这种分工很合适；如果原本期待的是全托管智能体服务，额外工作就会更多。

成本，核验于 2026 年 10 月 7 日： 以模型账单为例，OpenAI 价格页列出的 gpt-6.1-sol Standard 短上下文费率为：输入每 1M tokens $2.00，输出每 1M tokens $10.00。假设一个完成的任务在全部调用中使用 20,000 个未缓存输入 tokens 和 2,000 个输出 tokens，模型费用为 $0.06。每月 5,000 个任务就是 $300，尚未包含工具、托管、存储或可观测性费用。这是算术示例，并非测得的智能体工作负载；其他上下文、模式与缓存的费率不同。

OpenAI 还提供独立的 Agents API，运行托管的 Codex harness。它不是用来托管任意 Agents SDK 代码的套餐档位。走托管路径时，应计入模型、工具、沙箱和第三方费用，而不是凭空套一个月费方案。OpenAI Agents API 与 Agents SDK 对比进一步解释了这一区别。

选型建议： 希望后端掌控整个系统，同时用执行器省去自己维护循环基础逻辑的工作时，选它。确定这些责任归属后，可从如何构建 AI 智能体指南开始。

4. Claude Agent SDK：处理文件、命令和代码的运行环境

如果智能体需要借助 Claude Code 背后的运行环境处理文件、命令和代码，Claude Agent SDK 就是相关选项。它将该运行环境嵌入自己运维的 Python 或 TypeScript 进程。这比安装一个向 Claude 发送提示词的客户端库，是大得多的架构决策。

语言与许可证： Python 和 TypeScript。Python 封装层的 LICENSE为 MIT；Anthropic 的 SDK 文档说明，除单独授权的组件外，使用受其 Commercial Terms 约束。
适用场景： 需要现成工具执行环境的代码仓库助手、文件处理进程或编程智能体。
主要优势： 内置文件与命令工具、上下文管理、会话、钩子和子智能体。
价格： SDK 没有独立订阅档位，API 按用量收费。独立的 Claude Managed Agents 在模型 token 费用之外，增加每个运行中会话小时 $0.08。
免费试用： 无需试用 SDK 订阅。模型访问和托管运行环境各有计费规则。

开发代码仓库维护服务时，内置运行环境可以读取目录树、检查相关文件并执行命令。若只是查询账户、返回草稿的客服机器人，同样的执行能力可能超出产品所需。应因为任务确实需要这个执行环境而选择它，而不是因为两个产品都使用 Claude。

状态： SDK 自动将对话会话写入磁盘，支持继续对话、显式恢复和分叉。文档区分了对话持久化与文件系统持久化：恢复对话记录，不会回滚或还原智能体修改过的文件。将任务迁到另一台主机，也需要相应的会话文件，而不只是一个标识。运维人员需要存储和工作区策略，保证证据与工作文件一致。Claude SDK 会话文档解释了这一边界。

工具、MCP 与人工审批： 内置能力包括读取、写入和编辑文件、运行命令，以及连接 MCP 工具。权限规则与模式控制自动执行；进入运行时审批回调的调用，由 canUseTool 处理。此前的自动批准可能跳过这个回调。如果某项检查必须覆盖每一次工具调用，应使用 PreToolUse 钩子，并让应用掌控实际环境的访问边界。这些是运行时控制，不能替代客户工作区隔离。

难点是与执行环境及 Claude 运行时的耦合。SDK 可以管理对话，但产品仍要负责工作区创建、产物保留、凭据和审批流程对接。如果租户任务在一个没有原有文件的新容器里恢复，会话记录不会替你重建文件系统。

成本与条款，核验于 2026 年 10 月 7 日： SDK 概览明确区分嵌入式 Agent SDK、直接调用 Claude 的客户端 SDK，以及 Claude Managed Agents。对于商业产品，文档引导开发者使用 API key 身份验证；不能假定某位用户的 claude.ai 订阅就是可以供客户使用的托管智能体额度。Python 封装层采用 MIT，并不意味着整个捆绑运行环境都是不依赖特定厂商的 MIT 框架。

Claude 价格页列出 Claude Sonnet 5.5 的基础输入费率 $2/MTok、输出费率 $10/MTok，缓存和其他调整项另计。Managed Agents 在标准模型 token 费用之外，仅对状态为 running 的时段收取 $0.08/会话小时；空闲、重新调度和已终止的时段不计入。假设有 100 个运行中会话小时，运行环境费用增加 $8，尚未包含模型和工具费用。这是一套独立托管的 harness，与自行运行 Agent SDK 的部署方式不同。

选型建议： 任务需要 Claude Code 运行环境的能力时，选它。如果只需要精简的 Claude 工具循环，使用厂商客户端 SDK，并由应用保管自己的工具和状态。

5. Mastra：TypeScript 应用里的智能体与工作流

当 TypeScript 产品需要的不只是流式模型响应，而是同一应用框架中的智能体、持久记忆、工具和可恢复工作流时，Mastra 更合适。除了这些基础能力，它还提供开发界面 Mastra Studio。其范围介于小型 Web 执行循环与刻意保持底层的工作流运行时之间。

语言与许可证： TypeScript。核心及仓库大部分代码采用 Apache 2.0；ee/ 目录中的代码采用 Mastra Enterprise License。
适用场景： 需要应用记忆和后台工作流阶段的 TypeScript SaaS 智能体。
主要优势： 同一技术栈中提供智能体、记忆、工作流快照和 MCP 客户端/服务器支持。
价格： Platform Starter 为 $0/月，另计用量；Teams 为 $250/月，另计用量；Enterprise 定制报价。自托管 Free 为 $0/月，自托管 Enterprise 定制报价。
免费试用： Starter 是持续提供的 $0 方案，超额按量计费，并不等于无限免费运行。

设想一个客户成功应用：汇总续约证据、起草建议，再等待客户负责人审批。前后端已经使用 TypeScript，Mastra 可以表达智能体及外围工作流，无需为这个流程先引入另一种语言。

状态： 智能体记忆需要配置存储提供方。消息历史、工作记忆和较长周期的上下文管理，与工作流位置解决的是不同需求。工作流的 suspend() 捕获执行快照，resume() 传入预期数据并继续已暂停的任务。快照通过配置的提供方存储后，可以跨部署与重启保留。对于审批工作流，重要的是阅读暂停与恢复指南，而不只是看聊天记忆演示。

工具、MCP 与人工审批： MCPClient 使用外部工具；MCPServer 可以向其他客户端开放 Mastra 智能体、工具和工作流。两者都支持 stdio 和 Streamable HTTP。工具审批及暂停事件可以传递到产品界面，工作流也可以暂停等待审批，并校验恢复时的数据。暂停前后应保持提案标识稳定。负责人批准一份续约操作草案后，应该恢复已记录的提案，而不是换成模型新生成的版本。

难点是“有这些基础能力”与“生产应用已配置完整”之间的差距。存储、租户隔离、保留策略、身份验证和可安全重放的工具，仍需认真设计。围绕企业控制能力构建产品前，还要检查许可边界：Apache 核心许可证不会以相同条款覆盖所有 ee/ 功能。

托管成本，核验于 2026 年 10 月 7 日： 当前 Mastra 价格页列出 Starter 包含 100K 个可观测性事件，超出后 $10/100K；包含 24 CPU 小时，超出后 $0.35/小时；数据保留 15 天。Teams 为 $250/月，包含 1M 个事件，超出后 $8/100K；包含 250 CPU 小时，超出后 $0.25/小时；数据保留六个月。两者均列明用户、部署和项目数量不限。Enterprise 定制报价，用量、保留期限和支持可协商。

在 Starter 和 Teams 中，用于 24/7 持续在线的 Persistent Server 标价为 $100/项目。模型网关按市场价加 5.5% 收费；记忆、检索、数据库和出站流量还有各自的计量项。自托管 Free 的框架价格为 $0；获得许可的自托管 Enterprise 定制报价，采用固定年费。自行托管时，模型与基础设施用量仍然另计。

假设某个月使用 100 CPU 小时和 300K 个事件，Starter 的计算/事件超额费分别为 $26.60 和 $20，合计 $46.60，尚未计入其他项目。对于这类负载，基础月费 $250 的 Teams 并不会自动更便宜。应根据 Teams 真正改变的功能和用量结构来选择，而不是仅因智能体进入生产环境就升级。

选型建议： 应用同时需要智能体行为和工作流结构时，选 Mastra。主要任务是围绕精简执行循环构建 Web 界面时，选 Vercel AI SDK。

6. Google ADK：围绕 Google 技术栈构建的智能体系统

Google ADK 即 Agent Development Kit，适合希望利用 Google 智能体工具和部署路径，同时保留代码定义的智能体与工作流的系统。它支持 Python、TypeScript、Go、Java 和 Kotlin。框架可以运行在自己的基础设施上，采用它本身并不要求购买托管运行环境。

语言与许可证： Python、TypeScript、Go、Java 和 Kotlin；核心为 Apache 2.0，已在 Python 仓库核验。
适用场景： 现有运维技术栈位于 Google Cloud 的智能体系统。
主要优势： 会话服务、具有不同作用域的状态、工作流组合，以及托管部署路径。
价格： 框架免费。Agent Runtime 按用量计费；超过各自免费额度后，标准按需计算费为 $0.085/vCPU-hour，内存费为 $0.009/GiB-hour。
免费试用： 托管资源有每月免费额度；模型 token 和其他资源计量项另计。

对于 Google Cloud 应用中的运维助手，实际吸引力是与操作人员熟悉的环境保持一致。用户身份和访问边界留在现有后端，由 ADK 协调工具与专家智能体。这可能比仅为一个智能体就采用另一款框架的云控制台更有价值。

状态： 会话包含事件、对话历史和状态。状态前缀区分应用级值、用户级值和临时值；没有前缀的键属于会话作用域。内存会话服务不提供重启后的持久化。数据库和 Vertex AI 会话服务是可持久保存的替代方案。应通过可追踪的上下文/事件更新状态，不要修改取回的会话对象后就假定它已被保存。云产品名称虽有变化，责任归属的问题始终相同：接替工作的执行进程将从哪里加载任务？

工具与 MCP： ADK 支持自定义工具，以及连接本地或远程服务器的 MCP 工具集。应检查所选语言的实现，不要假定所有示例都适用于全部五种语言。当前原生 Agent Runtime 部署指南列出 Python 和 Go；某种语言有 SDK，并不能证明它获得了相同的托管部署支持。

人工审批： 实验性的 Tool Confirmation 可以暂停工具，等待用户或监督系统确认。当前已知限制明确说明：不支持 DatabaseSessionService 和 VertexAiSessionService。TypeScript 还要求在工具执行中手动实现确认逻辑。对于必须等待审批、并在进程重启后继续的生产任务，这是一项决定性的兼容性检查。不能分别选定持久会话服务和 Tool Confirmation，就假定二者可以配合。如果这种组合是设计核心，应使用经过验证的其他审批机制，或者选择文档中暂停与存储组合符合要求的框架。

难点是功能是否在不同实现中一致，以及与后端的兼容性。语言支持列表很广，但具体部署或审批功能的可行路径可能更窄。应验证完整组合，包括会话服务与工具类型，而不是看各项功能单独打勾就认可整套方案。

托管成本，核验于 2026 年 10 月 7 日： Google 的 Agent Platform 价格页采用共享资源计量。标准按需 Agent Compute 每个账号每月包含 50 个免费 vCPU-hours，之后为 $0.085/vCPU-hour。Agent Memory 每个账号每月包含 100 个免费 GiB-hours，之后为 $0.009/GiB-hour。Agent Storage 有 1 GiB-month 免费额度；Sessions 和 Memory Bank 的存储标价为 $0.30/GiB-month。模型 token 另计。

价格页还列出符合条件的一年承诺优惠费率：$0.0765/vCPU-hour 和 $0.0081/GiB-hour；三年费率为 $0.068/vCPU-hour 和 $0.0072/GiB-hour。这些是承诺用量的选项，不是免费框架的档位。会话与记忆操作也消耗 Agent Compute：按 $0.085 计价的一个 vCPU-hour，对应三百万次读取或一百万次写入。托管预算也应纳入这些操作。

假设单独一个运行环境在某个月使用 100 vCPU-hours 和 200 GiB-hours，扣除上述额度后，计算/内存费用为 $5.15。这里未包含模型使用、存储、会话操作，以及账号内其他用量对共享免费资源的消耗。这只是组件费用估算，并非完整的托管智能体账单。

选型建议： 所需语言、部署和审批组合在文档中明确受支持时，选 ADK。涉及持久化的人工审批时，实际兼容性应比笼统的 Google Cloud 偏好更有决定权。

7. Pydantic AI：有严格类型约束的 Python 应用服务

如果 Python 后端中的智能体必须返回经过验证的数据，并使用明确的应用依赖，Pydantic AI 很合适。Pydantic schema 描述系统预期的字段和类型；框架将这套约束用于智能体输出与工具接口。尤其当下一步消费的是结构化决策，而不是一段看似合理的文字时，这一点很有用。

语言与许可证： Python；MIT。
适用场景： 嵌入 Python 服务、具有严格输入输出约定的智能体。
主要优势： 带类型约束的依赖和经过验证的输出，可选外部持久执行后端。
价格： 代码库免费。可选 Logfire Personal 免费，Team 为 $49/月，Growth 为 $249/月，Enterprise 定制报价。
免费试用： Logfire Personal 永久免费；提供的是可观测性服务，并非免费模型执行。

例如，一个受理服务需要向现有应用返回个案类别、证据引用和建议的下一步动作。输出验证便于在操作人员看到结果之前，拒绝缺失或格式错误的字段。但它不能证明建议正确。业务规则、证据检查，以及动作本身的审批，仍然不可少。

状态： 消息历史可以跨运行传递，并序列化到自行选择的存储中，从而延续对话。对于必须经受故障和重启的执行进度，Pydantic AI 文档提供外部持久执行集成，包括 Temporal、DBOS、Prefect 和 Restate。这些系统保存执行进度；仅安装智能体代码库，并不会获得这套运行环境。已有持久任务系统的 Python 服务，在更换编排方案之前，应先评估相关集成。

工具与 MCP： 当前文档使用 MCPToolset，将 FastMCP 客户端封装起来，支持 stdio、Streamable HTTP 和 SSE 服务器。服务器身份与每个用户的凭据，应由应用管理。共用同一个身份连接服务器，不会自动为每位向智能体提问的用户建立独立授权边界。

人工审批： 延迟工具可以等待批准或外部执行结果。内联处理器可以在同一次运行中处理请求。需要外部审批人时，智能体可以返回 DeferredToolRequests；应用保存历史和待处理调用，收集决策，再携带 DeferredToolResults 发起后续运行。这种外部续接是一次新的智能体运行，因此应将它关联到原对话，而不是假定运行标识没有变化。延迟工具指南说明了这一区别。

难点是类型约束严谨的智能体周围仍需配套系统。Schema 让接口更容易理解，但不提供审批界面、持久队列，也不保证决策语义正确。如果文档把错误的客户标识填进一个合法的字符串字段，类型验证仍可能通过。任何写入之前，都应独立验证身份与证据。

托管成本，核验于 2026 年 10 月 7 日： Logfire 价格方案提供托管可观测性与评估服务。Personal 每月包含 10M 条遥测记录，费用硬性封顶为 $0，包含一个席位、两位只读访客、三个项目，并保留数据 30 天。Team 为 $49/月，包含 10M 条记录，超出后每百万条 $2；包含五个席位，最多十二个，每个额外席位 $25。Growth 为 $249/月，席位、访客和项目数量不限，数据最多保留 90 天，包含相同记录量，超额同样为 $2/百万条。Enterprise 定制报价，提供 Cloud、Dedicated 和 Self-hosted 形式。

Team 使用六个席位时，基础费用为 $74/月；十二个席位时为 $224/月。第十三个席位会超过 Team 上限。Growth 为 $249/月，比十二席位的 Team 基础费用只高 $25，同时提供更长保留期限和额外组织功能。这些价格均不包含 Pydantic AI 智能体的托管或模型调用。遥测预算应单列，不能当成智能体运行环境的成本。

选型建议： 产品以类型约束明确的 Python 服务为核心时，选 Pydantic AI。只有任务需要时才增加持久执行，并单独比较相应引擎的运维要求。

8. Vercel AI SDK：Web 应用中的流式智能体

对于 TypeScript 或 JavaScript 应用，如果眼前的产品需求就是用户界面、流式响应和工具循环，Vercel AI SDK 很合适。Core 接口统一模型与工具调用，UI 接口把这些交互连接到 Web 界面。使用代码库不要求将应用部署到 Vercel。

语言与许可证： TypeScript/JavaScript；Apache 2.0。
适用场景： 现有 Web 产品里的聊天或智能体界面。
主要优势： 流式 UI 基础能力，以及可跨模型厂商复用的工具循环。
价格： 代码库免费。可选 Vercel 托管：Hobby 为 $0/月，Pro 为 $20/月另计用量，Enterprise 定制报价。AI Gateway 使用独立额度。
免费试用： Hobby 是供个人使用的免费方案；托管价格页提供 Pro 试用。

创始人为 Web 应用增加账户助手时，可以在同一界面中流式输出答案、展示工具进度，并请用户批准变更。如果大部分工作都在这次交互中完成，这个范围就很实用。如果流程要等其他部门明天处理，就需要浏览器组件之外的任务生命周期与持久化。

状态： 可复用的智能体循环不会自动把聊天变成持久业务流程。文档中的消息持久化方案，将 UI 消息保存在应用管理的存储里；生产环境可以使用数据库或云存储。消息标识应保持稳定，恢复的工具消息也应按当前 schema 验证。此外，还要单独决定浏览器关闭但后端仍在运行时怎么处理。聊天消息持久化文档解释的是如何集成，并不声称 SDK 提供了应用数据库。

工具、MCP 与人工审批： MCP 客户端把服务器工具开放给模型循环。当前本地工具审批 API 为 toolApproval，旧属性 needsApproval 已弃用。手动审批返回请求片段，由 UI 收集决策，再通过后续调用消费审批响应。关键边界在于：由模型厂商执行的工具不受这个本地审批设置控制，需要单独配置厂商侧控制。工具调用文档说明了生命周期和这一边界。

难点是不能把精致的对话界面当成工作流引擎。SDK 提供实用的循环控制，普通代码也可以表达已知步骤，但它不会让托管函数无限等待审批人，不会自动保存外部交易回执，也不会验证点击“批准”的人是否有权操作。UI 应展示应用状态，而不是独自掌管任务。

托管成本，核验于 2026 年 10 月 7 日： Vercel 托管价格页列出 Hobby 为 $0/月，Pro 为 $20/月，Enterprise 定制报价。Hobby 仅限非商业个人用途。Pro 方案价格说明明确，平台费包含一个部署席位和每月 $20 用量额度；额外部署席位为 $20/月，查看者免费。因此，三个部署席位的起步价是 $60/月，尚未计入按需消耗。用量额度属于整个方案，增加席位不会成倍增加额度。

可选的 AI Gateway 价格方案中，免费档位为符合条件的模型提供每月 $5 额度；付费档位使用购买的按量付费额度。Token 费率与厂商标价一致，不加价。购买额度会将账号转到付费档位，并结束周期性免费额度；自带 API key 的访问属于付费档位。网关额度与托管方案的用量额度不同，可选网关功能也可能另有收费。

选型建议： 面向 Web 的执行循环选 Vercel AI SDK。智能体与持久工作流需要更完整的共用框架时，选 Mastra；如果任务会超出本次交互的生命周期，也可以增加独立的持久任务系统。

不同团队应该怎么选？

有状态的多步工作流，先看 LangGraph。 决定因素不是提示词数量，而是保存执行位置、分支和延迟审批是否属于最终业务结果的一部分。如果操作人员必须知道个案走到哪里、接下来哪一步可以安全执行，就应采用明确的图结构。

按角色分工的智能体团队，选 CrewAI。 每个角色应有独立任务、证据交接约定或工具边界。如果所有角色都使用相同输入、产生同类答案，应该先简化设计，再选择协作框架。

TypeScript Web 应用内的智能体，优先比较 Mastra 和 Vercel AI SDK。 产品需要持久记忆和工作流暂停时，Mastra 更完整的范围才有价值。流式响应和工具交互是核心、其余职责已由后端承担时，Vercel AI SDK 更合适。现有基础设施也会改变选择：成熟的任务引擎会减少再引入一层工作流的理由。

精简、围绕模型厂商构建的执行循环，选 OpenAI Agents SDK 或厂商客户端 SDK。 OpenAI 的智能体执行器在应用内增加工具、任务交接和审批状态。对于 Claude，只有内置文件与命令能力确实重要时才选 Agent SDK；更小的自定义循环可以用客户端 SDK。

围绕 Google 技术栈的系统，检查完整功能组合后再考虑 ADK。 当前 Tool Confirmation 的限制，足以改变持久审批架构。不能仅凭语言支持就定下方案。

Python 团队该优先比较哪些智能体框架？

LangGraph 适合明确的工作流位置管理；Pydantic AI 适合类型约束严谨、输出需要验证的服务；CrewAI 适合分工明确的协作角色。OpenAI Agents SDK 则适合由应用管理的小型执行器。支持 Python 只是入围条件，最终决定应看状态与审批模型。

当步骤已经确定，就让普通代码或确定性工作流掌控流程。n8n 智能体与工作流对比进一步讨论了同一边界：模型负责需要判断的部分，工作流负责能够事先定义的动作。

什么情况下，直接用厂商 SDK 更合适？

当一家模型厂商、一组少量工具和一个范围明确的任务就能满足需求时，可以直接用厂商 SDK 编写循环。只读账户查询、文档分类或短篇撰稿，通常都可以留在现有后端中。

基本循环是：发送请求，校验工具参数，调用允许的应用函数，返回工具结果，然后继续，直到模型完成或达到设定的停止条件。如果步骤固定，应用可以直接调用所需函数，只把判断或文本生成交给模型。

当应用已经负责身份验证、持久任务、重试策略、存储和遥测时，这种选择很有吸引力。如果框架只是把现有能力重新封装，就多了一套需要维护的接口。只有当它消除了一项反复出现的具体负担，例如可恢复的工作流位置、一致的任务交接或审批状态生命周期，才真正有价值。

设定最大工作量，保留必要历史，并记录结果。不用框架，仍然要明确谁负责故障。如果你反复亲自编写检查点流转、延迟审批处理或专家编排，就应该重新考虑能够补上这些基础能力的代码库。为一个说得清楚、反复发生的问题而采用框架。

开源智能体框架：许可证与运维成本怎么算？

免费代码库与托管平台应分别审批预算。LangGraph、CrewAI、OpenAI Agents SDK 和 Pydantic AI 的核心采用 MIT；Vercel AI SDK、已核验的 Google ADK Python 核心，以及 Mastra 核心采用 Apache 2.0。Mastra 的企业目录与 Claude 运行环境另有条款。Claude 的 MIT Python 封装层只是一个组件，不能用它概括所运行的全部内容。

模型用量、运行时资源、持久存储、可观测性和审批运维，应分别列入预算。免费追踪额度不等于免费智能体额度；模型网关额度不等于托管额度；席位价格也不等于完整部署价格。前面各框架的计算示例展示了这些差异，并没有为尚未明确的工作量编造一个总价。

对操作人员而言，最昂贵的模糊地带，可能是超时后不知是否已经成功的动作。保存拟执行操作，取得必要批准，通过职责明确的应用工具执行，再保留外部回执。幂等键让重复请求能够识别同一项操作意图，而不是悄悄新建另一项；具体行为取决于应用与目标服务。

检查点可以恢复工作流位置，但仅靠检查点，无法证明外部服务是否在网络故障前一刻提交了写入。应在工具设计中加入回执查询，不要让模型从最后一条消息里猜。

这也是实际迁移框架时的关键边界。业务 schema、工具约定和外部动作记录，应留在自己理解的应用代码里。更换框架仍可能需要调整执行状态和持久消息，但核心业务操作不该需要从智能体对话中重新推断。

哪些组合应该避开？

如果后端已经能调用模型、验证结果并存储，就不要为简单分类器采用 LangGraph。图更长，并不会让这项任务做得更好。

不要用 CrewAI 堆砌表面上的人物设定。研究员、策略师和撰稿人，需要不同职责或证据边界，否则角色标签只是遮住了围绕同一任务的更大循环。

如果不需要文件、命令或依赖执行环境的运行能力，就不要为基础聊天采用 Claude Agent SDK。自定义厂商循环更适合从直接调用的客户端 SDK 起步。

不要将 Google ADK Tool Confirmation 与不受支持的持久会话服务配对。当前文档限制涉及 DatabaseSessionService 和 VertexAiSessionService。生产环境中的核心审批要求，不应建立在假定可用的组合上。

不要把 Logfire 或 AI Gateway 当成智能体托管。前者观察运行过程，后者路由模型访问；两者都没有回答谁负责运行应用任务，以及故障后如何恢复。

智能体开发框架选型：本周如何定下来？

选能够满足实际恢复与审批要求的最小方案。用一个有代表性的业务任务就可以做出决策，无需展示所有可能的智能体功能。

1. 1

   写清结果与边界

   明确完成后的结果、所需证据、允许的动作，以及必须审批的动作。列出运行中途停止时，操作人员必须知道的信息。

2. 2

   按语言与执行方式缩小范围

   根据要构建的持久工作流、协作角色、类型约束服务或 Web 执行循环来选框架。如果直接调用厂商的循环符合要求，也应留在候选中。

3. 3

   演练中断路径

   重启执行进程，让工具返回错误，拒绝一次审批，再发送重复事件。检查已保存的状态和外部回执。仅仅得到一个成功的最终答案，并不能证明恢复可靠。

4. 4

   计算完成一项任务的账单

   统计所有模型调用和工具工作，包括重试与委派活动。加入实际使用的托管计量项，再将固定平台费与随负载变化的费用分开。

5. 5

   明确运维负责人

   为存储、部署、失败任务、待处理审批和成本告警指定负责人。选择本周就有人能接手其运维缺口的方案。

常见问题

AI 智能体的 5 种类型是什么？

五类划分属于教学分类，不同来源的定义会有差异。它们不能决定哪款框架能持久保存工作流或强制审批。选型时，应明确执行方式、状态、工具访问，以及允许的自主程度。

所谓的四大 AI 智能体有哪些？

不存在权威、通用的四大名单。LangGraph、CrewAI、OpenAI Agents SDK 和 Google ADK 面向不同开发任务；把它们当成固定质量排行榜，会遮住真正应该决定选择的生产需求。

开发 AI 智能体有哪些框架可选？

本文比较了 LangGraph、CrewAI、OpenAI Agents SDK、Claude Agent SDK、Mastra、Google ADK、Pydantic AI 和 Vercel AI SDK。它们从工作流运行时，到类型化智能体代码库，再到面向 Web 的工具循环 SDK，范围各不相同，应从实际要构建的任务出发。

AI 智能体的 7 种类型是什么？

七类划分同样因来源而异，也不是标准的框架采购模型。智能体类别清单无法证明重启恢复、工具权限边界，或审批与存储功能的兼容性。

ChatGPT 是智能体，还是大语言模型？

ChatGPT 是面向用户的产品。LLM 是底层语言模型；智能体应用则将模型与工具、状态和执行循环组合起来，朝任务目标行动。这些属于不同层次，产品名称不能替你选定应用运行时。

排名前 5 的 AI 智能体有哪些？

按具体任务制定候选名单，比通用前五排名更有用。有状态工作流先看 LangGraph，专家团队看 CrewAI，TypeScript 工作流看 Mastra，类型约束的 Python 服务看 Pydantic AI，由应用管理的精简循环看 OpenAI Agents SDK。任务方式变了，候选名单也会变。

最新的 AI 智能体是哪一个？

把模型、托管产品和开发框架放在一起，没有一个统一且有用的答案。本周要动手构建，就应阅读所需能力的当前文档，并验证部署与存储兼容性。版本更新并不代表更适合。

ChatGPT 是最好的 AI 智能体吗？

取决于用户的任务和所需控制。这与选择嵌入自己产品的代码，是不同的问题。开发者需要的是状态归属、工具执行、部署、审批和运维成本方面的答案。

2026 年值得考虑的智能体框架有哪些？

实用选择取决于任务：LangGraph 适合明确的持久工作流；CrewAI 适合按角色协作；Mastra 和 Vercel AI SDK 分别适合不同的 TypeScript 应用需求；Pydantic AI 适合类型约束的 Python 服务；OpenAI Agents SDK 适合由应用管理的执行器；Claude Agent SDK 适合文件与命令运行环境；Google ADK 则适合所需功能组合确实受支持的场景。

在决定框架之前，先用 AI 业务工作流审计清单明确首个智能体任务、审批边界和运维负责人。