Agent 框架怎么选：LangGraph、MAF、Claude Code 横向评测

生命不息，折腾不止。做 Agent 前花十分钟搞清三大框架各自的定位，能帮你省下后面无数个抓狂的夜晚。

一、先别急着装：这三个其实不是一个层面的东西

很多人一张嘴就问「LangGraph、Claude Code、微软 MAF 到底哪个更强」，这问题本身问岔了。它们三个虽然都叫「Agent 框架」，但站在栈的不同位置上：

LangGraph：一个编排运行时（orchestration runtime）。它不在乎你的模型是谁，只管把你的工作流画成「有向图」——节点是步骤、边是走向——然后帮你管状态、管持久化、管中断恢复。
Microsoft Agent Framework（MAF）：微软的统一全家桶，AutoGen 和 Semantic Kernel 的继任者。它把「自主 Agent」和「确定性 Workflow」分成两层，想要生产级的编排、可观测、安全护栏走它就对了，Azure 生态尤其顺。
Claude Code / Claude Agent SDK：这俩其实是同一台发动机——Anthropic 把 Claude Code 的 agent loop、内置工具、权限系统打包成了库。一个面向终端（CLI），一个面向代码（SDK）。它更偏「给 Claude 装上手脚真去干活」，而不是画图编排。

一句话先记牢：LangGraph 和 MAF 是「搭系统」的，Claude Agent SDK 是「雇一个能干活的 Claude」的。 这一层定位决定了你后面选型的整个逻辑。

（下文每家都配一个能跑的最小例子，代码均来自官方文档，具体版本差异请以官方文档为准。）

二、LangGraph：状态图 + 人工审批，长任务的老法师

LangGraph 是 LangChain 团队出的低层编排框架。核心理念就仨词：状态（State）、节点（Node）、边（Edge）。

先把环境装起来：

1	pip install langgraph

下面是一个「先问人工要不要继续、再往下走」的审批流最小例子：

from typing import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.types import interrupt, Command

# 1. 先声明「状态契约」：整个图共享什么样的数据
class State(TypedDict):
    task: str
    go: bool   # 人工拍板的结论

# 2. 一个节点，走到这里就 pause，等人拍板
def ask_node(state: State):
    decision = interrupt({"question": f"这活儿「{state['task']}」干不干？"})
    return {"go": bool(decision)}

def work_node(state: State):
    return {"task": f"{state['task']}（已执行）"}

builder = StateGraph(State)
builder.add_node("ask", ask_node)
builder.add_node("work", work_node)
builder.add_edge(START, "ask")
builder.add_edge("ask", "work")   # 简化版；真实场景用条件边按 go 值分流
builder.add_edge("work", END)

# 3. 编译时必须挂 checkpointer，否则 interrupt 不生效
graph = builder.compile(checkpointer=InMemorySaver())

config = {"configurable": {"thread_id": "run-1"}}

# 第一次跑，跑到 interrupt 就停下来等人
graph.invoke({"task": "给服务器打补丁", "go": False}, config)

# 人看完后，用 Command(resume=...) 把决定塞回去，图从断点原地继续
graph.invoke(Command(resume=True), config)

有几个点务必记牢：

状态是显式的。TypedDict（或 Pydantic 模型）一写，整个图里流动的数据长什么样就一目了然，别人接你的代码不用猜。
checkpoint 是灵魂。checkpointer 挂 InMemorySaver 只能本地玩，生产环境要换成 SQLite / PostgreSQL / Redis，这样图跑到一半断了也能接着跑。
interrupt() 就是「人在回路」的本体。在节点里调一下，执行就停下来等你；拿到 Command(resume=...) 后从原节点继续往下走。
条件边（add_conditional_edges）管分流。上面例子我偷懒连了直线，真实场景里「拒绝走 cancel、同意走 proceed」就靠它写个路由函数搞定。

适合谁：工作流明确、要多步、要过人工审批、要能恢复的场景——内容审核、数据清洗流水线、多步写作/评审这类。学习曲线是「前重后轻」：状态 schema、reducer、checkpointer、条件边这四五个概念头一回有点绕，一旦吃透就一通百通。

三、MAF：Agent 与 Workflow 分层，微软生态的当家花旦

MAF 全称 Microsoft Agent Framework，是微软把 AutoGen 和 Semantic Kernel 收编、2025 年 10 月官宣、2026 年 4 月 Python 和 .NET 双双 1.0 GA 的统一框架。招牌设计是把两件事分开：

Agent：自主的、让 LLM 自己拿主意的单元；
Workflow：确定性的执行路径，你规定它先干啥后干啥、怎么分流。

装一把（Python 3.10+）：

1	pip install agent-framework azure-identity

最小 Agent（接微软 Foundry，用 az login 免明文密钥）：

import asyncio
from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

async def main():
    agent = Agent(
        client=FoundryChatClient(credential=AzureCliCredential()),
        name="Haiku",
        instructions="你是个爱写俳句的助手。",
    )
    print(await agent.run("写一首关于 Agent 框架的俳句。"))

asyncio.run(main())

要串多步任务，就用 WorkflowBuilder + Executor：Executor 相当于 LangGraph 的「节点」，WorkflowBuilder 把它们用「边」连起来，顺序、并发、交接（handoff）、群聊、Magentic-One 这些编排模式都现成。想加人工审批，用 builder 的 request/response 机制把某一步的输出抛出来等人确认再往下推进。

MAF 的几处硬实力：

多模型 provider 开箱：文档列了不下六家——微软 Foundry、Azure OpenAI、OpenAI、Anthropic、Amazon Bedrock、Google Gemini，外加本地 Ollama，换 provider 不用大改架构。
可观测性原生：内置 OpenTelemetry，每一步工具调用、编排动作都能下钻，配 Foundry 后台看板看得很清楚。
安全护栏：走 Foundry 部署还能叠任务聚焦、PII（敏感个人信息）保护、prompt 注入防御这些「负责任 AI」能力。
MCP 原生支持；A2A（Agent 对 Agent 协议）走独立包 agent-framework-a2a，目前仍是 beta。

适合谁：已经在 Azure/.NET 栈里、或者正从 AutoGen/Semantic Kernel 迁过来的团队，想一步到位拿生产级编排 + 可观测 + 安全护栏。它上手是三者里最「平滑」的——单个 Agent 几行代码就起来，Workflow 还能循序渐进去叠复杂度；但「Agent + 审批 + 长流程」组合起来时，你要在两个抽象层之间穿针引线，这块的坑一般来得比较晚。

四、Claude Agent SDK：把 Claude Code 的发动机塞进你自己代码

Claude Code 要是你在命令行里耍过，那 Agent SDK 就是同一个 agent loop 的「库化版」——读文件、跑命令、改代码、上网搜，全都不需要你自己写工具调度，Claude 自己看着办。

装一把（Python 3.10+ 或 Node 18+）：

1 2	pip install claude-agent-sdk # Python # npm install @anthropic-ai/claude-agent-sdk # TypeScript

最小例子（让 Claude 自己找 bug 并修掉）：

import asyncio
from claude_agent_sdk import query, ClaudeAgentOptions

async def main():
    async for msg in query(
        prompt="找出 auth.py 里的 bug 并修掉",
        options=ClaudeAgentOptions(
            allowed_tools=["Read", "Edit", "Bash"],
        ),
    ):
        print(msg)   # 流式返回，本轮结束时 msg.type == "result"

asyncio.run(main())

它最值钱的是那一打内置工具：Read / Write / Edit / Bash / Glob / Grep / WebSearch / WebFetch / AskUserQuestion，外加一个 Monitor 盯后台进程。靠 allowed_tools 精确限权——只读的 Agent 就别给它 Bash，爆炸半径最小。再配上：

权限模式（permission_mode）：auto 让 AI 分类器替你拦危险操作，最适合自动化场景；
Hooks：PreToolUse / PostToolUse 在生命周期埋点，做审计日志最省事；
子 Agent（AgentDefinition）：把专职小工（代码审查、写测试）定义成对象，主 Agent 一键派活；
MCP 服务器：mcp_servers 参数一传，数据库、浏览器这些外部工具直接挂进来。

说到模型接入：Claude 是国外模型，官方那条要绑卡的 ANTHROPIC_API_KEY 对个人折腾不太友好。好在 Agent SDK 认 ANTHROPIC_BASE_URL / ANTHROPIC_AUTH_TOKEN 这类环境变量——把它们指向支持 Anthropic 协议的中转站（很多中转站同时兼容 OpenAI/Anthropic 协议，比如峰哥一直在用的 ai.aklibk.com），就能做到国内直连、免绑卡、人民币按量付费，这个月跑多少结多少，比直接绑外币卡省心多了（具体接入方式以中转站文档为准）。

适合谁：不画复杂编排图，而是「让 AI 直接在真实机器/代码库上动手」——自动化修 bug、跑 CI、批量处理文件、给自己做开发助手。注意它跟前两家不是竞争关系：你甚至可以直接用 Claude Code 帮你写 LangGraph / MAF 的代码，各干各的活。

五、上手成本与选型：一张表收尾

维度	LangGraph	MAF	Claude Agent SDK
定位	低层编排运行时	生产级统一框架	单 Agent 动手能力
语言	Python 为主（含 JS）	Python / .NET / Go	Python / TypeScript
核心抽象	StateGraph（状态图）	Agent + Workflow 分层	query() + 内置工具
人工审批	interrupt / resume 原生	request / response 模型	permission_mode / hooks
可观测	配 LangSmith	OpenTelemetry 原生	Anthropic 工具链
上手曲线	前重后轻	平滑、坑后置	最轻，几乎零配置