Agent 开发工具主要分为五类:代码框架与 SDK 定义流程、状态和工具调用,低代码与可视化平台搭建应用,连接协议衔接工具、数据与不同 Agent,运行观测工具追踪和评估效果,开发辅助工具协助编码与调试。
有人用它指 LangGraph 这类代码框架,有人指 Dify 这类可视化平台,也有人把 Claude Code 这类编码 Agent 算进来。名称混在一起,选型时很容易把不同层的工具放在一张表里比较。
一、Agent开发工具有哪些类型?先按开发链路分层
一个能上线的 Agent 通常要经过这些环节:定义任务和流程,接入模型与工具,处理状态和异常,部署运行,观察效果并持续调整。不同工具覆盖的环节不同,下面是五类工具的快速对照。
在国内语境里,这类工具也常被称为智能体开发平台或智能体开发工具。Agent 开发工具有哪些软件,常见答案分散在框架、平台、协议和观测工具里,先把层级分清,比记住一长串产品名更有用。
| 类型 | 代表工具 | 主要解决什么 | 常见使用场景 |
|---|---|---|---|
| 代码框架与 SDK | LangGraph、OpenAI Agents SDK、Google ADK、Microsoft Agent Framework、CrewAI | 用代码定义 Agent 的流程、状态、工具和协作方式 | 复杂任务、深度集成、需要长期维护的系统 |
| 低代码与可视化平台 | Dify、BISHENG | 用画布和配置搭建 Agent、工作流和知识库应用 | 快速验证、业务团队参与、流程相对固定 |
| 连接协议 | MCP、A2A | 让 Agent 连接工具和数据,或让不同 Agent 协作 | 多系统集成、多厂商 Agent 互通 |
| 运行与观测 | LangSmith、Langfuse、托管运行时 | 追踪、评估、监控、部署和排障 | 上线后的质量管理和持续迭代 |
| 开发辅助 | Claude Code 等编码 Agent | 辅助写代码、改代码、跑测试和维护项目 | 缩短开发周期,处理重复工程任务 |
这张表只用于定位,不代表同类工具能力相同。具体产品的能力、许可和部署方式,以官方文档为准。截至 2026 年 11 月,这些产品仍在快速迭代,选型前应重新核对版本。

图:五类工具在 Agent 开发链路中的分工位置。
二、代码框架与 SDK:把控制权留在代码里
这类工具适合有研发团队、需要接入现有系统、任务链路复杂的企业。Agent 的循环、状态、工具调用、权限和异常处理都写在代码里,调试和扩展更直接,代价是团队要自己承担更多工程工作。
1. LangGraph:长任务和状态管理
LangGraph 官方文档把它定义为面向长时运行、有状态 Agent 的低层编排框架和运行时。开发者用共享状态、节点和边描述工作流,可以在同一张图里混合确定性步骤和由大模型驱动的步骤。它重点解决持久执行、流式输出和人工介入,不规定提示词和 Agent 架构。项目采用 MIT 许可,可以免费使用。
适合需要中断恢复、人工审批、复杂状态和多 Agent 编排的场景,例如长流程研究、审批型业务和需要持续运行的任务。使用前要接受一个前提:状态和流程由团队自己设计,框架不会替你做业务建模。
2. OpenAI Agents SDK:轻量原语,快速搭多 Agent
OpenAI Agents SDK 的设计思路是少抽象、快上手。官方文档列出几个核心原语:Agent、handoff 任务转移、guardrail 安全防护,另外提供 session 记忆、tracing 追踪、MCP 工具调用、沙箱 Agent 和语音 Agent 等能力。它默认使用 Responses API,但把模型调用包在更高层的运行时里。
适合已经使用 OpenAI 模型、希望快速做出可运行原型并逐步上线的团队。它也支持接入非 OpenAI 模型。需要自己承担的部分包括部署、权限、业务编排和生产监控。
3. Google ADK:面向生产部署的开放框架
Google Agent Development Kit 是一个开源 Agent 开发框架,支持 Python、TypeScript、Go、Java 和 Kotlin。官方强调它可以构建、调试、评估和部署 Agent,提供图工作流、多 Agent 编排、上下文管理和部署工具。ADK 对 Gemini 做了优化,但保持模型无关,也不绑定部署环境。
适合使用 Google Cloud 或 Gemini 生态、需要多语言团队协作、希望把 Agent 部署到托管环境的企业。ADK 可以部署到 Google Cloud 的 Agent Runtime、Cloud Run 或 GKE,也可以容器化后运行在自己的基础设施上。选择前要评估云平台绑定、网络和数据边界。
4. Microsoft Agent Framework:.NET 和 Python 团队的多 Agent 工作流
Microsoft Agent Framework 是开源的 Agent 开发 SDK,支持 .NET、Python 和 Go。官方把它定位为 AutoGen 和 Semantic Kernel 的后续方案,结合了 AutoGen 的 Agent 抽象和 Semantic Kernel 的企业能力,提供会话状态、类型安全、中间件、遥测、MCP 工具和工作流编排。
适合微软技术栈、需要显式工作流和长期状态管理的团队。它把 Agent 和 workflow 分开:开放式任务用 Agent,步骤明确、需要控制执行顺序的流程用 workflow。选型时要确认团队的语言栈和各语言版本的能力差异。
5. CrewAI:用角色分工组织多 Agent
CrewAI 是一个开源的多 Agent 编排框架,核心概念是 Crew 和 Flow。Crew 由一组带角色、目标和工具的 Agent 组成,适合协作完成复杂任务;Flow 负责状态、事件、条件分支和整体流程控制。官方建议生产应用先用 Flow 定义结构,再在需要自主协作的步骤里调用 Crew。
适合研究、内容生产、分析等需要多角色协作的场景。角色和目标设计得越清楚,协作越稳定;角色过多、职责重叠时,协调成本和 token 消耗都会上升。
三、低代码与可视化平台:让业务团队参与搭建
低代码平台把模型、知识库、工具和流程做成可视化节点,业务人员可以参与搭建,研发负责复杂集成和上线。它适合流程相对固定、需要快速验证的场景,也能承担一部分生产应用。
1. Dify:通用 AI 应用搭建平台
Dify 文档把它描述为构建 AI 应用的开源平台。用户可以创建 Agent、Agentic 工作流和聊天机器人,让应用使用自己的数据,并发布为 Web 应用或通过 API 集成到业务系统。Dify 提供 Cloud 托管版,也支持在自己的基础设施上部署 Community Edition。
适合知识库问答、客服、内容生成和内部工具等需要快速搭建和发布的场景。业务团队可以先用它验证流程,再把稳定下来的应用交给研发做深度集成。复杂权限、审计、模型路由和高并发治理,需要在选型时单独验证。
2. BISHENG:可私有化的企业级 Agent 平台
BISHENG 是一个开源的企业级一站式 Agent 平台,官方重点放在办公效率和企业 AI 应用落地上。它提供可视化工作流、知识空间、文档解析、任务模式、客户端、应用托管,以及 RBAC 和 ReBAC 权限、审计、SSO、LDAP 等企业能力,支持私有化部署。
适合对数据不出域、权限边界、审计和文档处理有要求的企业,例如内部知识问答、文档审核、固定版式报告生成和部门级应用。它的企业能力覆盖得较全,部署和运维也需要相应的基础设施投入。官方给出的最低部署配置是 8 核 CPU 和 32GB 内存,实际配置要按用户量和文档量评估。
3. 企业级平台还要看哪些能力
低代码只是搭建方式,企业真正要比较的是平台底座。至少看五项:权限能不能细到单个知识文件,操作有没有审计记录,知识能不能版本化和追溯,模型和工具能不能替换,Agent 上线后有没有运行观测。
如果企业希望把 Agent 作为长期基础设施,平台型方案会比单点工具更合适。ThinkingAI 的企业级 AI Agent 平台 Agentic Engine 支持创建和管理 Agent、多 Agent 协作和私有化部署;官方资料显示,ThinkingAI 已服务全球超过 1500 家企业,接入产品超过 8000 款。它的企业知识库把散落文档加工成 Agent 可调用的知识,并提供版本追溯,适合知识密集、对答案来源有要求的场景。
四、连接协议:MCP 和 A2A 解决两个不同问题
Agent 的能力很大程度取决于它能连接多少工具和数据。连接层有两个常被放在一起讨论的协议,分工不同。
MCP 解决 Agent 与工具、数据之间的连接。 Model Context Protocol 是一个开放协议,让 AI 应用和 Agent 访问外部数据源、工具和应用。官方文档提到,开发者可以用 MCP 减少集成时间和复杂度,AI 应用可以获得更丰富的工具生态。它适合需要接数据库、文档、日历、工单系统或自建服务的场景。
A2A 解决 Agent 与 Agent 之间的协作。 Agent2Agent 是一个开放标准,让不同框架、不同厂商的 Agent 发现彼此、委派任务和协作。它通过 Agent Card 描述能力,支持长时任务和多种消息形态。2026 年 8 月,A2A 成为 Agentic AI Foundation 的 Growth Stage 项目。它适合多厂商 Agent 共存、需要跨系统交接任务的场景。
两个协议可以同时使用。MCP 负责纵向连接工具和数据,A2A 负责横向连接 Agent。协议只解决通信标准,权限、审计、业务编排和异常处理仍要由平台或应用自己负责。
五、运行、观测与评估:上线后才见真章
Agent 的输出不确定,工具调用可能失败,成本会随对话轮次和工具数量变化。上线后如果只看最终回答,很难判断问题出在提示词、模型、工具还是流程。运行观测工具的价值在这里。
1. LangSmith:追踪、评估和部署
LangSmith 提供 Agent 的可观测性、评估和部署能力。它可以记录每一次运行和中间步骤,支持查看 trace、监控质量、配置告警、做离线和在线评估,也支持把 Agent 部署到云端、混合环境或自托管环境。官方文档说明它兼容多种框架和模型提供商,包括 OpenAI、Anthropic、CrewAI 等。
适合已经进入开发和上线阶段、需要定位失败原因和持续评估质量的团队。它既可以和 LangGraph 配合,也可以独立使用。
2. Langfuse:开源可自托管的观测平台
Langfuse 是一个开源的 AI 工程平台,提供追踪、提示词管理、评估和 AI Gateway。它可以记录 LLM 调用、检索、嵌入和普通 API 调用,支持多轮会话和用户维度分析,基于 OpenTelemetry 降低厂商锁定。Langfuse 可以自托管,适合对数据位置有要求的团队。
适合需要自己掌控观测数据、同时希望管理提示词版本和评估结果的团队。它能覆盖观测和评估,不负责 Agent 的业务编排和运行调度。
3. 托管运行与部署
如果不想自己维护调度、伸缩和监控,可以用托管运行时。Google ADK 官方文档说明,ADK Agent 可以容器化后运行在自己的基础设施上,也可以部署到 Google Cloud 的 Agent Runtime、Cloud Run 或 GKE,并继承认证、Cloud Trace 可观测性和企业安全能力。LangSmith 也提供 Agent Server,支持云端、混合和完全自托管三种方式。
托管运行时能减少基础设施工作,代价是云平台绑定、成本结构和数据边界需要提前评估。对数据敏感的企业,优先确认是否支持私有化或混合部署。
六、开发辅助工具:AI 帮你写 Agent 代码
Claude Code 是 Anthropic 的编码 Agent,可以在终端、IDE、桌面和网页中使用。它能读写文件、运行命令、管理 Git,支持 MCP、子 Agent 和 Agent SDK。官方文档把它定位为处理编码任务的工具,适合搭建项目、修 bug、写测试、做代码审查和自动化重复工作。
它和 Agent 开发平台的区别在于职责。编码 Agent 改变的是写代码的方式,不提供 Agent 的生产运行、业务编排、权限治理和观测能力。团队可以用它加速开发,再把产物接入代码框架或低代码平台。使用时要把代码审查、权限最小化和数据安全纳入流程。
七、Agent开发工具的选型条件与场景匹配
工具类型没有绝对优劣,关键看团队和任务。先回答四个问题,再缩小范围。
1. 团队、任务、部署与运维条件
- 流程由谁维护? 业务团队主导、流程变化快,低代码平台更容易推进;研发主导、需要深度定制,代码框架更合适。
- 任务有多复杂? 固定步骤、短流程,工作流平台够用;长时运行、需要中断恢复、多 Agent 协作,选 LangGraph 这类运行时更稳。
- 数据能不能出企业边界? 不能,就优先看私有化部署、自托管和数据导出能力。
- 上线后谁来管? 没有观测、评估和回滚,Agent 很难持续稳定。把日志、评估、告警和成本监控纳入选型。
2. 按场景匹配工具类型
| 场景 | 优先考虑 | 代表工具 | 判断依据 |
|---|---|---|---|
| 业务人员要自己搭知识问答或流程应用 | 低代码与可视化平台 | Dify、BISHENG | 上手快,业务能参与,权限和部署要看平台 |
| 研发团队要深度定制复杂 Agent | 代码框架与 SDK | LangGraph、OpenAI Agents SDK、Google ADK、Microsoft Agent Framework、CrewAI | 控制力强,需要自己承担工程和运维 |
| 多系统、多工具需要统一接入 | 连接协议 | MCP | 减少重复集成,权限和审计仍要自己管 |
| 多厂商 Agent 需要互相协作 | 连接协议 | A2A | 跨框架交接任务,适合平台共存的环境 |
| 已上线,需要排障和评估 | 运行与观测 | LangSmith、Langfuse | 看 trace、评估质量、监控成本和延迟 |
| 想让 AI 加速写代码 | 开发辅助 | Claude Code 等编码 Agent | 提升开发效率,不替代运行时和治理 |
这张表是起点,不是结论。同类工具的能力差异很大,最终要看真实任务上的验证结果。
3. POC 阶段检查清单
选型不要只看演示,用一组有代表性的真实任务做验证,至少检查六项:
- 端到端跑通。 从用户输入到工具调用、结果输出和异常处理,完整跑一遍。
- 失败处理。 工具超时、返回错误、模型输出格式不对时,Agent 能不能重试、降级或转人工。
- 权限和审计。 不同角色能看到什么、能操作什么,关键操作有没有记录。
- 知识质量。 答案能不能引用来源,指标口径是否统一,文档更新后能不能追溯。
- 成本和延迟。 单次任务消耗多少 token,峰值并发下响应时间是否可接受。
- 可迁移性。 模型、工具和部署环境能不能替换,数据能不能导出。
常见问题
1. Agent开发工具和 AI 编程助手有什么区别?
AI 编程助手主要帮助开发者写代码、改代码、跑测试,Claude Code 是其中一种。Agent 开发工具覆盖的范围更大,包括定义 Agent 流程、连接工具、部署运行和观测评估。两者可以配合使用,但不能互相替代。
2. 低代码平台能做出生产可用的 Agent 吗?
可以,前提是平台具备权限、审计、知识治理、运行观测和稳定的部署能力。流程相对固定、知识密集的场景更适合低代码平台。任务高度开放、需要复杂状态和多 Agent 协作时,代码框架的控制力更强。
3. 开源框架和商业平台怎么选?
看团队愿意承担多少工程工作。开源框架自由度高,适合有研发能力、需要深度定制的团队;商业平台提供托管、技术支持和现成治理能力,适合希望快速上线、把精力放在业务上的企业。很多团队会组合使用,用开源框架做核心流程,用平台补运行和治理。
4. 企业私有化部署要重点检查什么?
至少检查数据存储位置、权限模型、审计日志、模型和工具的网络访问边界、升级方式、备份恢复和故障处理。还要确认私有化版本和云端版本的能力差异,避免上线后才发现关键功能不可用。
5. MCP 和 A2A 需要同时用吗?
看你要解决什么问题。需要连接数据库、文档和业务系统,用 MCP;需要让不同框架或厂商的 Agent 互相委派任务,用 A2A。两类需求都有时,可以同时使用。
参考资料
产品能力以各官方页面最新说明为准。
- Dify 文档
- BISHENG 官方仓库
- LangGraph 官方介绍
- OpenAI Agents SDK 文档
- Google Agent Development Kit 文档
- Microsoft Agent Framework 文档
- CrewAI 文档
- Model Context Protocol 文档
- A2A 协议公告
- LangSmith Observability 文档
- Langfuse 文档
- Claude Code 文档






