代码语言

知识点思维导图

27 个知识节点

参考资料

应用框架（03） - 框架选型对比

读完后，你应能完成以下任务：

绘制“应用框架（03） - 框架选型对比 / 先把候选方案的边界划清”的关键对象与数据流，解释“记住一条反直觉的事实：裸写常常是最优解。”，并用源码位置、日志或 Trace 标注证据。

为“应用框架（03） - 框架选型对比 / 五个问题问下来，答案基本就出来了”设计正常与异常输入，验证“这五个问题不是并列的，有优先级：先看团队能力和上线压力（决定平台 vs 代码），再看流程复杂度（决定 LangChain vs LangGraph vs 裸写）。”，输出首个偏差位置与回归测试结果。

实现“应用框架（03） - 框架选型对比 / 把选型逻辑写成可跑的脚本”的最小代码或配置，检验“打分法的好处是可解释：推荐结果背后的每一分都说得清，开会时能直接把理由摆出来，而不是"我觉得"。”，输出命令、结果与 Diff，并说明不适用边界。

一、框架选型对比的真实应用场景

新项目立项会上，技术负责人问你："这个 AI 客服，你打算用什么搭？"

你要是答"用 LangChain 吧"，他大概率追一句"为什么不用 Dify？为什么不直接调 API？"答不上来，就显得是跟风选型。选型这件事，面试和真实工作里都高频，而且没有标准答案——只有"按需求权衡"的过程。这一篇给你一套能说清的权衡框架。

二、先把候选方案的边界划清

方案	一句话定位	适合	天花板
Dify / Coze	低代码平台，拖拽搭建	快速验证、团队不写代码、固定流程	深度定制、复杂循环搞不定
LangChain	组件化框架，直线链	会写代码、需要组件复用、流程基本固定	复杂循环/状态机表达吃力
LangGraph	状态图框架	需要循环、分支、回退的复杂 Agent	简单需求上它是过度工程
裸写（直接调 API）	自己拼 prompt 调模型	流程简单、不想引依赖、要完全掌控	复杂编排要自己造轮子

记住一条反直觉的事实：裸写常常是最优解。 很多需求就是「拼个 prompt、调一次模型、解析结果」，五行代码搞定，套任何框架都是给自己加负担。框架是用来解决复杂度的，没有复杂度就别引入框架。

三、五个问题问下来，答案基本就出来了

选型不靠感觉，靠把这五个问题问清楚：

1. 团队会写 Python 代码吗？
   不会 → 强烈倾向 Dify/Coze（拖拽就能搭）

2. 要多快上线？
   几天内给产品演示 → 平台省样板代码，优势最大

3. 流程固定吗？需要循环/回退吗？
   固定且不回头 → 裸写或 LangChain 直线链够用
   需要"做一步看结果不行再来一遍" → LangGraph

4. 需要深度定制吗？（自定义检索、rerank、复杂状态）
   需要 → 代码类方案，平台会撞天花板

5. 团队已有技术栈是什么？
   已经在用某框架 → 优先复用，别为一个项目引第二套

这五个问题不是并列的，有优先级：先看团队能力和上线压力（决定平台 vs 代码），再看流程复杂度（决定 LangChain vs LangGraph vs 裸写）。

四、把选型逻辑写成可跑的脚本

口头权衡容易飘，把它固化成打分脚本就清楚了。核心是用几个维度刻画需求，每个维度命中某方案的优势就加分：

打分法的好处是可解释：推荐结果背后的每一分都说得清，开会时能直接把理由摆出来，而不是"我觉得"。

五、工程上真正会踩的坑

简历驱动选型。为了简历好看上 LangGraph，结果需求是个固定流程，平白增加复杂度和维护成本。选型服务于需求，不是服务于简历。
平台和代码二选一的误区。其实可以混用：用 Dify 快速验证产品形态，验证通过后核心链路用代码重写。先平台后代码是很务实的路径。
忽略团队技术栈。团队都在用 LangChain，你新项目硬上别的框架，维护成本和学习成本全摊给团队。已有栈能满足就优先复用。
以为框架能替代理解。无论选哪个，chunk 怎么切、topK 设几、检索为空怎么办，这些原理问题框架都不替你回答。选型对了，原理没懂，照样做不好。

六、一句话面试答法

你怎么做 AI 应用的框架选型？ 我会问五个问题：团队会不会写代码、要多快上线、流程固定吗、需不需要循环回退、要不要深度定制。团队不写代码或要快速验证就上 Dify/Coze；会写代码、流程固定的简单需求我倾向裸写或 LangChain 直线链，不为用框架而用框架；需要循环、分支、回退的复杂 Agent 才上 LangGraph；要深度定制检索的回到代码类方案。选型服务于需求和团队，不是服务于简历，而且无论选什么，RAG 和 Agent 的原理都得自己懂。

七、动手实践：37 框架选型对比

一个决策脚本：用几个关键维度刻画你的项目需求，给 Dify/Coze、LangChain、LangGraph、裸写四个方案打分，输出推荐 + 完整理由。

7.1 在线运行

零依赖，纯标准库。跑内置的四个典型需求场景。

7.2 预期输出

=== 运营搭个问答机器人快速验证 ===
推荐：Dify/Coze 平台
  - 团队不写代码：平台可拖拽，+3 平台
  - 要求极快上线：平台省样板代码，+2 平台
  - 流程固定无循环：裸写/LangChain 直线链够用，+2 裸写
  - 最终得分：{'Dify/Coze 平台': 5, 'LangChain': 1, 'LangGraph': 0, '裸写（直接调 API）': 2}

=== 固定流程的 RAG 接口 ===
推荐：裸写（直接调 API）
  - 团队会写代码：代码类方案可选
  - 流程固定无循环：裸写/LangChain 直线链够用，+2 裸写
  - 最终得分：{'Dify/Coze 平台': 0, 'LangChain': 2, 'LangGraph': 1, '裸写（直接调 API）': 3}

=== 多步骤复杂 Agent（需循环回退） ===
推荐：LangGraph
  - 团队会写代码：代码类方案可选
  - 需要循环/分支/回退：+3 LangGraph，-1 平台
  - 需要深度定制：+2 LangChain/LangGraph，-2 平台
  - 最终得分：{'Dify/Coze 平台': -3, 'LangChain': 3, 'LangGraph': 6, '裸写（直接调 API）': 1}

=== 要深度定制检索策略的知识库 ===
推荐：LangChain
  - 团队会写代码：代码类方案可选
  - 流程固定无循环：裸写/LangChain 直线链够用，+2 裸写
  - 需要深度定制：+2 LangChain/LangGraph，-2 平台
  - 最终得分：{'Dify/Coze 平台': -2, 'LangChain': 4, 'LangGraph': 3, '裸写（直接调 API）': 3}

7.3 代码 ↔ 概念对应

选型概念	在 main.py 哪里
刻画需求的关键维度	`Requirement` 的五个字段
候选方案	`CANDIDATES`
打分决策逻辑	`recommend`（每个维度加减分）
决策理由可解释	`reasons` 列表，记录每条加减分

7.4 决策维度说明

脚本用五个维度刻画需求，每个维度命中某方案的优势就加分、踩中劣势就减分：

维度	倾向
团队会不会写代码	不会 → 平台
是否要极快上线	要 → 平台
流程固定且无循环	是 → 裸写 / LangChain 直线链
需要循环/分支/回退	是 → LangGraph
需要深度定制	是 → 代码类，平台扣分

7.5 动手改

在 main 里加一条你自己项目的 Requirement，看脚本推荐什么。
调整 recommend 里的分值权重，比如把「快速上线」的权重提高，观察推荐变化。
加一个新维度「是否需要团队协作可视化」（平台优势），扩展打分逻辑。

7.6 可运行源码：框架选型对比

main.py

八、总结

先把候选方案的边界划清：记住一条反直觉的事实：裸写常常是最优解。
五个问题问下来，答案基本就出来了：这五个问题不是并列的，有优先级：先看团队能力和上线压力（决定平台 vs 代码），再看流程复杂度（决定 LangChain vs LangGraph vs 裸写）。
把选型逻辑写成可跑的脚本：打分法的好处是可解释：推荐结果背后的每一分都说得清，开会时能直接把理由摆出来，而不是"我觉得"。
工程上真正会踩的坑：为了简历好看上 LangGraph，结果需求是个固定流程，平白增加复杂度和维护成本。
一句话面试答法：团队不写代码或要快速验证就上 Dify/Coze；