跳转至

练习 1：同一个 agent、两个 framework（LangGraph + CrewAI）

对应 Stage 4 — Agent Frameworks 练习 1。

任务

最简单的 search + summarize agent：

  • 给一个 query（譬如“summarize Taipei”）
  • Agent 用 search tool 拿 knowledge base 数据
  • LLM 把 search result 摘成 1-2 句

用 LangGraph 跟 CrewAI 各做一次、比较风格差异。

怎么跑 — 两条路径 + 两个 framework

Path A（默认、本机免费）

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

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

预算：$0。

Path B（Anthropic、想看 cloud 高质量）

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

预算：每次 ≈ $0.001（claude-haiku-4-5）。

不花钱验证程序逻辑（mock-based）

python test.py             # LangGraph + mock LLM
python test_anthropic.py   # starter_anthropic 可载入 + ChatAnthropic 可构造
python test_crewai.py      # CrewAI tool 逻辑 + 模块可载入

两个 framework 的并排比较

维度 LangGraph CrewAI
核心抽象 StateGraph + node + edge Agent + Task + Crew
思考方式 “状态怎么流动” “角色怎么分工”
Loop 控制 显式 conditional edge 隐藏在 Crew.kickoff() 里
程序码行数（这题） ~50 行 ~25 行
Debug 路径 看 graph state、可 time-travel 看 verbose log、不容易 step
适合场景 复杂分支、production、需要 audit 多 agent 雏形、role-based 任务
学习曲线 中-高 低

LangGraph 风格（精简）

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")

“我要显式地告诉系统：状态长这样、节点互相连这样、条件分支看 should_continue。”

CrewAI 风格（精简）

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：这个角色是谁、要完成什么任务、有什么工具。框架自己决定怎么跑。”

观察重点

  1. 抽象代价：CrewAI 隐藏的多、写得少；要 debug 时 stack 比较深
  2. 小 model 友善度：LangGraph 对 qwen2.5:3b 较稳；CrewAI 可能让小 model 多绕几步（因为 prompt 比较复杂）
  3. 可控性：LangGraph 你能看到每个 state 变化；CrewAI 偏向“结果导向”
  4. 何时选哪个：production 级 / 需要 audit → LangGraph。多 agent 雏形 / role-based → CrewAI

常见坑

  • LangGraph bind_tools：要 llm.bind_tools([search]) 才会把 tool schema 给 LLM。没 bind 模型就不知道 tool 存在
  • CrewAI LLM 设定：要靠 LiteLLM 格式（譬如 "ollama/qwen2.5:3b"、不是 "qwen2.5:3b"）。错一个字 framework 不会 raise、会直接连到 OpenAI 预设
  • CrewAI 结果类型：crew.kickoff() 回 CrewOutput 对象、str(result) 拿文字。直接 print(result) 有可能拿到 repr

想看更聪明的答案？

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

延伸

  • 改成 streaming：LangGraph graph.stream(...) 边跑边看 state、CrewAI crew.kickoff(stream=True)
  • 加 checkpointing：LangGraph 加 MemorySaver 就能 time-travel debug
  • 加 human-in-the-loop：练习 3 会做