Agent 框架与运行时工具：一张选型地图（Agent Frameworks & Runtimes）

所属：01-fundamentals / 04-agent-architecture
面试权重：★★（面经里是直接题 ——「Agent 框架选型：LangChain / LangGraph / Eino 各自的抽象与适用场景？」；它同时是「Agent Runtime 基础」这一块的入口：讲不清一个工具站在哪一层，后面讲项目就没有坐标系）
来源：四类划分的骨架取自 LangChain 官方文档的 Framework / Runtime / Harness 三分法（https://docs.langchain.com/oss/python/concepts/products，这是 LangChain 自己给的分类，它有立场），第四类「通用持久化执行引擎」由本仓库补上；书的基线是《深入理解 AI Agent：设计原理与工程实践》第 1 章的「主流 Agent 框架简要对比」表、五阶段演进（提示工程 ⊂ 上下文工程 ⊂ Harness 工程 ⊂ Loop 工程 ⊂ Graph 工程）与「Harness 中绝大部分代码是约束、验证与纠正」，以及第 10 章「AutoGen 群聊 vs OpenAI Swarm 的控制流」；Claude Agent SDK（https://code.claude.com/docs/en/agent-sdk/overview）、OpenAI Agents SDK（https://openai.github.io/openai-agents-python/）、Google ADK（https://adk.dev/）、Eino（https://www.cloudwego.io/docs/eino/overview/）、Agno（https://docs.agno.com/introduction、https://www.agno.com/products/sdk）、Microsoft Agent Framework（https://learn.microsoft.com/en-us/agent-framework/workflows/orchestrations/handoff）为官方文档口径；Pi、Pydantic AI、Mastra、Strands Agents、Letta、smolagents、Semantic Kernel / AutoGen 的现状取自官网与第三方对比文章，未做一手考证。框架生态变动快，除参考书外的定位描述以写作时抓取的官方文档为准
相关知识点：./15-orchestration.md（分工：那篇讲「路径谁定」的四档定位差异，本篇是它的展开 —— 讲同一层里不同工具各自站哪一档，§7 那张表从这里接着讲）、./08-agent-stack.md（分工：那篇分栈的层次 Tool→MCP→Skill→Agent→Harness，本篇分同一层里不同产品的定位）、../07-distributed-systems/state-machine.md §8（Temporal / DBOS / Step Functions 的持久化执行细节不在本篇展开）、../07-distributed-systems/recoverable-task-runtime.md（可恢复任务执行系统的完整设计）、./14-agent-state.md（Agent 视角的状态建模与 checkpoint 粒度）、../../02-interview/projects/writing-copilot.md（本篇唯一的一手经验落点：LangGraph 多智能体）

一句话#

先分清它是框架、运行时还是 Harness，再谈选型 —— 判据不是谁功能多，而是「谁的抽象层少、且不骗你」。 而「不骗你」在这张地图上最具体的一处是：不要把一个库的 checkpointer 说成持久化执行 —— 前者保数据可恢复（失败那一轮的工作要重做，所以它逼你写幂等），后者保执行可恢复（已完成的活动不会重跑）。

为什么重要（面试角度）#

• 它是直接题，不是背景知识。 面经信号里「Agent 框架选型：LangChain / LangGraph / Eino 各自的抽象与适用场景？」由 B5 与 B13 两条共同指向（见 ../../02-interview/questions/interview-signals.md §3.1）；而且「Agent 体系（编排 / 框架 / Runtime）」是信号里命中最多的话题簇。面试官问这句时，想要的是坐标系，不是功能清单。
• 它是讲项目的坐标系。 Writing Copilot 是 LangGraph 上的多智能体；说不清 LangGraph 是「框架」还是「运行时」，就说不清你在这个项目里自己写了哪一部分、框架替你兜了哪一部分 —— 而那恰恰是面试官要挖的。
• 它是第 1 块「Agent Runtime 基础」的入口。 用户的原话是「langgraph、agno、pi、Claude code SDK 是 agent runtime 工具」—— 这句话把四类东西装进了同一个词。把这句话拆开，就是这一块学习的地图本身。
• 它有一个能立刻分层的考点：checkpointer ≠ 持久化执行。 大多数人的答案是「LangGraph 有 checkpointer，所以它能从失败点恢复」；能说清它恢复的是数据不是执行、失败那一轮会被重做、所以要求幂等，并知道 LangGraph Platform 提供了服务器侧恢复、Temporal 还有 LangGraph 插件（即不要把 OSS 库的边界说成整个产品的边界）的人，明显在另一层。详见 §4。
• 它专治「按名词选型」。 「低代码」的 n8n / Dify、「角色化」的 CrewAI、「极简」的 Pi 与「自带全套工具」的 Claude Agent SDK 不在同一个取舍轴上 —— 先把取舍轴说清楚，再谈选谁。

⚠️ 边界声明：你的一手经验只有 LangGraph（Writing Copilot） 一家。Eino 只到「知道它站在哪一档、它的抽象叫什么」，没有用过；Agno / Pi / Claude Agent SDK / Codex Harness / Google ADK 等其余工具，一律按「按这张图我会这么选」讲，不得讲成用过。大规模分布式（Temporal 那一侧）见 ../07-distributed-systems/state-machine.md 的边界声明。

核心内容#

1. 先分清四类东西#

「Agent 工具」这个词把四件不同的事混在一起了。按它替你兜住什么分开，问题立刻清楚：

一句话判据把四类分开：「你想省抽象、想跑得住、还是想连循环都不写？」

• 想省抽象（少写模型适配、工具 schema、检索管线）→ 框架；
• 想跑得住（跨重启、流式、人工审批、状态持久化）→ 运行时；
• 想连循环都不写（工具、提示、子 agent 都给你）→ Harness；
• 只想让「一件事跑到一半挂了能接着跑」→ 通用持久化执行引擎。

这张表要带着一个提醒用：三分法是 LangChain 官方给的，而 LangChain 把自己放「框架」、把 LangGraph 放「运行时」、把 Deep Agents SDK 放「Harness」（后两者分别是它的下一代与上层产品）。这个分类有立场，但它有解释力 —— 它抓住的正是一个工具替你兜住什么。用它的时候标明出处即可。

另外两条同源事实：LangChain 1.0 建在 LangGraph 之上（框架建在运行时之上），Deep Agents SDK 建在 LangGraph 之上（Harness 建在运行时之上）。也就是说这三层不是并列竞品，很多情况下它们是叠着用的。

2. 把书里那张表映射进来#

书第 1 章的「主流 Agent 框架简要对比」有 9 行，按「核心定位 / 编排模式 / 开发方式 / 适用场景」分档。它的分档口径和上面四类不是同一个轴（书分的是「编排模式 + 开发方式」，即 15-orchestration.md §7 讲的那件事），映射过来看会更清楚：

读表两句话：① 书里「运行时 / SDK」那一档（Codex Harness / Claude Agent SDK / Pi）基本都落在本文的 Harness 类 —— 它们的共同点是自带你那个 agent 循环，你不写编排；② LangChain / LangGraph 横跨两行，正是「框架建在运行时之上」的实例。

书里对前两行有一处澄清，值得单独记（它是「产品 vs 运行时」这个区分最好的例子）：Codex 是产品（App / CLI / IDE 扩展），Codex Harness 是驱动这些形态的那一层运行时；它给三条集成路径 —— codex exec（脚本与 CI 里的一次性任务）、Codex SDK（第三方应用代码启动 / 恢复 / 流式处理任务）、app-server（JSON-RPC，持久会话 + 事件流 + 审批回调，适合把 Agent 做进产品）。Claude Agent SDK 与 Claude Code 也是类似的关系 —— 区别是 Claude 侧对外开放的是 SDK 接口，Harness 实现本身并不开源。

3. 逐类点名#

3.1 框架类#

OpenAI Agents SDK 还带的几件东西值得记住（它们是「框架顺带把运行时的事也做了」的例子）：sessions（持久记忆层）、内置 tracing、MCP、human-in-the-loop、sandbox agents（在真实隔离工作区里跑、会话可恢复）、realtime / voice。它默认走 Responses API，官方把它定位成「更高层的 runtime」—— 注意：同一个工具，在它自己的文档里会自称 runtime，在 LangChain 的三分法里会被归进 framework。这不是谁错了，是分类的轴不同；面试时把这句话说出来，比背分类更值钱。

Google ADK 有一处口径很值得引：它把 context 当「源代码」对待 —— 过滤无关事件、摘要旧轮次、惰性加载 artifact、追踪 token 用量；并原生支持 A2A 协议，Workflow Agents 预置 Sequential / Loop / Parallel，部署目标为 Agent Runtime / Cloud Run / GKE。

3.2 Eino（面经直接题，写足）#

它为什么在面经里出现：B13 的标题就是「AI Agent 开发实战（Eino 框架）」，且 B5 把它与 LangChain / LangGraph 并列成一道选型题。它的定位是「Go 生态里那一档」 —— CloudWeGo 出品，自称「draws inspiration from … LangChain and LlamaIndex」但「more in line with Go programming conventions」。Go 语言特性（静态类型、显式错误、结构体）直接塑造了它的抽象形态，这是它和 Python 系框架最本质的差别。

怎么在面试里讲它（这是「知道它站在哪一档」的正确用法）：三 API 的差别就是「约束强度」的差别 —— Chain 是线性且只能向前（换控制流就得换工具），Graph 可环最灵活（代价是复杂度与你要自己保证终止），Workflow 是 DAG 加字段级映射（确定性最强、最接近「数据流」而不是「控制流」）。这正好对上 15-orchestration.md 的三档：Chain ≈ 提示链、Workflow ≈ 工作流、Graph ≈ 自主/可环编排。Eino 的 ADK 层做的事（内置 ReAct、Runner + Resume、预置 Supervisor / DeepAgent、中间件）说明它也在从「框架」往「运行时 / Harness」长 —— 和 §3.5 的 Agno、以及 LangChain→LangGraph→Deep Agents 是同一条演化路径。边界：以上是文档口径，你没有写过 Eino，讲的时候说「按文档它站在这一档」。

3.3 低代码平台#

它们和 LangGraph 的差别不在「功能」，在「控制流存在哪」 —— 代码里还是画布里。画布的好处是可见与可交接，代价是抽象层更厚、调试时的盲区更多（呼应 §5 的判据）。

3.4 多 Agent 原语#

书第 10 章的口径要记准：MetaGPT 的控制流实际上是固定流水线（只在通信机制上解耦），AutoGen 群聊是「共享对话记录 + 中心化调度」的混合形态，只有 OpenAI Swarm 在控制流上做到了真正的对等去中心化。另外书里有一条提醒：「Agent Swarm」这个词不对应单一架构 —— 它既指 Swarm 式的 handoff 网络，也被一些商业产品用来指规模化的管理者模式（主 Agent 动态创建大量子 Agent 并行），看到名字要先问它的实际拓扑。

一条二手转述（标清楚）：Semantic Kernel 已并入 Microsoft Agent Framework，AutoGen 转入维护模式 —— 这条来自第三方对比文章与项目自述，未做一手考证；但它和「Swarm → Agents SDK」是同一类现象：这一层的产品在快速合并与换代，所以 §5 里「别背 API」那条不是套话。

3.5 服务化 / 平台层#

这一层要单独列，因为它是「同一个产品换个形态卖」的地方，也是最容易被说混的地方。

Agno 这件事本身就是一道题：同一个项目，旧文档教你怎么写多 agent，新官网教你怎么把它跑成服务。 面试里最好的答法不是选一边，而是把这条演进说出来 —— 它的意思不是「多 agent 框架过时了」，而是**「建 agent」和「跑 agent」这两件事正在被拆成两层**，这正是本文四类划分在真实产品上的投影。

而 Claude 官方对四个东西的并列区分，是这一层最实用的一张表（建议直接背）：Agent SDK（把 Claude Code 的 agent 嵌进你自己的进程）/ Claude Code CLI（终端交互）/ Client SDK（直接调 Claude API，工具循环你自己写）/ Managed Agents（Anthropic 托管 harness）。Agent SDK 给它的是「the same tools, agent loop, and context management that power Claude Code」，并且它跑的是 Claude Code 的二进制；能力清单含内置工具（读写文件、跑命令、网页搜索）、Hooks、Subagents、MCP、Permissions、Sessions（可 resume / fork）、Skills / commands / memory、Plugins。

3.6 通用持久化执行引擎（只做定位）#

细节一律见 ../07-distributed-systems/state-machine.md §8（Temporal / Step Functions / DBOS 的取舍）与 recoverable-task-runtime.md（崩溃点矩阵、事务性发件箱、幂等三边界），本篇不复述。

4. 重点：checkpointer ≠ 持久化执行#

这是本篇最容易踩、也最能分层的一个坑。 先把两个词分开：

为什么这个区别要紧：它决定你要为「重复副作用」负多少责任。给 LangGraph 挂一个 checkpointer，恢复点之后那一轮如果已经发过邮件、扣过款，重跑就会重做 —— 所以 ../../02-interview/projects/writing-copilot.md 里那条 HITL 故障（无人值守时任务全部挂起）如果要靠 checkpoint 恢复，必须同时保证中断点之后的每一步是幂等的。而 Temporal 那一路，活动级重试与幂等仍然要你写（它管不到外部世界的副作用是否只发生一次，见 ../07-distributed-systems/state-machine.md §5），但它不会因为重放而重跑已经记录过的活动。

⚠️ 口径提醒（不要把一个库的边界说成整个产品的边界）：

• LangGraph 侧：开源库里的 checkpointer 提供的是持久化状态与恢复材料；LangGraph Platform 提供的是服务器侧的恢复与运维能力（服务器侧帮你把中断的运行拉起来）。所以「LangGraph 没有持久化执行」这句话对 OSS 库成立，对整个产品不成立 —— 说的时候要指明是哪一侧。
• Temporal 侧：Temporal 出过一个 LangGraph 插件，把 LangGraph 的图当作 Temporal Workflow 跑（这是二手转述，未做一手考证）—— 也就是说这两者不是非此即彼的关系，而是可以把图嵌进引擎里。

两句话合起来才是准确的：LangChain 的三分法里 LangGraph 同时是「框架」和「运行时」；而「运行时」这个词在不同产品上覆盖的范围不一样 —— 判断一个工具到底保到哪一级，要看它的恢复材料是快照还是事件历史、以及它把「重新拉起来」这一步做在哪一层。

接回既有的两篇：state-machine.md §4–§6 讲的是事件历史与确定性重放、以及「重试是「重放 + 跳过已完成」的特例」这条谱系（加 checkpoint 就是手工版的持久化执行）；recoverable-task-runtime.md 讲的是把这件事做成一个系统要穷举哪些崩溃点。本篇只做一个动作：把这两个词贴到具体产品上，并说清谁保到哪一级。

5. 选型判据#

书里的两条（这一条最值钱，先背它）：

• 「关键考量不在于框架本身的复杂度，而在于它能否用尽可能少的抽象层让你专注于业务逻辑。」
• 「Agent 框架发展迅速……学会某个具体框架的用法并不重要。」

第 2 条不是让你别学，而是说要学的是「这个工具替我兜了什么」，不是它的 API —— 前者管三年，后者管一个版本。呼应 15-orchestration.md 引的 Anthropic 那条：每多一层抽象都会成为以后调试时新的盲区。

再加上工程四条（这四条决定你要不要上运行时 / Harness，而不只是选哪家）：

一个把四条串起来的落地判据：先问「我需要的是抽象、是恢复、还是循环」—— 需要抽象选框架，需要恢复选运行时或引擎，不想写循环选 Harness；三者都要时，多数团队会选「运行时 + 薄框架」而不是「全都要的 Harness」，因为 Harness 的自带工具与提示同时也是你要绕开的默认值。

6. 接回「从 0 手写」#

框架替你兜的，正好是 Harness 五要素里偏后的那几项。 五要素（书的定义）是上下文管理 + 工具接口 + 约束 + 验证 + 纠正（见 ./08-agent-stack.md），而书里有一句很硬的话：以 Claude Code 为例，它的 Harness 中绝大部分代码是约束、验证与纠正，而非上下文与工具 —— 工具本身只是一小部分。

这张表的用法：从 0 手写一遍的价值，是让你知道框架替你兜的是哪几格、以及没兜的那几格将来会在哪爆。也正因此，姐妹篇 ./17-agent-loop-from-scratch.md 讲的是搭起来的顺序，本篇讲的是搭起来之后你要不要把它交给某一档工具 —— 两篇的接缝就在这张表上。

再加一条必须说清的：框架兜不住「恢复」的语义。它给你 checkpointer 或事件历史，但 「这一步的副作用能不能重做」是你写的（§4）。所以先做幂等与状态设计，再选框架 —— 顺序反了，换哪个框架都会在故障里露馅（recoverable-task-runtime.md 的崩溃点矩阵就是为这件事存在的）。

7. 面试怎么讲#

答这类题的模板（四步）：

1. 先分档：这个工具是框架 / 运行时 / Harness / 执行引擎里的哪一类（或哪两类）—— 一句话把坐标系立起来；
2. 给它的核心抽象与编排模式（图 + 共享状态 / 三原语 Agents-Handoffs-Guardrails / Chain-Graph-Workflow ……）；
3. 说出它的边界：它兜住了什么、没兜住什么（后半句是加分项，也是 §4 那个坑的落点）；
4. 落回项目：Writing Copilot 用的是 LangGraph，我写的是 state schema、图的拓扑、HITL 的插入点与幂等；框架替我兜的是消息组装、checkpoint 落地与中断原语。

边界怎么说才自然：不要回避没用过的工具，而是把「用过」和「知道它站在哪一档」显式分开 —— 「Eino 我没写过，但按文档它在 Go 生态里对位 LangGraph，编排三 API 是 Chain / Graph / Workflow，约束强度依次是越来越松 / 越来越灵活；如果让我在 Go 栈上选，我会先看我的控制流需不需要环」。这句话既证明了你有地图，又没有越界。

常见面试问法#

Q： 你都用过哪些 Agent 框架？怎么选？

A：先划边界再给地图。 一手只用过 LangGraph（Writing Copilot 的多智能体写作架构），其余是按定位了解的。选型上我先把候选分成四类 —— 框架（省抽象：LangChain、OpenAI Agents SDK、Google ADK、Eino）、运行时（保证跑得住：durable execution / streaming / HITL / persistence，LangGraph、Temporal、Inngest）、Harness（自带循环与工具、编排不由你写：Claude Agent SDK、Deep Agents SDK、Codex Harness、Pi），再加第四类通用持久化执行引擎（Temporal、DBOS、Step Functions）。判据是「我需要的是抽象、是恢复、还是循环」，而不是谁功能多。书里那两句我一直用：关键考量不是框架复杂度，而是它能不能用尽可能少的抽象层让你专注业务逻辑；以及框架发展很快，学会某个具体框架的用法并不重要。最后落回项目：Writing Copilot 里我真正写的是 state schema、图的拓扑、HITL 插入点与中断后的幂等，框架兜的是消息组装、checkpoint 落地与中断原语。

Q： LangGraph 有 checkpointer，是不是就等价于 Temporal 那种持久化执行？

A：不等价，这是两个不同级别的保证。 checkpointer 保「数据可恢复」 —— 它把某一步之后的状态落盘，恢复时从最后一个 checkpoint 往前续，所以失败那一轮的工作要重做，这就要求你自己把这段做成幂等。Temporal 保「执行可恢复」 —— 它记的是事件历史，恢复时从头重放代码，已记录的命令直接返回记录的结果、不真的执行，所以已完成的活动不会被重跑；代价是工作流代码必须确定性重放（不能直接调 now() / random() / 发网络请求，IO 要放进活动）。口径上还要注意一层：开源库的 checkpointer 边界不等于整个产品的边界 —— LangGraph Platform 提供了服务器侧的恢复与运维能力，而 Temporal 也出过 LangGraph 插件，把图当 Workflow 跑（后者是二手转述）。所以准确的问法是：它的恢复材料是快照还是事件历史、以及「把中断的运行重新拉起来」这一步做在哪一层。

Q： LangChain、LangGraph、Eino 各自的抽象和适用场景是什么？

A：按「抽象强到什么程度」答。 LangChain 是最上面那层框架 —— 提供结构化内容块、agent 循环、中间件这些抽象，1.0 建在 LangGraph 之上；它的价值是少写集成代码，代价是抽象层厚、调试时盲区多。LangGraph 是底层的编排框架与运行时 —— 核心抽象是图 + 共享状态（节点是步骤、边是迁移、条件边是守卫），换来的是控制流可枚举、可测试、可画出来，加上 checkpointer 做状态落盘与 HITL 中断；代价是 state schema 要你自己设计。Eino 是 Go 生态的那一档（CloudWeGo 出品），组件是 ChatModel / Tool / PromptTemplate / Retriever / DocumentLoader / Lambda，编排三个 API 是 Chain（只能向前的链）/ Graph（可环、最灵活）/ Workflow（DAG + 结构体字段级映射）；它的 ADK 层还内建了 ChatModelAgent 的 ReAct 循环、Runner 的 checkpoint Resume、预置的 DeepAgent / Supervisor / Sequential 和中间件系统。适用场景一句话：要最少胶水代码用 LangChain，要控制流可控可测用 LangGraph，Go 技术栈且要类型安全用 Eino。补一句边界：Eino 我没写过，以上是文档口径。

Q： Claude 侧的 SDK / CLI / Client SDK / Managed Agents 这几个到底怎么选？

A：它们是同一件事的四种「谁来跑循环、跑在哪」的答案，官方就是并列区分的：Agent SDK 是把 Claude Code 的 agent（the same tools, agent loop, and context management that power Claude Code）嵌进你自己的进程，它跑的是 Claude Code 的二进制，能力含内置工具、Hooks、Subagents、MCP、Permissions、可 resume / fork 的 Sessions、Skills / memory；Claude Code CLI 是终端交互形态；Client SDK 是直接调 Claude API，工具循环你自己写（也就是回到 §6 那张表，五要素全是你的事）；Managed Agents 是 Anthropic 托管的 harness，会话跑在托管的云沙箱里，也支持自托管沙箱。判据：要最大可控性、愿意自己写循环 → Client SDK；要现成的循环与工具、又要嵌进自家产品 → Agent SDK；连运维都不想管 → Managed Agents。书里对同类事情给过一个对照：Codex 是产品，Codex Harness 是驱动 App / CLI / IDE 扩展这些形态的那层运行时，它给三条集成路径（codex exec / Codex SDK / app-server），区别是 Codex 的 Harness 开源，Claude 侧对外开放的是 SDK 接口，Harness 实现本身并不开源 —— 这一条在选型时会变成实打实的可改造性差异。

Q： 给你一个「任务要跑几十分钟、中途要人工审批、团队只有两三个人运维」的场景，你怎么选？

A：先问需求落在哪一格，再选形态。 这个场景同时踩中 §5 的三条：要跨重启（几十分钟的任务不能被一个进程的生命周期包住）、要 HITL（人工审批 = 中断 → 等待 → 恢复）、运维人力薄。所以：① 恢复必须先设计再选工具 —— 说清恢复材料是快照还是事件历史、恢复点由「提交完成」还是「保存返回」决定、以及中断点之后的每一步是否幂等（否则重做会重复副作用）；② 能不运维就不运维，小团队优先托管形态（Temporal 托管服务 / LangGraph Platform / Step Functions）而不是自建集群 —— 因为自建引擎等于多一个有状态依赖和一个故障域，还多一个真相来源；③ 锁定成本要提前算：一旦编程模型被锁（工作流必须可重放），迁移成本是改写控制流而不是换包；④ 别把 Harness 当默认解 —— 它自带的工具与提示同时也是你要绕开的默认值，而审批回调、权限这类东西在各家 Harness 里语义并不一致。收口一句：这个场景里「选哪家」不如「先确定恢复语义与幂等边界」重要，因为框架换得起，故障路径上的漏洞换不起。

易错点#

自测#

1. 用户说「langgraph、agno、pi、Claude code SDK 是 agent runtime 工具」。这句话哪里不准？你会怎么拆开它？

2. 一个跑在 LangGraph 上的流程，在「调用外部支付接口」之后进程被杀。同事说「有 checkpointer，重启就能续上」。这句话哪里对、哪里不对？

3. 有人问「Eino 和 LangGraph 有什么区别」。你没写过 Eino，怎么答得不心虚？

4. 团队要做一个长任务平台：任务跑几十分钟到几小时，中途有若干人工审批点，且希望「重启后接着跑」。请给出选型判据，并说明哪些是「选型」解决不了的。