主流 AI Agent 框架对比：LangGraph/LlamaIndex/Coze
AI Agent 框架是一套帮你把”大模型 + 工具调用 + 记忆 + 多步规划”组装成能自主干活的智能体的开发底座。 它决定了你搭一个数字员工时，要写多少代码、能控制多少细节、以后好不好维护。
市面上的方案大致分两类：代码框架（LangGraph、LlamaIndex、smolagents 等，给开发者用）和低代码平台（Coze、Dify、n8n 等，给业务和运营用）。这篇帮你把它们一次理清，给出”什么人选什么”的直接结论。不清楚 Agent 本身是什么的，可以先看AI 智能体是什么（规划中）。
一句话选型结论
- 你会写 Python、要做复杂可控的多步流程 → 选 LangGraph，它用”图”来编排状态和分支，复杂逻辑也压得住。
- 你的 Agent 核心是查文档、做 RAG 检索问答 → 选 LlamaIndex，数据接入和检索是它的看家本领。
- 你想用最少的代码快速验证一个想法 → 选 smolagents，几十行就能跑通一个会用工具的 Agent。
- 你不写代码、是业务/运营、要快速上线 → 选 Coze / Dify 这类低代码平台，拖拽配置即可。
一句话：开发者选框架，业务选平台。
它们到底是一类什么东西
不管是代码框架还是低代码平台，本质都在解决同一个问题：让大模型不止是”聊天”，而是能调工具、查资料、分多步把一件事真正办完。
它们都要处理这几件事：
| 能力 | 含义 |
|---|---|
| 工具调用 | 让模型能调 API、查数据库、跑代码 |
| 记忆/上下文 | 记住前面发生了什么 |
| 多步规划 | 把复杂任务拆成若干步，按需循环 |
| 编排控制 | 决定流程怎么走、出错怎么办 |
差别只在于：代码框架把这些做成”库”让你写代码组装，低代码平台把这些做成”积木”让你拖拽组装。 灵活度和上手成本，就是从这个差别长出来的。
拿”记忆”这一项举例，你就能感受到差别有多具体：LangGraph 靠 checkpointer（可以接内存、SQLite、Postgres）把每一步的状态存下来，你能精确控制哪些字段进短期记忆、哪些要写进外部存储做长期记忆；LlamaIndex 默认把对话历史塞进一个 ChatMemoryBuffer，超过 token 上限就自动截断旧内容，你几乎不用管；Coze/Dify 这类平台干脆把”记忆”做成一个开关，勾上就有、关掉就没有，背后怎么存、存多久，你摸不到也改不了。这就是”库”和”积木”的真实区别——前者暴露细节给你调，后者替你决定好，代价是你没得选。
选型对比表
| 维度 | LangGraph | LlamaIndex | smolagents | Coze / Dify（低代码） |
|---|---|---|---|---|
| 形态 | Python 代码框架 | Python 代码框架 | Python 代码框架 | 可视化平台 |
| 灵活度 | 极高 | 高（偏数据/检索） | 中（轻量优先） | 中（受平台能力限） |
| 上手成本 | 较高 | 中 | 低 | 极低 |
| 核心强项 | 复杂状态编排 | RAG/数据接入 | 极简快速原型 | 拖拽即上线 |
| 适合谁 | 工程团队 | 做知识问答的开发者 | 想快速试错的开发者 | 业务/运营 |
| 可控/可调试 | 强 | 中 | 中 | 弱（黑盒较多） |
具体支持的模型、定价、节点能力各家差异大且更新快，以官方文档为准，这里只给定位判断。
逐款简评
LangGraph：来自 LangChain 团队的编排框架，核心思路是把 Agent 流程画成一张”状态图”（StateGraph）——节点是动作、边是流转、还能带循环和条件分支。它最实用的两个能力是 checkpointer（持久化状态，断点续跑）和 interrupt（在关键节点暂停、等人审批再继续，也就是 human-in-the-loop）。优势是复杂、需要精确控制的多步流程它扛得住，调试和可观测性也好（配合 LangSmith 能看到每一步的输入输出）；短板是有学习曲线——你得先搞懂状态怎么定义、节点怎么互相传值，简单需求用它属于杀鸡用牛刀。适合做严肃产品的工程团队。
LlamaIndex：定位偏”数据框架”，把各种数据源（文档、数据库、API）接进来、建索引、做检索，是它最强的地方。如果你的 Agent 本质是”基于一堆资料回答问题”（即 RAG），它很顺手：文档切块（chunk size 常见起步值是 512 token）、选 embedding 模型、建向量索引、做重排序，这一整条链路它都给你搭好了默认实现，你只需要按场景调参数。短板是纯流程编排能力不如 LangGraph 专注，真要做多分支的复杂业务逻辑，还是得配合 LangGraph 或自己写状态机。适合做企业知识库、文档问答类应用的开发者。
smolagents：Hugging Face 出的轻量框架，主打”少即是多”，核心是 CodeAgent——让模型直接生成一段 Python 代码去调用工具、拿到结果再继续推理，而不是走传统的 JSON 格式函数调用，这样处理”先算个数、再拿结果查数据库”这类需要临时计算的任务会更顺手。优势是上手快、心智负担小、几十行代码就能跑通一个会用工具的 Agent；短板有两个：一是面对超复杂编排时不如重型框架方便，二是”让模型生成代码并执行”这件事本身有安全风险，生产环境必须配合沙箱（比如 Docker 隔离执行环境）而不能直接跑在你的服务器上。适合想低成本试错的开发者。
Coze / Dify（低代码平台）：把上面这些能力封装成可视化节点，拖拽连线就能搭出一个能查知识库、调插件、多轮对话的 Bot，不用写代码。Dify 开源、可以私有化部署，数据不出你自己的服务器，这点对有合规要求的团队很关键；Coze 是字节的云端平台，插件生态和渠道分发（一键接入微信、飞书等）更完善，但数据在别人的服务器上。两者共同的短板是灵活度受平台边界限制、底层是黑盒：想做一个平台没预置的复杂判断逻辑，往往要绕很多弯路，甚至绕不过去；深度定制和后续迁移会受限，导出的工作流通常没法直接搬到另一个平台或代码框架里复用。适合业务、运营、想快速验证商业逻辑的团队。想深入了解平台之间的差别，可以看 Coze、Dify、n8n 怎么选（规划中）。
三个最容易踩的坑
- LangGraph 的状态设计一开始就要想清楚：很多人上手就把所有中间变量一股脑塞进一个大的 State 对象，跑到第十几个节点时自己都记不清哪个字段是谁写的、该由谁更新。建议一开始就按”谁产出、谁消费”把状态字段拆清楚，宁可多定义几个字段，也别搞一个万能大对象。
- LlamaIndex 的检索效果很依赖切块和 embedding 选型，默认参数在通用场景能跑，但专业文档（比如法律合同、带大量表格的技术手册）用默认切块经常把一句话切断在两个 chunk 里，检索时召回不全。真要上生产，chunk size、overlap、embedding 模型这三项至少要拿你自己的真实文档跑几组实验对比效果，不能直接信默认值。
- 低代码平台的”能用”和”好用”是两码事：Coze/Dify 搭个 demo 半天就能上线，但流程一旦超过十几个节点、逻辑里有大量嵌套判断，可视化编辑器本身就变得比写代码还难维护——你在一堆连线里找一个条件分支，比在代码里搜索一个函数名费劲得多。这也是”平台跑原型、框架做长期系统”这条建议背后的真实原因，不是纯粹的鄙视链。
按需求怎么选
把你的真实情况对号入座：
| 你的情况 | 推荐 | 原因 |
|---|---|---|
| 工程团队做有复杂分支/循环的产品级 Agent | LangGraph | 状态图编排可控、可调试 |
| 主要做文档/知识库问答 | LlamaIndex | 数据接入与检索最强 |
| 开发者想几小时验证一个 Agent 点子 | smolagents | 极简、跑得快 |
| 不写代码、要尽快上线一个客服/助手 Bot | Coze / Dify | 拖拽即用、零代码 |
| 先用平台验证、跑通了再用代码重写 | 平台 → 框架 | 平台试错快，框架管长期 |
一个实用顺序：拿不准就先用低代码平台跑个原型验证需求，确认有价值、且平台的天花板挡了你的路，再迁到代码框架做工程化。别一上来就上重型框架，也别把要长期演进的核心系统永远绑在黑盒平台上。
常见问题
Q：LangChain 和 LangGraph 是一回事吗？ 不完全是。LangChain 是更早的大而全工具集，LangGraph 是同一团队后来推出的、专门做”图式流程编排”的框架，更适合复杂可控的 Agent。做有状态、多步、带分支的智能体，优先看 LangGraph。
Q：低代码平台搭的 Agent 能商用吗？会不会不够灵活？ 能商用，很多线上客服、助手就是这么搭的。“够不够灵活”取决于你的需求：常见场景（知识问答、流程自动化）平台基本够用；一旦要做平台没有的深度定制、或对响应链路有强控制需求，就会撞到天花板，这时再考虑代码框架。
Q：我完全不会编程，能用 LangGraph 吗？ 不建议。LangGraph、LlamaIndex、smolagents 都要写 Python。不会编程的话，直接从 Coze、Dify 这类低代码平台入手，效果好、门槛低。
Q：选了一个框架，以后想换会很麻烦吗？ 有迁移成本，但不致命。Agent 的核心资产是你的提示词、工具定义、业务流程逻辑，这些是框架无关的；换框架主要是重写”编排层”的胶水代码。所以一开始把业务逻辑和框架细节分开写，后面换起来会轻松很多。
👉 看看 AI 数字员工落地指南，或了解 数字员工搭建实战课。需要为企业落地方案，欢迎找我们聊 企业服务。