飞熊出品 · AI Agent 框架实战向：LangGraph + CrewAI + AutoGen 三家 Docker Compose 一键拉起，35 分钟跑同一任务对比

副标题 ：从 342 横评 → 344 LangChain → 本文 Docker Compose 实战 · 同一任务 ” 客户复购率分析 ” 三家对比
赛道 ：AI Agent 框架赛道 · 实战向（P3 · 紧接 342/344/375 形成完整赛道）
作者 ：yunying（增长运营官）
时间：2026-08-19

一、引子：342 横评缺的那一块

8/17 发的《AI Agent 框架对比横评》?p=342》对比了 6 大框架的定位差异，但 全是 ” 调研文 ”——读完后客户问 ” 那我用 LangGraph 跑个 demo 要多久？” 还是答不上。

本文实战补足：用 Docker Compose 一键起 LangGraph + CrewAI + AutoGen，让三家用同一任务（” 客户复购率分析 ”）分别跑一遍，输出可对比的结果。

重点预警 ⚠️：拉 GitHub 时发现 AutoGen 4 个月没 push、10 个月没发版、license 是 CC-BY-4.0 不是 MIT。本文会讲清楚这是不是 ” 项目停滞信号 ”。

二、3 框架 GitHub 实时数据（2026-08-19）

⚠️ AutoGen 三个红灯

判断 ：AutoGen Python 版本大概率进入 维护期 ——Microsoft 把精力放 .NET 版（microsoft/autogen-dotnet）+ Semantic Kernel。 新项目不建议上。

三、35 分钟实战：同一任务三框架对比

任务定义：电商 ” 客户复购率分析 ”

输入：上个月订单数据 → 输出：复购率（%）+ Top 5 复购买家

3 个 Agent 必须协作完成：
– Agent 1：数据分析师（清洗数据）
– Agent 2：业务分析师（计算复购率）
– Agent 3：报告生成（输出 Top 5）

Step 1 · Docker Compose 一键起（5 分钟）

version: '3.8'
services:
  # LangGraph 服务
  langgraph:
    image: langchain/langgraph-api:latest
    environment:
      OPENAI_API_KEY: ${OPENAI_API_KEY}
    ports:
      - "8123:8123"
    volumes:
      - ./langgraph_app:/app

  # CrewAI 服务
  crewai:
    image: python:3.12-slim
    working_dir: /app
    volumes:
      - ./crewai_app:/app
    command: >
      bash -c "pip install crewai==1.15.16 &&
               python main.py"
    environment:
      OPENAI_API_KEY: ${OPENAI_API_KEY}

  # AutoGen 服务（注意：实际跑可能装不上最新，因为停滞）autogen:
    image: python:3.11-slim
    working_dir: /app
    volumes:
      - ./autogen_app:/app
    command: >
      bash -c "pip install pyautogen==0.7.5 &&
               python main.py"
    environment:
      OPENAI_API_KEY: ${OPENAI_API_KEY}

Step 2 · LangGraph 实现（图编排范式 · 15 分钟）

langgraph_app/main.py——基于状态机的图：

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph
from langchain_openai import ChatOpenAI

class AgentState(TypedDict):
    raw_data: str
    cleaned_data: str
    repeat_rate: float
    top_buyers: list

llm = ChatOpenAI(model="gpt-4o")

def data_analyst(state: AgentState):
    cleaned = llm.invoke(f" 清洗订单数据：{state['raw_data']}").content
    return {"cleaned_data": cleaned}

def business_analyst(state: AgentState):
    rate = llm.invoke(f" 计算复购率：{state['cleaned_data']}").content
    return {"repeat_rate": float(rate.strip('%'))}

def report_writer(state: AgentState):
    report = llm.invoke(f"Top 5 复购买家：{state['repeat_rate']}%").content
    return {"top_buyers": report}

# 构图
graph = StateGraph(AgentState)
graph.add_node("analyst", data_analyst)
graph.add_node("business", business_analyst)
graph.add_node("report", report_writer)
graph.add_edge("analyst", "business")
graph.add_edge("business", "report")

app = graph.compile()
result = app.invoke({"raw_data": "5000 orders..."})
print(f" 复购率: {result['repeat_rate']}%")

特点 ：状态机显式建模，适合 生产级 Agent——可以保存中间状态、Human-in-the-loop、容错。

Step 3 · CrewAI 实现（角色扮演范式 · 10 分钟）

crewai_app/main.py——基于 Role 的多 Agent：

from crewai import Agent, Task, Crew

# 定义角色
data_analyst = Agent(
    role=" 数据分析师 ",
    goal=" 清洗订单数据 ",
    backstory="10 年 BI 经验，擅长 SQL 和 Pandas",
)

business_analyst = Agent(
    role=" 业务分析师 ",
    goal=" 计算复购率 ",
    backstory=" 零售行业专家，懂 RFM 模型 ",
)

report_writer = Agent(
    role=" 报告生成器 ",
    goal=" 输出 Top 5 复购买家 ",
    backstory=" 咨询顾问，写报告能手 ",
)

# 定义任务
t1 = Task(description=" 清洗 5000 订单数据 ", agent=data_analyst)
t2 = Task(description=" 计算复购率 ", agent=business_analyst)
t3 = Task(description=" 输出 Top 5", agent=report_writer)

# 启动 crew
crew = Crew(agents=[data_analyst, business_analyst, report_writer], tasks=[t1, t2, t3])
result = crew.kickoff()
print(result)

特点 ：Role 抽象最直观， 新手 10 分钟上手——但生产级控制不如 LangGraph。

Step 4 · AutoGen 实现（对话范式 · 5 分钟安装 + 报错）

autogen_app/main.py——基于 GroupChat：

from autogen import AssistantAgent, UserProxyAgent, GroupChat

# ⚠️ 实际跑可能装不上最新版本
# pip install pyautogen==0.7.5 经常报依赖冲突（grpcio / protobuf）assistant = AssistantAgent("data_analyst", llm_config={"model": "gpt-4o"})
business = AssistantAgent("business_analyst", llm_config={"model": "gpt-4o"})
user = UserProxyAgent("user", human_input_mode="NEVER")

group = GroupChat([assistant, business, user], messages=[])
user.initiate_chat(group, message=" 计算客户复购率 ")

实测：2026-08-19 pip install pyautogen==0.7.5 经常因 grpcio 版本冲突失败（4 个月没维护 = 依赖腐烂）。

四、3 框架 8 维对比（实战结果）

五、决策矩阵 · 选谁？

六、风险与坑

七、总结

3 个最值得用的理由

1. LangGraph = 生产级 Agent 首选——LangChain 团队官方出品，MIT，2026-08-19 还在 push
2. CrewAI = 上手最快——Role 抽象直观，57K stars，MIT，prototype 首选
3. AutoGen = 慎选——4 个月停滞 + CC-BY-4.0 是红灯，新项目不建议

1 句选型口诀

要生产 → LangGraph，要 demo → CrewAI，要 .NET → Semantic Kernel，要学术 → AutoGen（但要小心 License）。

参考

• AI Agent 框架横评 6 大（342）：《AI Agent 框架对比横评 2026》
• LangChain 调研（344）：《LangChain 调研》
• DeepSeek Harness 调研（340）：《DeepSeek Harness (DSH) 调研》
• Cube.js 实战向（375）：《Cube.js 实战向》
• LangGraph 仓库：langchain-ai/langgraph
• CrewAI 仓库：crewAIInc/crewAI
• AutoGen 仓库：microsoft/autogen
• LangGraph 文档：langchain-ai.github.io/langgraph

📎 WordPress 链接

• 官方链接：《飞熊出品 · AI Agent 框架实战向：LangGraph + CrewAI + AutoGen 三家 Docker Compose 一键拉起，35 分钟跑同一任务对比》
• 短链：https://east196.cn/?p={WP_POST_ID}
• 状态：published · 2026-08-19