Appearance
Agent 编排平台
平台定位
| 平台/框架 | 定位 | 适合场景 |
|---|---|---|
| Dify | 开源 LLM 应用开发与 LLMOps 平台，支持 RAG、Workflow、Agent | 业务团队快速搭建知识助手、流程应用 |
| LangGraph | 有状态、长任务、可恢复 Agent 图编排 | 复杂状态机、多分支流程、人机协同 |
| AutoGen | 多 Agent 对话和协作框架 | 多角色讨论、代码生成、研究协作 |
| CrewAI | 角色、任务、流程驱动的多 Agent 编排 | 内容、运营、研究、自动化任务 |
| LlamaIndex | 数据连接、索引、RAG 和 Agent 数据层 | 企业知识库和文档问答 |
| LangChain | 工具调用、链式应用、RAG 生态 | LLM 应用原型和集成 |
Dify
Dify 适合把模型调用、RAG、工作流、Agent、变量、节点、调试、发布和观测放在一个可视化平台里管理。它解决的是从原型到业务应用交付的效率问题，不要求团队一开始就写复杂状态机。
适合：企业知识助手、客服助手、审批辅助、营销内容生成、数据处理流程、轻量 Agent 应用。
解决的问题
| 问题 | 平台价值 |
|---|---|
| 业务人员难以直接写 Agent 代码 | Dify 用可视化节点和工作流降低门槛 |
| 复杂 Agent 状态难以维护 | LangGraph 用图和状态对象显式管理 |
| 多角色协作原型开发慢 | AutoGen/CrewAI 提供角色和任务抽象 |
| 文档连接和索引繁琐 | LlamaIndex 聚焦数据连接、索引和 RAG |
Python 入口
python
# 框架选择伪代码：根据任务复杂度选择入口
task = {"needs_visual_workflow": True, "needs_state_machine": False}
if task["needs_visual_workflow"]:
platform = "Dify"
elif task["needs_state_machine"]:
platform = "LangGraph"
else:
platform = "LlamaIndex or LangChain"
print(platform)真实项目中，Dify 更偏平台配置，LangGraph、AutoGen、CrewAI 更偏 Python 代码编排。
选型建议
偏业务交付和低代码，先看 Dify；需要代码级状态机和复杂分支，先看 LangGraph；探索多 Agent 角色协作，AutoGen/CrewAI 更快；核心是文档、索引和 RAG 数据层，LlamaIndex 更合适。