跳轉到

練習 1：同一個 agent、兩個 framework（LangGraph + CrewAI）

對應 Stage 4 — Agent Frameworks 練習 1。

🎓 學習模式：這份 starter.py 是完整解答、不是 TODO skeleton。建議用主動模式——mv starter.py starter_reference.py、看 signature 不看 body、自己重寫一份 starter.py、跑 python test.py 驗證；卡 20 分鐘再回去對照 reference。完整方法論看 docs/HOW_TO_USE.md。

📚 想要 chapter-length 深入版？ 本 folder 的 starter 是 illustrative 版、聚焦核心 pattern + 兩條 SDK path，不是進階深度教材。深度教材推薦： - datawhalechina/hello-agents ⭐ 中文圈最完整、章節式 + 16 種 production 能力。本練習對應 hello-agents 的 framework 對照 / orchestration 章節 - LangGraph official tutorial + CrewAI 官方 docs - 完整 references 見 Stage 4 精選 Projects

任務

最簡單的 search + summarize agent：

  • 給一個 query（譬如「summarize Taipei」）
  • Agent 用 search tool 拿 knowledge base 資料
  • LLM 把 search result 摘成 1-2 句

用 LangGraph 跟 CrewAI 各做一次、比較風格差異。

怎麼跑 — 兩條路徑 + 兩個 framework

Path A（默認、本機免費）

pip install -r requirements.txt
ollama pull qwen2.5:3b
ollama serve

python starter.py # LangGraph + Ollama
python starter_crewai.py # CrewAI + Ollama（對照）

預算：$0。

Path B（Anthropic、想看 cloud 高品質）

pip install -r requirements.txt
export ANTHROPIC_API_KEY=sk-ant-...
python starter_anthropic.py # LangGraph + Claude

預算：每次 ≈ $0.001（claude-haiku-4-5）。

不花錢驗證程式邏輯（mock-based）

python test.py # LangGraph + mock LLM
python test_anthropic.py # starter_anthropic 可載入 + ChatAnthropic 可建構
python test_crewai.py # CrewAI tool 邏輯 + 模組可載入

兩個 framework 的並排比較

維度 LangGraph CrewAI
核心抽象 StateGraph + node + edge Agent + Task + Crew
思考方式 「狀態怎麼流動」 「角色怎麼分工」
Loop 控制 顯式 conditional edge 隱藏在 Crew.kickoff() 裡
程式碼行數（這題） ~50 行 ~25 行
Debug 路徑 看 graph state、可 time-travel 看 verbose log、不容易 step
適合場景 複雜分支、production、需要 audit 多 agent 雛形、role-based 任務
學習曲線 中-高 低

LangGraph 風格（精簡）

g = StateGraph(State)
g.add_node("agent", agent_node)
g.add_node("tools", tool_node)
g.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END})
g.add_edge("tools", "agent")

「我要顯式地告訴系統：狀態長這樣、節點互相連這樣、條件分支看 should_continue。」

CrewAI 風格（精簡）

researcher = Agent(role="Researcher", goal="...", tools=[search], llm=MODEL)
task = Task(description=query, expected_output="...", agent=researcher)
crew = Crew(agents=[researcher], tasks=[task])
crew.kickoff()

「我要描述：這個角色是誰、要完成什麼任務、有什麼工具。框架自己決定怎麼跑。」

觀察重點

  1. 抽象代價：CrewAI 隱藏的多、寫得少；要 debug 時 stack 比較深
  2. 小 model 友善度：LangGraph 對 qwen2.5:3b 較穩；CrewAI 可能讓小 model 多繞幾步（因為 prompt 比較複雜）
  3. 可控性：LangGraph 你能看到每個 state 變化；CrewAI 偏向「結果導向」
  4. 何時選哪個：production 級 / 需要 audit → LangGraph。多 agent 雛形 / role-based → CrewAI

常見坑

  • LangGraph bind_tools：要 llm.bind_tools([search]) 才會把 tool schema 給 LLM。沒 bind 模型就不知道 tool 存在
  • CrewAI LLM 設定：要靠 LiteLLM 格式（譬如 "ollama/qwen2.5:3b"、不是 "qwen2.5:3b"）。錯一個字 framework 不會 raise、會直接連到 OpenAI 預設
  • CrewAI 結果型別：crew.kickoff() 回 CrewOutput 物件、str(result) 拿文字。直接 print(result) 有可能拿到 repr

想看更聰明的答案？

MODEL=claude-sonnet-4-6 python starter_anthropic.py # 更穩
MODEL=qwen2.5:7b python starter.py # 大本機 model

延伸

  • 改成 streaming：LangGraph graph.stream(...) 邊跑邊看 state、CrewAI crew.kickoff(stream=True)
  • 加 checkpointing：LangGraph 加 MemorySaver 就能 time-travel debug
  • 加 human-in-the-loop：練習 3 會做