LangGraph外还有哪些流程编排框架?

30 秒回答

1. 能清晰区分各框架的核心定位（RAG vs Agent vs 纯编排）
2. 准确描述LlamaIndex的索引-centric设计和Agent化演进
3. 说明AutoGPT/BabyAGI的自主决策特点及局限性
4. 提及Semantic Kernel的企业级多语言特性

回答与解析

答案要点

• 能清晰区分各框架的核心定位（RAG vs Agent vs 纯编排）
• 准确描述LlamaIndex的索引-centric设计和Agent化演进
• 说明AutoGPT/BabyAGI的自主决策特点及局限性
• 提及Semantic Kernel的企业级多语言特性
• 给出具体场景选型建议

主流框架对比

LlamaIndex — "数据索引优先"

• 核心定位：从RAG工具包演进为"数据框架"，Agent是索引能力的自然延伸
• 关键设计：索引（Vector/KG/Document）是first-class citizen，Agent通过query_engine/chat_engine封装检索+推理
• 适用场景：知识密集型任务，如企业文档问答、研报分析
• 优势：数据接入极丰富（100+ loaders），检索链路优化深入

AutoGPT / BabyAGI — "自主决策实验"

• 核心定位：探索LLM自主规划的上限，非生产框架
• 关键设计：目标分解→任务队列→执行→记忆反思的循环；BabyAGI更简化，纯靠prompt驱动
• 局限：token消耗爆炸、幻觉累积、难以控制，适合demo和研究
• 现状：社区热度下降，理念被融入其他框架

Microsoft Semantic Kernel — "企业级多语言"

• 核心定位：微软生态的Copilot开发套件，支持C#/Python/Java
• 关键设计：Plugins（函数级封装）、Planners（自动编排）、Memory（向量存储抽象）
• 优势：与Azure OpenAI深度集成，企业合规友好；Planner支持Handlebars模板控制流
• 适用场景：.NET技术栈企业、Microsoft 365生态扩展

其他值得提及

• CrewAI：多Agent角色协作，适合模拟团队工作流
• Dify/Flowise：低代码编排，快速验证场景

选型建议

口语版讲法(约4分钟)

• 一句话定位：本质是选型取舍
• LlamaIndex：数据索引优先，适合知识密集型
• AutoGPT/BabyAGI：自主实验，非生产
• Semantic Kernel：企业生态，多语言
• 选型总结与可延伸点：MCP协议统一趋势

这道题其实面试官想问的不是你会背几个框架名，而是你在实际落地时，面对不同场景怎么选型。我先给个核心判断：没有万能框架，真正上线往往是几个框架混着用。

先说 LlamaIndex。它的设计哲学是"数据索引优先"，Agent能力是索引的自然延伸。你可以这么理解，它先把你的文档、数据库、API都变成索引，然后你通过query engine或者chat engine去跟它交互，Agent只是帮你串联检索和推理。所以它特别适合知识密集型任务，比如企业文档问答。举个例子，一个客服系统要处理退款政策，用户问"我买的东西降价了能不能退差价"，LlamaIndex可以先把几十页的售后政策文档切碎建索引，然后Agent根据问题去检索相关条款，再结合上下文回答。这里有个坑：前提是你的数据源必须结构清晰，如果文档质量差、信息混乱，索引建出来也是垃圾，召回率会很低。我上线前会特别关注Chunk策略和Hybrid Search的调参，不然容易漏关键信息。

再来说AutoGPT和BabyAGI。它们更偏向探索LLM自主规划的上限，核心是一个循环：目标分解、任务队列、执行、记忆反思。但说实话，它们不太适合生产。为什么？Token消耗爆炸，而且Hallucination会累积，你让它跑三步可能还行，跑十步就开始胡编。另外控制性很差，你很难约束它不要访问某些API。所以我就把它看成研究原型，社区热度也降了，理念被吸收到别的框架里了。

然后是Microsoft Semantic Kernel。这个是企业级多语言套件，支持C 、Python、Java。它的核心是Plugins、Planners和Memory。Planners可以自动编排任务，比如用Function Calling调用Azure服务。如果你公司用的是.NET技术栈或者深度绑定Microsoft 365生态，比如要做一个自动回复邮件的Copilot，那Semantic Kernel很合适，因为它跟Azure OpenAI集成好，合规性强。但如果你用的是开源模型或者AWS，那就不太匹配了。

其他框架像CrewAI，它擅长多Agent角色协作，模拟一个团队工作流，比如一个Agent做市场分析，另一个写报告，第三个审核。还有Dify、Flowise这种低代码平台，适合快速验证原型，比如产品经理想看看AI能不能处理订单异常，搭个界面试一下。

说到选型，我其实更关注一个趋势：框架正在从独立工具向协议化演进。比如最近MCP协议，它试图统一Agent调用外部工具的方式，让不同框架的Agent能共享工具。如果这个协议成熟了，选型的重心可能会从"选哪个框架"变成"选哪个协议实现"。

所以回到面试官的问题，我的总结是：没有银弹。复杂RAG加轻量Agent，我会首选LlamaIndex；多步骤可控工作流，LangGraph更合适；微软生态就Semantic Kernel；快速验证用Dify。但真正落地时，我常常把LlamaIndex和LangGraph混用，让LlamaIndex管数据，LangGraph管流程编排。

关键一句:框架选型正在从独立工具向MCP协议化演进，未来选型重心可能变为选协议实现。

面试官还可能这样问

1. 问法 1 · 场景切入

   假设你要给一个电商客服搭个智能助手，除了能回答售后问题，还要能自动处理退款流程。LangGraph 你肯定知道，但除了它，你还了解哪些 Agent 框架？比如 LlamaIndex、AutoGPT 这些，它们设计上有什么不同？

2. 问法 2 · 层层追问

   现在做 Agent 或者流程编排的框架挺多的，你了解哪些？……它们各自的设计理念有什么核心差异？……比如 LlamaIndex 和 AutoGPT，一个侧重数据索引，一个侧重自主决策，那在实际场景里怎么选？

3. 问法 3 · 直球架构

   除了 LangGraph，你还熟悉哪些 Agent 或流程编排框架？请比较它们的设计理念、功能特点和适用场景，比如 LlamaIndex、AutoGPT、BabyAGI、Semantic Kernel 这些，你挑几个说说。