Agent之Framework：2026年七大AI Agent框架全景对比与选型指南：LangChain、CrewAI、MAF、LlamaIndex、Google ADK、OpenAI SDK与Mas

Agent之Framework：2026年七大AI Agent框架全景对比与选型指南：LangChain、CrewAI、MAF、LlamaIndex、Google ADK、OpenAI SDK与Mastra横向评测——涵盖原型开发体验、生产可靠性、可观测性支持、生态系统集成与定价透明度的多维度选型指南——最终指出可观测性与评估闭环在Agent持续改进中的决定性作用

导读：本文系统性地比较了2026年七款主流AI Agent框架——LangChain、CrewAI、Microsoft Agent Framework、LlamaIndex Workflows、Google ADK、OpenAI Agents SDK和Mastra——从开发者体验、生产可靠性、可观测性、生态系统集成和定价透明度等维度进行了全面评估。文章的核心价值在于不仅提供了各框架的“亮点”功能介绍，更通过大量社区反馈揭示了文档中难以找到的“真实摩擦点”，如CrewAI的动作追踪与实际执行不符、LlamaIndex Workflows的Agent交接失败、Google ADK的会话隔离风险等。文章强调查阅真实社区反馈的重要性，并倡导框架选择应基于团队实际技术栈和生产场景，而非单纯依赖原型演示效果。

同时，文章巧妙地将LangChain生态（LangChain + LangGraph + Deep Agents + LangSmith）定位为覆盖Agent全生命周期的解决方案，特别强调了LangSmith作为框架无关可观测性平台的独特价值——无论选择何种框架，LangSmith都能提供完整的追踪、评估和调试能力，并通过“Agent开发生命周期”闭环使团队能够系统性地从生产数据中学习并持续改进Agent质量。对于准备投入AI Agent生产的团队而言，本文提供了一份兼具广度与深度的实战选型指南，核心启示在于：不要仅看框架能多快帮你跑通演示，更要关注它能否帮你在生产环境中持续运行、快速排错和系统性地优化。

目录

引言：选择AI Agent框架的核心挑战与评估维度

系统性概述

核心要点

经验技巧

TL;DR：各框架快速选型结论

核心要点

经验技巧

The best AI agent frameworks at a glance：各框架概览对比表

核心要点

经验技巧

What makes a great AI agent framework：优秀框架的评判标准与评估方法

核心要点

经验技巧

一、LangChain

核心要点

经验技巧

二、CrewAI

核心要点

经验技巧

三、Microsoft Agent Framework

核心要点

经验技巧

四、LlamaIndex (Workflows)

核心要点

经验技巧

五、Google ADK (Agent Development Kit)

核心要点

经验技巧

六、OpenAI Agents SDK

核心要点

经验技巧

七、Mastra

核心要点

经验技巧

八、The full LangChain ecosystem：LangChain完整生态

核心要点

经验技巧

引言：选择AI Agent框架的核心挑战与评估维度

系统性概述

本章开篇指出了AI Agent从本地测试走向生产环境时常见的失败模式，如工具选择错误、上下文丢失、Token消耗失控等。文章强调，一个框架能否被称为“最佳”，取决于它能否帮助开发者预防这些故障并在发生时快速诊断。评估框架的标准涵盖开发体验、生产可靠性、可观测性、生态系统集成和定价透明度五个维度，最终目的是帮助团队根据自身技术栈和需求匹配最合适的工具，而非单纯依据原型演示效果。

核心要点

– **生产环境故障模式**：Agent在本地测试正常，但上线后可能出现工具误选、长对话上下文丢失、因死循环导致Token费用激增且难以复现等问题；

– **框架的核心价值**：优秀的框架应帮助预防上述故障，并在故障发生时提供快速诊断能力；

– **评估框架的五大维度**：原型开发阶段的开发体验、生产环境下的可靠性、可观测性与调试支持、生态系统集成能力、定价透明度；

– **选择原则**：应根据团队的实际技术栈和优化目标（如原型速度、状态控制、语言生态、云集成深度）来选择框架，而非单纯依赖性能基准测试。

经验技巧

– **避免过度抽象**：选择框架时，优先考虑那些暴露足够内部细节以便推理Agent行为的工具，隐藏失败模式的抽象会在调试时消耗更多时间；

– **关注生产就绪能力**：在评估阶段就应考察框架对持久化执行、状态可靠性和错误处理的支持，避免上线后被迫额外接入Temporal或Redis等外部系统来解决基础可靠性问题；

– **匹配实际技术栈**：不要盲目追求热门框架，文档密集型Python项目、.NET企业团队和TypeScript生产团队的最佳选择可能完全不同。

TL;DR：各框架快速选型结论

本节为不同需求的团队提供了七个主流框架的快速选型建议，涵盖了从开源快速原型、角色型多智能体、微软技术栈、文档密集型流水线、GCP原生环境、轻量级OpenAI助手到TypeScript生产级应用等各类场景。

核心要点

– **LangChain**：适合需要跨模型供应商快速原型开发的开源框架，配合LangGraph处理状态化多智能体编排，Deep Agents处理长时间运行工作流，LangSmith提供全生命周期可观测性；

– **CrewAI**：适合需要基于角色快速搭建多智能体原型的团队，心智模型直观；

– **Microsoft Agent Framework**：适合微软技术栈团队，是AutoGen和Semantic Kernel的统一后继者，支持基于图的工作流、Azure AI Foundry负责任AI护栏，已发布1.0 GA版本并支持Python和.NET运行时；

– **LlamaIndex Workflows**：适合文档密集、数据密集型流水线的事件驱动编排场景；

– **Google ADK**：适合GCP原生团队，提供带内置调试UI的、约定大于配置的Agent运行时；

– **OpenAI Agents SDK**：适合构建范围明确的助手和清晰的多智能体委派流程，抽象层次极简；

– **Mastra**：适合TypeScript团队构建生产级Agent，在一个包中整合了工作流、记忆和Studio环境。

经验技巧

– **快速匹配原则**：根据自身技术栈（Python/.NET/TypeScript）、云供应商（GCP/Azure/自建）和应用类型（文档处理/助手/复杂编排）来快速定位候选框架，避免逐一尝试全部选项。

The best AI agent frameworks at a glance：各框架概览对比表

本节以表格形式快速对比了七个框架的类型、开源许可和最佳适用场景，为读者提供了一个直观的横向比较视图。

核心要点

– **LangChain**：LLM应用框架，MIT开源，最适合复杂Agent工作流的快速原型开发；

– **LangGraph**：Agent运行时，MIT开源，适合需要精确控制的复杂Agent；

– **Deep Agents**：Agent工具包，MIT开源，适合长时间运行的工作流；

– **CrewAI**：多智能体编排框架，MIT开源，适合基于角色的Agent工作流快速原型开发；

– **Microsoft Agent Framework**：多智能体编排框架，MIT开源，作为AutoGen和Semantic Kernel的统一后继者；

– **LlamaIndex (Workflows)**：Agent工作流框架，MIT开源，适合文档中心、事件驱动的多智能体系统；

– **Google ADK**：Agent开发框架，Apache 2.0开源，适合GCP原生团队寻求约定式Agent运行时；

– **OpenAI Agents SDK**：多智能体工作流SDK，MIT开源，适合范围明确的助手和委派工作流；

– **Mastra**：AI Agent应用框架，部分开源，适合TypeScript团队构建生产级自定义Agent。

经验技巧

– **利用对比表快速筛选**：初步选型时可先根据“最佳适用场景”列进行粗略匹配，再深入了解候选框架的细节。

What makes a great AI agent framework：优秀框架的评判标准与评估方法

本章深入阐述了优秀Agent框架应具备的核心特质，包括提供清晰的工具调用、状态管理和智能体间通信原语，同时不过度隐藏底层行为。生产就绪性（持久化执行、状态持久化、可预测的错误处理）是区分演示级和生产级框架的关键。文章还详细说明了评估方法——基于官方文档、GitHub仓库和社区反馈进行多维度分析，所有局限性描述均来源于真实社区来源。

核心要点

– **抽象的原则**：抽象只有加速正确决策时才是有用的；隐藏失败模式的抽象在调试上花费的时间比节省的设置时间更多，可信赖的框架应暴露足够内部信息以便在每个步骤推理Agent行为；

– **生产就绪的要素**：持久化执行、可靠的状态持久化和可预测的错误处理，在处理真实用户请求时比原型阶段重要得多；

– **评估信息来源**：技术文档、官方GitHub仓库、公开定价页面，以及来自Reddit、Hacker News和GitHub Issues的社区反馈；

– **评估维度**：原型开发体验、生产可靠性、可观测性与调试支持、生态系统集成；

– **评估原则**：基于实际已文档化和发布的能力进行评估，而非路线图承诺。

经验技巧

– **审视线索来源**：在选型时主动查阅目标框架的GitHub Issues和社区讨论，文档不会提及的“真实摩擦点”往往隐藏在社区反馈中；

– **警惕“可观测性债务”**：如果框架需要额外接入外部系统才能实现基础的可靠性和可观测性，这些复杂性实际上被推给了团队，应作为选型的负向因素。

一、LangChain

LangChain是目前最广泛采用的开源LLM应用框架，拥有约13.4万GitHub星标和超过1000个预构建集成。其核心价值在于广度——支持一行代码切换模型供应商、模块化组合链和Agent、从原型平滑过渡到生产。该框架与LangGraph、Deep Agents和LangSmith原生配合，提供了一条从快速原型到指标驱动工程的完整路径，但抽象层在调试复杂工作流边缘情况时可能成为摩擦点。

核心要点

– **核心定位**：最广泛采用的开源LLM应用框架，约13.4万GitHub星标，1000+预构建集成；

– **核心价值**：一行代码切换模型供应商、模块化组件组合、无需切换框架即可从原型演进到生产；

– **原生生态**：配合LangGraph（状态化多智能体编排）、Deep Agents（长时间运行工作流）和LangSmith（可观测性、评估、调试平台）；

– **模型支持**：通过模型抽象层支持OpenAI、Anthropic、Google Gemini、AWS Bedrock、Hugging Face等；

– **LangChain vs LangGraph vs Deep Agents**：LangChain是广义构建框架；LangGraph是低层编排框架，用于需要循环和持久状态的多智能体系统；Deep Agents是长时间运行工作流的工具包；

– **生产就绪性**：LangChain可用于生产，但抽象层需要谨慎管理，版本升级需注意依赖和发布节奏，配合LangSmith可帮助在生产事件前发现可靠性问题；

– **LangSmith独立性**：LangSmith是框架无关的可观测性平台，可与任何LLM框架配合使用，不仅限于LangChain。

经验技巧

– **版本升级谨慎**：LangChain的依赖体积和发布节奏要求团队在版本升级时进行严格管理，不要在生产环境中轻易进行大版本跳跃；

– **早期引入可观测性**：在生产环境使用LangChain时，建议尽早配合LangSmith等可观测性工具，以在问题演变为生产事故前发现并解决；

– **按需引入LangGraph**：不要一开始就使用LangGraph，只有在Agent架构确实需要显式状态管理和多步骤循环时才引入。

二、CrewAI

CrewAI是一个独立的、围绕角色心智模型构建的多智能体编排框架，每个Agent具有明确的角色、目标和任务。该框架以快速初始设置见长，开发者普遍认为其抽象足够直观，能以比大多数替代方案更快的速度获得可工作的多智能体原型。框架默认使用OpenAI，也支持通过Ollama使用本地模型，并集成了MCP协议。

核心要点

– **核心定位**：独立的角色型多智能体编排框架，约4.92万GitHub星标；

– **角色模型**：每个Agent具有定义的角色、目标和背景故事，易于推理Agent职责和设计协作工作流；

– **模型支持**：默认OpenAI，通过Ollama支持本地运行时，可通过OpenAI兼容端点使用非OpenAI提供商；

– **工具集成**：官方提供网络爬虫、PostgreSQL、MySQL、MongoDB Vector Search、Qdrant、Weaviate、Serper、Exa等连接器；

– **MCP支持**：通过MCPServerAdapter支持stdio、SSE和streamable HTTP传输的完整MCP客户端；

– **生产就绪性**：可用于生产，但社区反馈存在Agent动作追踪与实际执行不符、异步编排和前端流式传输问题，免费层每月仅50次工作流执行；

– **非OpenAI集成风险**：非OpenAI集成和记忆系统连接是社区反馈中最常提到的摩擦点，框架升级时的依赖管理可能意外破坏这些集成。

经验技巧

– **工具执行显式验证**：由于依赖LLM生成的工具调用可能产生与实际执行不符的动作追踪，生产环境应对工具执行结果建立显式验证逻辑；

– **超出免费层需规划预算**：免费层每月50次工作流执行的上限意味着非平凡生产使用通常需要企业合同，应提前规划；

– **非OpenAI场景需额外测试**：如果计划使用非OpenAI模型或需要记忆系统连接，需要投入额外测试时间验证可靠性。

三、Microsoft Agent Framework

Microsoft Agent Framework（MAF）是AutoGen和Semantic Kernel的统一后继者，于2025年10月发布，整合了AutoGen的会话式多智能体抽象和Semantic Kernel的企业级功能。框架同时提供Python和.NET 1.0 GA版本，支持多种模型提供商，与Azure AI Foundry集成提供可观测性和负责任AI功能，并贡献了OpenTelemetry的GenAI语义约定。MAF提供了从AutoGen和Semantic Kernel的迁移助手，未来新功能开发将聚焦于此。

核心要点

– **核心定位**：AutoGen和Semantic Kernel的统一后继者，约0.96万GitHub星标；

– **双运行时**：Python（pip install agent-framework）和.NET（Microsoft.Agents.AI）均于2026年4月3日发布1.0 GA版本；

– **模型支持**：Microsoft Foundry、Azure OpenAI、OpenAI、Anthropic、Amazon Bedrock、Google Gemini、Ollama；

– **核心特性**：基于图的工作流（显式多Agent执行路径、类型安全路由、检查点、人机协同）、多智能体编排模式（顺序、并发、交接、群聊、Magentic-One）、DevUI浏览器调试器；

– **Azure AI Foundry集成**：部署后可选任务遵循护栏、PII保护和提示注入防御；

– **协议支持**：原生MCP支持，A2A支持通过独立的agent-framework-a2a适配器包（测试版，A2A 1.0即将支持）；

– **迁移支持**：提供Semantic Kernel和AutoGen的迁移助手，SK v1.x将获得至少一年BUG修复和安全补丁，AutoGen进入维护模式；

– **与非微软栈的兼容性**：1.0版本核心已稳定，但社区报告的问题集中在编排设计权衡（顺序上下文处理、功能审批范围）和非Azure提供商适配器上。

经验技巧

– **现有SK/AutoGen用户尽早规划迁移**：现有应用在支持窗口内可继续运行，但长期投资应计划迁移至MAF以获取新功能、开放标准支持和Azure AI Foundry集成；

– **非Azure部署需额外验证**：如果不在Azure基础设施上部署，应针对所选提供商进行充分集成验证，因为Azure OpenAI路径是微软的主要测试场景；

– **利用OpenTelemetry实现统一观测**：MAF原生发出OTel span，可通过标准OTLP导出器将执行链路发送至LangSmith等平台，实现跨框架的统一可观测性。

四、LlamaIndex (Workflows)

LlamaIndex Workflows是一个事件驱动的编排层，用于在纯Python（TypeScript版本已弃用）中构建多智能体系统，将Agent执行建模为事件处理器的图，每个步骤发出和接收类型化事件。该框架自然融入LlamaIndex数据生态，使数据加载和检索能直接流入编排步骤。框架可通过Starlette和FastAPI中间件嵌入现有Python脚本、Notebook和REST API，部署目标包括Llama Cloud和容器化自托管。

核心要点

– **核心定位**：事件驱动的多智能体工作流编排框架，Python版本仓库（llama-agents）有347星标；

– **TypeScript状态**：TypeScript workflows-ts包已弃用，团队指引用户转向Python Workflows包；

– **事件驱动模型**：类型化事件模型，每个步骤发出和接收事件，无需独立DSL即可构建可组合和可检查的Agent流水线；

– **数据生态集成**：直接访问LlamaParse（OCR和文档提取）和更广泛的LlamaIndex检索与加载工具；

– **部署方式**：Llama Cloud（通过llamactl）、容器化自托管（包括通过AgentCore CLI部署到AWS Bedrock AgentCore）；

– **生产风险**：AgentWorkflow抽象存在交接失败问题（接收Agent停止响应），追踪集成在并发执行时存在跨度丢失和部分追踪问题；

– **独立性**：Workflows组件可脱离LlamaIndex数据工具独立运行，但脱离文档中心场景后需要大量样板代码。

经验技巧

– **非文档中心场景慎用**：如果团队未使用LlamaIndex数据生态且无文档密集型需求，基于事件的编排模型需要大量样板代码，图基替代方案（如LangGraph）或低抽象选项可能更适合；

– **生产部署前重点验证交接逻辑**：社区反馈明确指出了AgentWorkflow的交接失败问题，生产环境必须对此进行充分测试；

– **预置额外可观测性工具**：原生追踪在并发场景下的不完整性意味着团队需要额外规划可观测性工具链，不能完全依赖框架内置能力。

五、Google ADK (Agent Development Kit)

Google ADK是一个约定大于配置、开箱即用的Agent开发框架，专为在Google Cloud基础设施上快速构建、调试和部署AI Agent而设计。框架内置会话管理、基于浏览器的调试UI（ADK Web）、代码执行支持和CLI工具（adk run, adk api_server），无需编写服务器样板代码即可将Agent暴露为服务。部署目标包括Cloud Run、GKE和Vertex AI Agent Engine，深度集成IAM、Pub/Sub和BigQuery等GCP服务。

核心要点

– **核心定位**：约定式、开箱即用的Agent开发框架，Apache 2.0开源，1.9万GitHub星标；

– **开发者CLI**：adk web、adk run和adk api_server，无需编写服务器代码即可快速原型、调试和暴露Agent服务；

– **内置调试UI**：基于浏览器的ADK Web界面，无需外部工具即可检查Agent执行；

– **GCP部署集成**：直接部署到Cloud Run、GKE和Vertex AI Agent Engine，配置量极小；

– **会话管理**：内置会话处理，通过Memory Bank实现Agent跨交互持久记忆；

– **协议支持**：MCP、A2A和OpenAPI规范集成，用于连接Agent到外部工具和服务；

– **非GCP团队的适用性**：可在GCP外运行，但默认假设和部署工具针对GCP优化，非GCP团队需要构建其他框架更通用提供的自定义部署和状态管理层；

– **内存与状态持久化风险**：Cloud Run容器重启时内存中会话状态丢失，不当的持久化存储配置可能导致不同用户看到彼此会话数据。

经验技巧

– **Cloud Run部署必须配置外部持久存储**：由于容器重启会导致内存会话丢失，且存在会话隔离风险，生产环境部署到Cloud Run时需显式配置外部持久化存储并验证会话隔离；

– **非GCP团队谨慎选型**：框架的优势来自与GCP服务的深度集成，非GCP团队会失去大部分“开箱即用”的价值，需构建大量自定义组件。

六、OpenAI Agents SDK

OpenAI Agents SDK是一个轻量级、低抽象的框架，用于使用OpenAI模型API构建多智能体工作流。其设计理念倾向于最小API表面积而非全面抽象：Agent交接、工具调用和委派的核心原语简洁且易于推理，比更重的编排栈更容易理解Agent行为。内置追踪提供原型调试可见性，集成MCP用于连接外部工具，并包含会话原语，支持常见存储后端（SQLite、Redis、SQL存储）。

核心要点

– **核心定位**：轻量级、低抽象的多智能体工作流SDK，MIT开源，2.22万GitHub星标；

– **最小API设计**：低抽象设计使Agent执行易于推理，调试比更重框架更快；

– **核心原语**：清晰的交接原语、工具调用和委派模式；

– **内置追踪**：原生执行追踪，无需外部工具设置即可在原型阶段调试Agent行为；

– **MCP集成**：支持通过MCP连接Agent到GitHub、Notion、本地文件系统等工具；

– **LiteLLM兼容**：可选多提供商路由，支持在非OpenAI模型上运行Agent；

– **Redis会话状态**：可选Redis集成用于低延迟会话缓存，持久化通过RDB快照或AOF日志选择加入；

– **生产成本**：SDK本身免费，成本完全来自OpenAI API调用，多Agent工作流链式调用多个模型会快速累积成本，建议按追踪早期埋点Token用量。

经验技巧

– **提前埋点Token用量**：多智能体工作流可能链式调用多个模型，建议从早期原型阶段就开始按追踪维度埋点Token消耗，避免扩展时产生成本意外；

– **Redis配置高可用**：生产环境使用Redis存储会话状态时，应配置Sentinel或Cluster故障转移，避免Redis成为单点故障；

– **外部管理持久化**：SDK不原生吸收工作流级持久化执行能力，需要跨进程重启持久化的工作负载应配对Temporal或DBOS等外部系统。

七、Mastra

Mastra是一个TypeScript优先的Agent框架，由Gatsby团队构建，旨在为JavaScript/TypeScript开发者提供一条开箱即用的路径来构建生产Agent，无需为工作流、记忆和可观测性组装独立库。框架内置工作流编排、专用的Studio开发和调试环境、以及Memory Gateway持久化Agent记忆，并集成React、Next.js、Node以及Vercel AI SDK UI和CopilotKit。约定式配置加速了正常路径的开发，但对偏离框架假设的工作流可能成为限制。

核心要点

– **核心定位**：TypeScript优先的AI Agent应用框架，部分开源（核心Apache 2.0，ee/目录下Mastra Enterprise License），约2.3万GitHub星标；

– **TypeScript原生**：专为TypeScript环境设计，类型和习惯用法比Python优先框架的JavaScript移植更自然；

– **开箱即用平台**：工作流、可观测性、记忆和Studio环境在一个包中，减少对外部工具的依赖；

– **Memory Gateway**：内置持久化记忆，支持可配置保留期、Token限制和检索存储，可作独立服务使用；

– **前端集成**：Vercel AI SDK UI和CopilotKit兼容性，用于将Agent连接到React和Next.js前端；

– **Mastra Studio**：专用的开发和调试环境，用于构建和测试Agent工作流；

– **从Python优先框架迁移**：对已在使用TypeScript/JavaScript生态的团队价值最大，但从LangChain等框架迁移需适应工作流和记忆建模方式的转变；

– **记忆定价与成本**：Memory Gateway免费层（10万记忆Token + 250MB检索存储），付费层$250/团队/月（100万记忆Token + 1GB检索存储）。默认Observational Memory设置会随对话量增长触发后台模型压缩，产生额外API成本。

经验技巧

– **监控记忆层Token用量**：Observational Memory默认设置会在后台触发模型压缩，产生Memory Gateway订阅费之外的API成本，应尽早监控；

– **评估与框架假设的匹配度**：Mastra的约定式配置在正常路径上加速开发，但对于偏离框架假设的工作流可能带来限制，选型前需评估工作流模式的兼容性；

– **TypeScript团队优先考虑**：对于已使用TypeScript/JavaScript生态的团队，Mastra提供比Python框架移植更自然的体验，但Python团队可能更适合选择原生Python框架。

八、The full LangChain ecosystem：LangChain完整生态

本章阐述了LangChain生态系统的完整愿景——不仅提供编排层，而是覆盖AI Agent整个应用生命周期的互联产品集。LangChain负责快速原型与1000+集成，LangGraph负责状态化多智能体编排，Deep Agents负责长时间运行任务，LangSmith提供框架无关的可观测性、评估和部署。LangSmith通过“Agent开发生命周期”闭环（追踪→数据集→评估→改进→新追踪）使团队能系统性地提升Agent质量，并且无论使用何种框架都能获得完整追踪可见性。

核心要点

– **生态愿景**：LangChain生态覆盖Agent全生命周期，而非仅提供编排层；

– **四大组件**：LangChain（快速原型、1000+集成、一行切换模型）、LangGraph（状态化循环多智能体编排、持久内存、人机协同）、Deep Agents（长时间运行任务的规划、上下文管理、多智能体编排）、LangSmith（框架无关的工程平台，提供可观测性、评估、部署）；

– **LangSmith Engine**：分析生产追踪，对相关失败进行分组并建议修复方案，加速团队提升Agent质量；

– **Agent开发生命周期闭环**：追踪→数据集→评估→改进→新追踪；离线评估（策划数据集）和在线评估（生产流量，LLM-as-Judge）结合；Insights功能将追踪分类为可操作模式并暴露手动审核无法发现的失败模式；

– **框架无关性**：无论使用LangChain、LangGraph、Deep Agents、OpenAI Agents SDK、Microsoft Agent Framework、Mastra还是自定义代码，LangSmith始终提供完整追踪可见性。

经验技巧

– **优先建立评估闭环**：不要等到生产事故后再开始评估，应尽早建立追踪→数据集→评估→改进的循环，Insights功能可用于发现人工审核容易遗漏的系统性失败模式；

– **充分利用框架无关可观测性**：即使最终选型并非LangChain，LangSmith仍可作为可观测性层接入，提供统一的调试和评估能力。