Agent框架选型:别做二选一,用硬约束筛出组合方案
别再问“哪个框架最好”,先问“你的场景缺什么”
在 AI Agent 的工程落地中,选型往往是最让人头疼的一环。市面上 LangGraph、DSH、Codex、Claude Code、Hermes、OpenClaw 等框架层出不穷,每篇评测文章都在罗列功能列表,最后给出一个模糊的“推荐指数”。但真正动手写代码时,你会发现这些“高分”框架在你的具体业务里处处碰壁:要么沙箱没默认开,要么模型绑定太死,要么根本没法作为本地服务常驻。
我们容易犯的一个错误是把选型当成考试,试图找出一个满分答案。但工程现实是,没有全能选手,只有“你能接受哪些缺口”。
这篇内容不是另一份排行榜,而是一套可执行的筛选逻辑。我们将六个主流框架放入同一张 12 维表中,但重点不在于打分,而在于如何读懂表里的符号,如何通过三条“一票否决”的硬约束快速缩小范围,以及为什么最终的架构往往是“分工组合”而不是“二选一”。
读表方法:✅ / ⚠ / ❌ 是行动信号,不是分数
大多数横向对比表最大的误导在于把 ✅、⚠、❌ 当作“好、中、差”的评分。在工程选型里,这三个符号代表的是不同的行动成本。
- ✅ 做得好且可直接用:这意味着该功能默认可用、工程闭环完整,你不需要额外补大块代码。例如 Codex 的三层沙箱或 Claude Code 的权限规则,拿来就能跑。
- ⚠ 可用但要补:框架提供了基础能力,但缺规则、缺默认值或缺闭环。你需要投入工程资源去补齐。比如 DSH 的三档权限机制,虽然有基础,但你需要自己补充规则和记忆逻辑。
- ❌ 不满足或与需求冲突:这不代表框架做得差,而是它在你的产品形态下不可用。例如 LangGraph 没有内置沙箱,如果你需要本地终端执行能力,这就是一个必须外接解决的缺口。
看到 ❌ 时,不要急着淘汰,先问一句:这个 ❌ 是“它做不到”,还是“它不为我的场景做”?
LangGraph 没有沙箱,是因为它定位为图运行时库,不负责底层执行隔离;你可以外接沙箱,或者把它放进 DSH 这样的底座里。Codex 只支持自家 Responses API,这是因为它不为多模型兼容设计;你不可能靠补几行代码解决这个底层限制,所以它对“模型任意”的底座是硬冲突。Hermes 默认不隔离,是因为它的产品假设不需要;你可以保留它的审批设计,但把执行部分放进沙箱。
理解这一点,才能避免跨类别比较的错误。LangGraph 是图运行时库,DSH 是可组合底座,而 Codex、Claude Code 等是成品 Agent。拿库的灵活性去比成品的完成度,结论一定是错的。
12 维对比:四组维度看清框架底色
为了系统化评估,我们将 12 个关键维度分为四组:运行时、安全、能力、平台。每一组都对应着 Agent 落地的不同层面。
运行时组:怎么跑
- Agent Loop(循环结构):核心看循环结构能不能按业务定义,以及运行中能不能插入输入。LangGraph 在结构定义上很强,DSH 则在工程化落地更优。常见陷阱是把“能跑 ReAct”等同于“循环可定义”,前者只是模式,后者才是能力。
- 固定流程与调度:看固定流程由谁定义、断了怎么续,以及定时器在哪、错过怎么办。LangGraph 的流程定义和 OpenClaw 的调度机制各有千秋。注意,很多开源版没有 cron,却按有 cron 设计,这会埋下隐患。
- 上下文管理:包括进窗口前的按需加载、进窗口后的廉价清理,以及窗口外的工作记忆。Claude Code 的三层上下文和 OpenClaw 的分层处理做得较好。只做摘要而不做落盘与工作记忆,是长会话崩溃的主因。
安全组:谁能做什么
- 沙箱:必须是 OS 级、默认开启、fail-closed(失败即关闭),且覆盖 shell、代码、MCP 子进程并管理网络。Codex 的三层沙箱和 Claude 的 srt 是标杆。把 Docker 选项当作默认沙箱是常见的认知偏差。
- 权限与企业策略:看是否有模式、规则、审批记忆,以及企业能否集中下发且用户不可覆盖。Claude Code 的规则和 Codex 的企业约束较完善。只有审批回调而没有顺序与记忆,无法形成真正的安全闭环。
能力组:会做什么
- 规划与技能:已知任务按技能步骤走,未知任务才动态规划。关注技能怎么发现、何时加载、能否从执行中沉淀。Claude Code 的 SKILL.md 和 OpenClaw 的内置技能体系值得参考。只有 todo 列表而没有技能体系,会导致 Agent 效率低下。
- 子 Agent 扇出:要求隔离、只回摘要、有并发与深度上限、支持后台运行。Codex 和 Claude 的后台限额、OpenClaw 的上报链机制较成熟。只给原语不管并发与回执,容易引发资源失控。
- 工具与资源:包括工具定义、MCP 支持、本地数据理解和记忆沉淀。DSH 的工具定义加 MCP、Claude 的技能目录表现不错。工具多但读取粒度粗,会导致上下文爆炸。
平台组:怎么交付
- 会话与审计:事实源是什么,是否支持崩溃恢复、分叉、可回放。DSH 的日志即审计、Codex 的 jsonl+索引机制较可靠。只存快照而审计要另存,会增加运维复杂度。
- 模型适配:能否接任意 OpenAI 兼容端点,对国产模型是否有兼容与修复层。DSH 的任意端点支持和 OpenClaw 的修复层是亮点。绑定一家模型,会让成本与合规没有退路。
- 扩展与装配:加功能、换实现、知道装全了。DSH 的装配系统最完整。配置项一堆却没有依赖检查,是扩展时的噩梦。
- 本地形态与许可:能否作本机常驻并被自有客户端驱动,体量是否可接受,许可是否允许分发。DSH 的形态匹配较好。体量太大或许可不允许分发,直接导致无法嵌入产品。
三条硬约束:先筛,再评
在深入评分之前,先用三条硬约束进行一票否决。这三条底线决定了框架是否能进入你的候选池。
- 模型任意兼容:能接任意 OpenAI 兼容端点,最好对国产模型有兼容与修复层。否则成本、合规、可用性都没有退路。Codex(仅 Responses)和 Claude SDK(仅 Claude)在此项出局。
- 沙箱默认开且 per-command:不是“提供 Docker 选项”,而是默认开启、每条命令都隔离、失败关闭。对本地终端,这是底线。Hermes(默认不隔离)和 OpenClaw(容器沙箱默认关)在此项需警惕,要么自己接沙箱,要么接受风险。
- 本地形态、体量与许可:能作为本机常驻进程被自有客户端驱动;体量能接受;许可允许你的分发方式。OpenClaw(体量太大)和 Claude SDK(许可不可行)在此项出局。
经过硬约束筛选,LangGraph 和 DSH 进入后续评分环节。但这并不意味着其他框架无用,而是它们的角色发生了变化。
组合方案:一个 Harness,两种形态
选型的终点不是二选一,而是分工组合。我们可以构建一个 Harness(底座),在不同层级使用最合适的框架组件。
- 运行时底座:选择 DSH。因为它插件化、装配能力强、默认沙箱、会话日志完整。风险在于 alpha 版本可能有 breaking changes,需锁版本并做回归测试。
- 流程层:借鉴 LangGraph 的图思想。利用其代码定义、可恢复、人工确认的优势,但不将其作为运行时,而是将固定流程迁成 DSH 插件。
- 沙箱:借用 Codex 的三层沙箱 + srt provider。实现策略、平台变换、执行器分离。需自建逃逸测试矩阵,在三平台验证。
- 权限:结合 Claude Code 规则 + Codex 企业约束。实现顺序固定、规则可测、企业不可覆盖。通过插件层实现,企业 deny 双通道。
- Hooks:统一两家的 12 事件契约。统一输入输出,可改参、注入、阻断。进程内监听链 + guard,进程外脚本只做兼容。
- 审批体验:参考 Hermes 审批楼层 + Guardian。实现层级、记忆、无人值守。不照抄其默认不隔离的设计。
- 上下文:采用 OpenClaw 四接口 + 先刷写再压缩。保证长会话稳定,关键事实不丢。加 token 预算与保护标记。
- 调度:使用 OpenClaw SQLite + 补跑 + 心跳。确保重启不丢,错过补跑。需实现幂等与补跑上限。
- 工具:基于 MCP(本地 + 服务端)。工具逻辑不改,按能力域迁移。注意读取粒度、审批档位、本地数据不出机。
这种组合的难点不在技术,而在边界。每引入一层,就要明确它负责什么、不负责什么:DSH 负责运行时,不负责业务图;LangGraph 负责流程,不负责沙箱;Codex / Claude Code 只借设计,不借运行时。边界写清楚,组合才不会变成“缝合怪”。
决策记录:让选型可复盘
为了避免“权重拍脑袋、分数很精确、结论很脆弱”,建议引入两个工程化手段:权重敏感性分析和 ADR(架构决策记录)。
权重敏感性分析
通过蒙特卡洛模拟,给每个维度随机扰动权重,跑几百轮,看第一名出现的频率。如果两个方案的 Top1 频率接近,说明决策对权重高度敏感,要么补证据,要么把争议维度升级成硬约束。如果某个方案在 90% 以上的场景都赢,说明结论比较稳。
"""权重敏感性:随机扰动权重,统计 Top1 出现的频率。"""
import random
from collections import Counter
def random_weights(keys, rng):
return {key: round(rng.uniform(0.5, 2.0), 3) for key in keys}
def monte_carlo(candidates, keys, rounds=200, seed=7):
rng = random.Random(seed)
wins = Counter()
for _ in range(rounds):
# 假设 evaluate 函数已实现,返回排序结果
rows = evaluate(candidates, random_weights(keys, rng))
if rows:
wins[rows[0]["name"]] += 1
total = sum(wins.values()) or 1
return {name: round(count / total, 3) for name, count in wins.most_common()}ADR 决策记录
选型报告最容易缺的不是“选了谁”,而是“为什么没选谁”。建议每次选型都留一份 ADR,包含背景、硬约束、权重、证据、淘汰原因、敏感性分析和复盘点。
"""生成 Markdown 选型报告:结论 + 证据 + 权重备注。"""
from dataclasses import dataclass, field
@dataclass
class DecisionRecord:
framework: str
verdict: str
reason: str
evidence: str
weight_note: str = ""
@dataclass
class Report:
title: str
records: list = field(default_factory=list)
def add(self, record: DecisionRecord) -> None:
self.records.append(record)
def to_markdown(self) -> str:
lines = [f"# {self.title}", "", "## 结论", ""]
for record in self.records:
lines.append(f"- **{record.framework}**:{record.verdict}。{record.reason}")
lines.extend(["", "## 证据与权重", ""])
lines.append("| 框架 | 结论 | 原因 | 证据 | 权重备注 |")
lines.append("| --- | --- | --- | --- | --- |")
for record in self.records:
lines.append(
f"| {record.framework} | {record.verdict} | {record.reason} | "
f"{record.evidence} | {record.weight_note} |"
)
return "\n".join(lines)这份报告不追求漂亮,追求“半年后还能看懂”。尤其是“证据”和“权重备注”两列,能帮你区分“当时的事实”和“当时的判断”。
实战避坑:横向对比最容易犯的八个错
- 把 ✅ 当分数:没区分“有”和“默认可用”。解决办法:追问这个 ✅ 要补多少工程。
- 跨类别比较:拿 LangGraph 比 Codex。解决办法:先分类,再比较。
- 加权平均淘汰硬约束:没有先筛后评。解决办法:硬约束一票否决,再评分。
- 只看文档不做实验:文档写“支持”不代表你的场景可用。解决办法:每个候选做一个最小验证。
- 忽略许可与体量:选完才发现不能分发。解决办法:把许可、体量列为硬约束。
- 以为只能选一个:把不同层的东西当竞品。解决办法:运行时、流程、设计借鉴可以组合。
- 没记录淘汰原因:半年后无法复盘。解决办法:每个淘汰项写“原因 + 证据”。
- 权重拍脑袋:结论对权重高度敏感。解决办法:蒙特卡洛跑 200 轮,看 Top1 频率。
结语
Agent 框架选型没有标准答案,只有适合你当前阶段和产品形态的最优解。通过“先分类,再硬筛,后评分,做敏感性,最后组合”这套方法,你可以把看似混乱的框架市场梳理清楚。
下次再面对新的框架或技术栈,不妨先问三个问题:它属于哪一类?它满足你的哪条硬约束?它的短板是没做还是不想做?这三问,比任何排行榜都更能帮你做决定,也更能帮你向团队解释为什么这么选。
选型的结束只是开始,接下来是如何在选定的底座上构建稳定的 Agent 应用。这需要我们对插件模型、装配系统、会话日志、工具流水线等内部机制有更深入的理解。