跳转至

开源框架

框架与平台选型速查

主流 LLM 应用框架与平台大致分四类:低代码平台(可视化搭建)、开发框架(代码灵活可控)、Agent 编排(有状态多步骤)、RAG 数据框架(知识库问答)。选型先定「demo 快速验证 → 内部工具 → 面向客户的产品」的路径,再选层:平台省人力,库换自由度。产品经理视角的选型标准是「多快能跑出 demo、多好维护、多活跃」,而不是功能最多;以下对比速查表与选型建议为本站原创整理,每个条目的能力描述以官方文档为准。

主流框架/平台一览(对比速查表)

名称类别定位(官方表述)官方文档/仓库适合场景
Dify低代码平台开源 LLM 应用开发平台,集成工作流、RAG、Agent 与可观测性官方文档、仓库快速搭应用、自托管知识库问答
Coze(扣子)低代码平台AI Agent 智能办公平台,以 Bot 为核心,插件/工作流/知识库为组件全球站、国内站无代码搭 Bot、对接 IM 与办公场景
LangChain开发框架Agent 工程平台,提供最小可配置的 Agent harness(Agent = Model + Harness)官方文档、仓库代码开发、多模型切换、生产 Agent
LangGraphAgent 编排低层编排框架与运行时,构建可持久化的有状态长时 Agent官方文档、仓库复杂多步骤流程、断点续跑与人工介入
LlamaIndexRAG 库「在数据之上构建 LLM Agent」的数据框架,摄取/索引/检索/查询官方文档、仓库知识库问答、文档 Agent
OpenAI Agents SDKAgent 编排轻量多 Agent 框架,「很少的抽象」,内置 Guardrails 与 Tracing官方文档、仓库OpenAI 生态、快速写生产级 Agent
Claude Code 生态Agent 工具/平台终端内 agentic 编程工具,配套 Agent SDK 与 GitHub Actions官方文档、仓库研发效率、自动化编码与 Code Review
n8n工作流平台fair-code 工作流自动化,原生 AI 能力与 400+ 集成官方文档、仓库业务流程自动化、AI 节点接入

表格「定位」一列为官方文档/仓库页面表述的摘译,具体以官方文档为准。star 数为 2026-08-23 从 GitHub 仓库页采集(以仓库页为准):Dify 约 15.3 万、LangChain 约 14.5 万、LangGraph 约 4 万、LlamaIndex 约 5.2 万、OpenAI Agents SDK 约 2.9 万、Claude Code 约 14.3 万、n8n 约 20.2 万;Coze 为闭源 SaaS,无官方开源仓库。

条目要点

低代码平台:Dify 与 Coze(扣子)

  • Dify:官方定位为「开源 LLM 应用开发平台」,名称取自 "Do It For You",提供可视化工作流编排、RAG 流水线、Agent 能力、模型管理与可观测性;运行形态为 Dify Cloud(含免费 Sandbox 计划)与 Docker Compose 分钟级自托管的社区版,可「从原型到生产」(以官方文档为准)。
  • Coze(扣子):字节跳动出品的闭源 AI Agent 平台,以 Bot 为核心,插件、工作流、知识库为三大组件,面向业务用户与开发者,定位「用 AI 重塑生产力与工作效率」的智能办公平台;全球站与国内站数据隔离、可用模型不同,按目标市场选站点(以官方文档为准)。
  • 组内对比:开放度是核心差异——Dify 开源、可自托管、可私有化,Coze 闭源 SaaS、开箱即用;功能边界相近时,数据主权与定制深度决定取舍。

开发框架与 Agent 编排:LangChain、LangGraph、LlamaIndex、OpenAI Agents SDK

  • LangChain:官方文档以「Agent = Model + Harness」概括,提供 create_agent 最小化 Agent harness,通过 middleware 增量叠加能力(护栏、重试、路由、工具策略);Agent 构建在 LangGraph 之上,并提供跨厂商的模型标准接口;官方另有开箱即用的 Deep Agents(自动上下文压缩、虚拟文件系统、子 Agent 生成)(以官方文档为准)。
  • LangGraph:官方定位为「构建韧性 Agent」的低层编排框架与运行时,专注 Agent 编排本身;节点、边、共享状态为基本原语,支持持久化 checkpoint、断点续跑(durable execution)、人工介入(interrupts)、流式输出与长短记忆,可与 LangChain 解耦单独使用,官方配套 LangSmith 提供可观测、评估与部署支持(以官方文档为准)。
  • LlamaIndex:官方定位为「在数据之上构建 LLM Agent 的领先框架」,核心是数据连接器、索引、查询/对话引擎与带工具的 Agent,最典型应用是 RAG;高层 API 五行业代码可摄取并查询数据,低层 API 可定制检索与重排模块;提供事件驱动工作流,可组合多 Agent 与多数据源(以官方文档为准)。
  • OpenAI Agents SDK:OpenAI 官方轻量 Python 框架(Swarm 的继任者),「很少的抽象」,设计原则是「值得用的功能足够,原语少到学得快」;核心概念为 Agents、Handoffs、Guardrails、Sessions 与内置 Tracing,与 OpenAI 模型及 Responses API 深度绑定(以官方文档为准)。
  • 组内对比:LangChain 与 LangGraph 是分层关系而非竞争——前者是高层 Agent harness,后者是低层编排运行时;LlamaIndex 侧重数据接入与 RAG 链路;OpenAI Agents SDK 与 OpenAI 生态绑定最深,换模型成本最高。

Agent 工具与工作流:Claude Code 生态与 n8n

  • Claude Code 生态:Anthropic 官方的 agentic 编程工具,可读代码库、改文件、跑命令,终端/IDE/桌面/网页多端可用;支持 MCP 连接外部工具与数据源,可用 CLI 脚本化进 CI;生态还包括 Agent SDK(自建 Agent 与自定义工作流)与 GitHub Actions(CI 中 @claude 触发,自动开 PR、做 Code Review)(以官方文档为准)。
  • n8n:fair-code 许可证的工作流自动化平台,可视化编排与自定义代码结合,原生 AI Agent 聊天、AI 网页抓取摘要等节点,MCP 支持与 400+ 集成,可自托管或云端;其 MCP server 也可被 Claude Code 等编码助手连接(以官方文档为准)。
  • 组内对比:Claude Code 生态面向「研发过程中的 Agent」(写代码、改文件、跑 CI),n8n 面向「业务过程的自动化」(跨系统流转、定时任务);两者可叠加使用,而非二选一。

按场景选型

场景一:demo 快速验证(1-2 周内跑通)

  • 首选 Dify 或 Coze(扣子):可视化编排,不写代码即可搭出对话/RAG/工作流 demo;Dify 开源、可先云后自托管,Coze 免部署、分钟级发布到 IM 渠道(以官方文档为准)。
  • 想验证「代码路径」时,用 LangChain 或 LlamaIndex 的最小示例;OpenAI 生态内用 OpenAI Agents SDK,几步即可跑通带工具的 Agent(以官方文档为准)。
  • 最小验证包:平台路径 = 一个知识库 + 一条工作流 + 一个发布渠道;代码路径 = 一个模型调用 + 一个工具 + 一组测试用例。两条路径各留半天试跑,再决定投入方向。
  • 「demo 用平台、产品化用代码」的双轨路径很常见:验证阶段用 Dify/Coze,规模化后用 LangGraph 重写编排,提示词与工具定义尽量保持可迁移。
  • 理由:demo 阶段的关键变量是想法可行性与用户反馈,平台类工具把工程成本降到最低,避免过早写死技术栈。

场景二:内部工具(团队效率、知识库、流程自动化)

  • 首选 Dify 自托管或 n8n:数据不出域、费用可控;Dify 适合知识库问答与内部助手,n8n 适合跨系统业务流程自动化(400+ 集成,以官方文档为准)。
  • 典型内部工具例子:员工手册/政策问答、客服辅助、工单分诊、数据提取与报表生成、跨系统审批流转。
  • 研发侧内部工具可上 Claude Code 生态:自动化测试、依赖升级、Code Review 与 CI 流水线(以官方文档为准)。
  • 理由:内部工具对稳定性要求低于对外产品,但对成本与数据边界敏感,自托管平台与自动化工具组合最省人力。

场景三:面向客户的产品

  • 代码优先:需要深度定制与生产级控制时,选 LangGraph(有状态、断点续跑、人工介入)或 OpenAI Agents SDK(轻量、少抽象),RAG 重的产品用 LlamaIndex;可观测配合 LangSmith 或 SDK 内置 Tracing(以官方文档为准)。
  • 平台兜底:工程资源有限的产品团队可用 Dify 自托管社区版支撑首版,编排逻辑与平台 API 保持解耦,保留迁移余地(以官方文档为准)。
  • 产品化补充:面向客户还需补多租户、权限、审计与 SLA;这些通常不在框架能力清单里,要按产品规划排期。
  • 闭源 SaaS 慎作核心底座:Coze 类平台适合快速验证与轻量工具,涉及合规、数据出境与深度定制时需先评估,并注意全球站/国内站数据隔离(以官方文档为准)。

决策清单

  • 时间要求:1-2 周出 demo → 平台类(低代码);按季度迭代的产品 → 代码类(库与编排框架)。
  • 数据与合规:数据不出域 → Dify 自托管等可私有化形态;跨境场景 → 评估站点、模型与数据驻留。
  • 团队构成:产品/运营为主、工程资源少 → 低代码平台;工程师为主 → 开发框架与编排。
  • 团队经验:已有 LangChain/OpenAI 代码基础 → 优先同生态延续,降低学习与维护成本。
  • 成本结构:低代码平台多按席位/调用计费,自托管按资源计费;估算 TCO 后再定,避免上线后成本失控。
  • 长期绑定:核心编排逻辑与框架 API 保持薄层隔离,任何选型都保留迁移余地。

三类场景不是固定顺序,也可以并行:demo 验证期间就同步评估生产架构与合规要求,避免验证成功后重新选型返工。

从 demo 到生产的注意事项

  • 可观测性先行:上线前接好 trace 与日志——LangSmith 提供从单条 trace 到生产级性能指标的完整视图(以官方文档为准);OpenAI Agents SDK 内置 Tracing,自动记录 LLM 调用、工具调用、handoff 与 guardrail(以官方文档为准);Dify 自带对话/工作流运行日志页,并支持集成 LangSmith、Langfuse 等(以官方文档为准)。
  • 框架 ≠ 产品:demo 跑通后,产品化还需要权限、监控、灰度、计费等框架之外的工程;「demo 能跑」与「产品可上线」之间隔着完整的工程化补齐。
  • 版本管理:提示词、工作流、模型参数都要进版本管理;模型与依赖版本锁定,升级走灰度;用 CLAUDE.md 之类的项目约定固化编码标准与评审准则(Claude Code 官方推荐做法,以官方文档为准)。
  • 评估接入:上线前定义评测集与指标——评测集覆盖典型用户路径与边界 case,指标含答案准确率、幻觉率、工具调用正确率、端到端延迟与成本;LangSmith 提供评估能力,Dify 提供标注系统(人工标注答案、语义命中直接复用,以官方文档为准);把「人工反馈 + 自动评测」双通道接进迭代节奏,回归跑在每个模型/提示词版本上。
  • 部署与成本:Dify 社区版可 Docker Compose 自托管(以官方文档为准);Coze 为 SaaS,按官方定价计费;Claude Code GitHub Actions 中关注 Actions 分钟与 token 成本,用 --max-turns、工作流超时与并发控制限制单次任务(以官方文档为准);选型时把推理、向量库与存储成本一并算进 TCO。
  • 安全与权限:密钥只入 secrets 不进仓库,工作流只申请所需权限并审查 Agent 改动(Claude Code GitHub Actions 官方安全建议,以官方文档为准);工具调用做最小权限与审计,敏感数据不出域。
  • 灰度与回滚:新模型、新提示词以小流量灰度,对比线上指标后再全量;依赖框架持久化能力(如 LangGraph 的 checkpoint 断点续跑)做任务级恢复(以官方文档为准)。
  • 解耦与迁移余地:核心逻辑与框架 API 保持薄层隔离;框架更新快、教程易过期,一切以官方文档为准;跨厂商模型接口(LangChain 标准接口等)可降低单点绑定风险。

来源说明

本文主题综合参考以下来源,内容由本站撰写整理:

补充说明:社区选型讨论(如 linux.do 等)不在本文来源范围内——本页能力描述一律以官方文档为准,避免二手信息失真;star 数与版本类事实以仓库页/官方文档为最新口径。

时效说明

本页内容核对于 2026-08-23;框架版本、功能与定价演进很快,选型与报价前请以官方文档为准。

更新记录

日期变更说明
2026-08-23重写由占位页升级为框架对比速查表 + 按场景选型 + 生产注意事项,兑现「待补充」承诺
发现错误？想一起完善？ 在 GitHub 上编辑此页！
本页面贡献者：AI-PM Wiki Team
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用