跳轉到
繁體中文 | 简体中文 | English

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

對應 Stage 4 — Workflow Graph 與 Agent 框架 練習 1。

🎓 學習模式：先執行提供的 starter.py（python starter.py），再只改一個小地方，然後重新執行既有測試 python test.py。如果測試失敗，就撤銷或修正這一個改動，再試一次。不需要改名檔案，也不需要整份解答重寫。完整方法看 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 Quickstart + 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

⚠️ 每個練習都要有自己的 Python 3.11 .venv。 不要把五個 requirements.txt 混在一起安裝；它們示範不同 framework，套件需求可能互相衝突。

Path A（默認、本機免費）

py -3.11 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements.txt
ollama pull qwen2.5:3b
ollama serve

.\.venv\Scripts\python.exe starter.py # LangGraph + Ollama
.\.venv\Scripts\python.exe starter_crewai.py # CrewAI + Ollama（對照）

預算：模型 API 是 $0；電腦記憶體、電力與下載時間仍有成本。

Path B（Anthropic、比較雲端結果）

$env:ANTHROPIC_API_KEY="sk-ant-..."
.\.venv\Scripts\python.exe starter_anthropic.py # LangGraph + Claude

預設固定型號：claude-haiku-4-5-20251001。Haiku 4.5 為每百萬 input tokens $1、output tokens $5。若一次請求用 2,000 input + 1,000 output tokens，算式是 2,000 / 1,000,000 × $1 + 1,000 / 1,000,000 × $5 = $0.007。Framework 可能呼叫多次；本練習先把供應商支出上限設為 $0.05，不要把估算當帳單保證。

macOS／Linux 指令與查核資訊 
python3.11 -m venv .venv
./.venv/bin/python -m pip install -r requirements.txt
export ANTHROPIC_API_KEY="sk-ant-..."
./.venv/bin/python test.py

官方來源：LangGraph overview｜CrewAI docs｜Anthropic pricing

套件、model ID、價格與官方連結查核：2026-08-28 UTC。

不花錢驗證程式邏輯（mock-based）

.\.venv\Scripts\python.exe test.py # LangGraph 行為
.\.venv\Scripts\python.exe test_anthropic.py # Anthropic 路徑行為
.\.venv\Scripts\python.exe test_crewai.py # CrewAI 行為

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
Debug 路徑 看 graph state 與 checkpoint 看 task output 與 verbose log
適合場景 需要明確狀態與分支的 workflow 用角色與任務快速表達合作流程
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：兩邊都要實測；角色描述、工具 schema 與任務長度都會影響結果
  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：需要逐步看狀態時先試 LangGraph；想先表達角色分工時先試 CrewAI，再用自己的任務測量

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：要用 LiteLLM 格式（譬如 "ollama/qwen2.5:3b"、不是 "qwen2.5:3b"）。寫錯 provider 前綴可能連到不同後端，所以執行前要印出設定並確認
  • 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？

$env:MODEL="claude-sonnet-5"; .\.venv\Scripts\python.exe starter_anthropic.py
$env:MODEL="qwen2.5:7b"; .\.venv\Scripts\python.exe starter.py

延伸

  • 改成 streaming：LangGraph 用 graph.stream(...) 邊跑邊看 state；CrewAI 在建立 Crew(..., stream=True) 時開啟，再呼叫 crew.kickoff()
  • 加 checkpointing：LangGraph 加 MemorySaver 就能 time-travel debug
  • 加 human-in-the-loop：練習 3 會做