跳转至
繁體中文 | 简体中文 | English

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

对应 Stage 4 — Workflow Graph 与 Agent 框架 练习 1。

🎓 学习模式：先运行提供的 starter.py（python starter.py），然后只改一个小地方，再重新运行现有测试 python test.py。如果测试失败，就撤销或修正这一个改动，再试一次。不需要重命名文件，也不需要重写整份解答。完整方法见 docs/HOW_TO_USE.md。

📚 想要 chapter-length 深入版？ 本 folder 的 starter 是 illustrative 版、聚焦核心 pattern + 两条 SDK path，不是进阶深度教材。深度教材推荐： - datawhalechina/hello-agents ⭐ 中文圈最完整、章节式 + 16 种 production 能力。本练习对应 hello-agents 的 framework 对照 / orchestration 章节 - LangGraph Quickstart + CrewAI 官方 docs - 完整 references 见 Stage 4 精选 Projects

任务

最简单的 search + summarize agent：

  • 给一个 query（譬如“summarize Taipei”）
  • Agent 用 search tool 拿 knowledge base 资料
  • 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

⚠️ 每个练习都要有自己的 Python 3.11 .venv。 不要把五个 requirements.txt 混在一起安装；它们示范不同 framework，套件需求可能互相冲突。

Path A（默认、本机免费）

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（对照）

预算：模型 API 是 $0；电脑记忆体、电力与下载时间仍有成本。

Path B（Anthropic、比较云端结果）

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

预设固定型号：claude-haiku-4-5-20251001。Haiku 4.5 为每百万 input tokens $1、output tokens $5。若一次请求用 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 可能调用多次；本练习先把供应商支出上限设为 $0.05，不要把估算当帐单保证。

macOS／Linux 指令与查核资讯 
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

官方来源：LangGraph overview｜CrewAI docs｜Anthropic pricing

套件、model ID、价格与官方连结查核：2026-08-28 UTC。

不花钱验证程序逻辑（mock-based）

.\.venv\Scripts\python.exe test.py # LangGraph 行为
.\.venv\Scripts\python.exe test_anthropic.py # Anthropic 路径行为
.\.venv\Scripts\python.exe test_crewai.py # CrewAI 行为

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
Debug 路径 看 graph state 与 checkpoint 看 task output 与 verbose log
适合场景 需要明确状态与分支的 workflow 用角色与任务快速表达合作流程
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：两边都要实测；角色描述、工具 schema 与任务长度都会影响结果
  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：需要逐步看状态时先试 LangGraph；想先表达角色分工时先试 CrewAI，再用自己的任务测量

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：要用 LiteLLM 格式（譬如 "ollama/qwen2.5:3b"、不是 "qwen2.5:3b"）。写错 provider 前缀可能连到不同后端，所以执行前要打印设定并确认
  • CrewAI 结果型别：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？

$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(...) 边跑边看 state；CrewAI 在创建 Crew(..., stream=True) 时开启，再调用 crew.kickoff()
  • 加 checkpointing：LangGraph 加 MemorySaver 就能 time-travel debug
  • 加 human-in-the-loop：练习 3 会做