第 6 章

AI 应用框架全景

一张图看懂 LangChain、LlamaIndex、LangGraph、AutoGPT、MetaGPT 五大主流 AI 应用框架的核心能力与 Code Map，点击每张卡片进入对应详解页。

一图速览：四大框架核心功能与 Code Map 全景图

原始概览图（四大框架）

LangChain / AutoGPT / MetaGPT / LlamaIndex 四大 AI 框架核心功能与 Code Map 全景图

下文将逐个拆解每个框架的核心逻辑、代码结构、核心能力与适合场景，并给出对比表和选型指南。

核心洞察：框架不是魔法，是分工

这些框架解决的是 AI 应用不同层面的问题：LlamaIndex 管「知识输入」，LangChain 管「流程编排」，LangGraph 管「有状态的复杂流程」，AutoGPT 管「自主执行」，MetaGPT 管「团队协作」。不是谁替代谁，而是各司其职，组合起来才是完整的 AI 应用体系。

1. LangChain

· 工具箱 + 编排层

AI 应用编排框架

核心逻辑

Chain（链式调用）+ Agent（决策调用工具），把 LLM、工具、记忆等能力组成应用。

Code Map（核心模块）

chains/

链式流程编排

agents/

智能体（决策 + 工具调用）

tools/

工具集成层

memory/

记忆管理

prompts/

提示词模板

output_parsers/

输出解析

retrievers/

检索接口（接向量库）

核心能力

链式编排

智能体

工具调用

记忆管理

提示模板

适合场景

AI 应用开发工作流编排Agent 系统构建

查看 LangChain 详解

2. AutoGPT

· 让 AI 自己干活

自主执行 AI 智能体

核心逻辑

Goal → Plan → Execute → Reflect（循环）。AI 自主拆解任务，调用工具，持续迭代。

核心循环

思考Thought

行动Action

观察Observation

记忆Memory

持续循环

Code Map（核心模块）

autogpt/agent/

核心 Agent 循环

autogpt/memory/

长短期记忆

autogpt/workspace/

文件系统（读写）

autogpt/tools/

工具集（测试器/代码执行等）

autogpt/config/

运行参数

autogpt/loop.py

核心循环入口（重点）

核心能力

自主规划

工具使用

记忆存储

代码执行

文件操作

适合场景

自动任务执行数据抓取个人助理原型验证

查看 AutoGPT 详解

3. MetaGPT

· AI 公司模拟器

多智能体协作框架

核心逻辑

Multi-Agent + SOP（标准流程）。让多个 AI 角色按流程分工协作完成任务。

核心流程（示例：软件开发流程）

需求分析

Architect

设计方案

Engineer

编码实现

测试验收

Deploy

交付部署

Code Map（核心模块）

metagpt/roles/

角色定义（PM/Engineer/QA 等）

metagpt/actions/

角色行为与能力

metagpt/environment/

共享环境与上下文

metagpt/memory/

团队记忆

metagpt/workflows/

流程编排

metagpt/team.py

多智能体协作核心

核心能力

角色分工

协作沟通

任务分解

流程编排

代码生成

适合场景

项目自动化生成团队协作模拟复杂任务流水线

查看 MetaGPT 详解

4. LlamaIndex

· 喂知识给 AI

数据连接与 RAG 引擎

核心逻辑

Data → Index → Retrieve → Generate。让 LLM 拥有你的知识，提升问答准确度。

核心流程

数据源

切块 Chunk

向量化 Embedding

检索 Retrieve

生成 Generate

Code Map（核心模块）

llama_index/readers/

数据加载（PDF/网页/DB 等）

llama_index/nodes/

文本切块（Node）

llama_index/indices/

索引结构（向量索引等）

llama_index/retrievers/

检索器

llama_index/query_engine/

查询引擎

llama_index/embeddings/

向量化模型接口

核心能力

数据接入

索引构建

向量检索

查询引擎

RAG 增强

适合场景

知识库问答企业搜索AI 客服文档分析

查看 LlamaIndex 详解

5. LangGraph

· 有状态 · 多节点 · 循环执行

基于图的 Agent 编排框架

核心逻辑

Graph（图）+ Node（节点）+ Edge（边）+ State（状态）。用图结构编排复杂应用，支持条件分支、循环、人工干预。

详解图预览（四合一总览图未包含，单独补充）

点击图片或下方「查看 LangGraph 详解」进入详解页查看高清原图与逐节解析。

Code Map（核心模块）

langgraph/graph/

图结构核心（StateGraph 等）

langgraph/nodes/

节点定义（任务单元）

langgraph/edges/

边与条件跳转

langgraph/state/

全局状态与持久化

langgraph/checkpoint/

检查点与恢复

langgraph/prebuilt/

预置 Agent 模板

核心能力

图结构编排

状态管理

循环 / 条件分支

多智能体

可视化调试

适合场景

复杂对话系统多智能体协作工作流自动化决策与规划

查看 LangGraph 详解

五大框架对比速览

框架	核心定位	核心逻辑	核心能力	优势	短板
LangChain	应用编排	链式调用 + Agent	编排、工具、记忆	灵活强大，生态丰富	需要自己设计流程
AutoGPT	自主执行	目标驱动 + 自我反思执行	自主规划、执行	自主性高	不稳定，可控性低
MetaGPT	多智能体协作	角色分工 + SOP	协作、流程、生成	标准化，工程化	流程固定，灵活性差
LlamaIndex	数据与知识检索	RAG 检索增强	数据、索引、检索	数据处理强	不负责执行逻辑
LangGraph	图式 Agent 编排	Graph + State + Edge	状态、循环、多 Agent	流程灵活，内置可视化	学习成本高于 LangChain

如何协同工作？（推荐组合）

用户需求

LlamaIndex提供知识

LangChain编排流程

AutoGPT自主执行

MetaGPT多智能体协作

输出结果

最佳实践组合：LangChain + LlamaIndex + AutoGPT + MetaGPT

知识更准确

(RAG)

执行更自动

(自主 Agent)

协作更高效

(多智能体)

流程更灵活

(编排控制)

选择指南

想快速搭建应用框架

LangChain

想构建有状态 / 多智能体的复杂流程

LangGraph

想让 AI 自动执行任务

AutoGPT

想让 AI 团队协作完成项目

MetaGPT

想要本地私有数据问答

LlamaIndex

想要全能 AI 平台

组合使用

学习成果

完成本章后，你将：

1理解 LangChain / AutoGPT / MetaGPT / LlamaIndex 四大框架的核心定位差异
2能够看懂每个框架的 Code Map，知道源码里哪些模块最关键
3掌握 RAG、Agent、Multi-Agent、Workflow 四种范式的工程实现思路
4能够根据业务需求选型，而不是盲目追逐热门框架
5理解四大框架如何组合成一个完整的 AI 应用体系

上一章：AI 适配架构范式下一章：开发常识