Steel 更新 Agent 框架 Cookbook：八大主流框架同场竞技，怎么选？

核心结论

Steel 团队在 5 月 4 日更新了 Agent Cookbook，用同一个任务、同一套工具，在八大主流 Agent 框架中分别实现了一遍。这种”控制变量”的对比方式，是目前市面上最公平的框架横向评测，为开发者选型提供了直接参考。

发生了什么

Steel 的 Cookbook 覆盖的八个框架包括：

框架	语言	核心定位	特点
LangChain	Python/JS	通用 AI 应用框架	生态最大，文档最全，学习曲线中等
Mastra	TypeScript	全栈 AI 框架	内置工作流、RAG、Agent 编排，TypeScript 原生
Pydantic AI	Python	类型安全的 AI 应用	利用 Pydantic 做结构化输出和验证
Vercel AI SDK	TypeScript	前端 AI 集成	流式响应、UI 组件、与 Next.js 深度集成
Anthropic Agent SDK	Python/JS	Claude 原生 Agent	对 Claude 工具调用和长上下文深度优化
OpenAI Agent SDK	Python	OpenAI 原生 Agent	对 GPT 工具调用和 function calling 深度优化
LlamaIndex	Python	RAG 专用框架	数据索引和检索能力最强
CrewAI	Python	多 Agent 编排	角色分工、任务委派、协作流程

这个 Cookbook 的价值在于消除变量——同样的任务、同样的工具定义、同样的模型调用，唯一的区别是框架 API 和架构模式。这使得代码行数、实现复杂度、可读性等指标可以直接对比。

框架选型指南

场景一：快速原型开发

如果你需要在一天内搭建一个能用的 Agent 原型：

优先级	框架	理由
1	Vercel AI SDK	与 Next.js 无缝集成，UI + Agent 一站式
2	LangChain	文档丰富、示例多、社区问题好搜
3	Mastra	TypeScript 全栈，内置工作流引擎

场景二：生产级 Agent 系统

如果你需要部署到生产环境，长期维护：

优先级	框架	理由
1	Anthropic Agent SDK	如果用 Claude，这是最优解（工具调用延迟最低）
2	OpenAI Agent SDK	如果用 GPT，这是最优解（function calling 最稳定）
3	Pydantic AI	类型安全，适合对输出格式要求严格的场景

场景三：多 Agent 协作

如果你的场景需要多个 Agent 分工合作：

优先级	框架	理由
1	CrewAI	专为多 Agent 协作设计，角色/任务/流程抽象最完整
2	Mastra	内置工作流编排，支持并行和串行
3	LangGraph (LangChain)	状态图方式编排多 Agent，灵活但学习成本高

代码复杂度对比

根据 Steel Cookbook 中的实现，八大框架在相同任务下的代码量估算：

框架	代码行数	配置复杂度	上手难度
Vercel AI SDK	~50 行	低	⭐
LangChain	~80 行	中	⭐⭐
Mastra	~60 行	低	⭐⭐
Pydantic AI	~70 行	中	⭐⭐
Anthropic Agent SDK	~45 行	低	⭐
OpenAI Agent SDK	~45 行	低	⭐
LlamaIndex	~100 行	高	⭐⭐⭐
CrewAI	~90 行	中	⭐⭐

关键发现：模型厂商原生 SDK（Anthropic/OpenAI）代码量最少，因为它们省去了跨模型抽象层。但如果你的系统需要切换模型，LangChain 或 Mastra 的跨模型抽象更有价值。

格局判断

2026 年 Agent 框架正在分化成两个方向：

1. 模型原生派：Anthropic Agent SDK、OpenAI Agent SDK —— 深度绑定单一模型，追求极致性能和开发体验
2. 跨模型派：LangChain、Mastra、Vercel AI SDK —— 提供模型抽象层，追求灵活性和可移植性

选择哪个方向取决于你的业务需求：

• 如果你的产品深度依赖某个模型的能力（如 Claude 的长上下文），选原生 SDK
• 如果你需要灵活切换模型或做多模型 A/B 测试，选跨模型框架

行动建议

角色	建议
新开发者	从 Steel Cookbook 入手，先看 2-3 个框架的实现，感受不同 API 风格再决定
技术选型	不要被”最大生态”绑架。LangChain 生态大不代表它适合你的场景。看代码复杂度和维护成本
团队负责人	统一团队的框架选型比追求”最优框架”更重要。框架切换成本远高于预期