FDE Wiki

深色模式

Agent 开发栈 ​

给要在客户现场一个人把东西造出来的 FDE。这一页把编码 agent、agent 框架、低代码平台、MCP 生态四层摆开，每一项写清定位、适合的场景、上手成本、开源还是商业、以及截至 2026 年 9 月的实际状态。

时效声明：本页所有 GitHub star 数、最近提交日期、许可证均由 GitHub API 于 2026-09-06 拉取；价格取自厂商官方定价页，同日核实。这一层的淘汰速度极快——本页记录到的「已归档 / 已停滞 / 已改名 / 已被并购」条目就有六处：Flowise 已归档、AutoGen 与 Aider 已停滞、Windsurf 并入 Cognition、OpenHands 组织改名、Claude Code SDK 改名 Claude Agent SDK。引用任何一条前请点链接复核；全章的改名与停摆清单见 README。

一、先分清四层，别把它们混着谈 ​

四层解决的是四个不同的问题：

层谁在用交付物是它吗选错的代价
编码 agentFDE 自己否慢一倍，不致命
agent 框架FDE 写代码是（如果交源码）高：换框架 = 重写
低代码平台客户的人是（如果交可维护的东西）极高：客户运维不动就等于没交付
MCP / A2A系统之间是（集成部分）中：接口层，可换

FDE 最容易犯的错，是把第 1 层的爽感当成第 3 层的交付能力。 你用 Claude Code 两小时做出的 demo，和客户三个月后还能自己改的系统，中间隔着的是第 2、3 层的选型判断。

二、第 1 层：编码 agent ​

这一层是 FDE 的个人产能杠杆。选哪个主要看你的工作形态（终端派 / IDE 派）和客户的合规约束（能不能连外网、代码能不能出网）。

工具形态开源状态（2026-09-06）价格
Claude Code终端 CLI + IDE 扩展否活跃含在 Claude Pro（年付 $17/月，月付 $20/月）及以上订阅；Max 从 $100/月起；Team 标准席位年付 $20/座/月；也可用 API key 按量
OpenAI CodexCLI + ChatGPT 内是（Apache 2.0）121,755 ★，当日提交CLI 开源；模型用量按 OpenAI 计费或含在订阅内
CursorIDE（VS Code 分叉）否活跃Hobby 免费；Pro $20/月；Teams $40/用户/月；另有 Pro+ / Ultra / Enterprise 档
Gemini CLI终端 CLI是（Apache 2.0）106,821 ★，当日提交开源；有免费额度档
ClineVS Code 扩展是（Apache 2.0）67,533 ★，最近提交 2026-09-05插件免费，模型自带 key
OpenHands自托管 agent 平台是（MIT）86,280 ★，最近提交 2026-09-05；组织名已从 All-Hands-AI 改为 OpenHands本地版免费；有云版与企业自托管
Amp（Sourcegraph）CLI + 扩展否活跃按用量档订阅
Aider终端 CLI是（Apache 2.0）48,774 ★，最近提交 2026-05-22，已停滞约 3.5 个月免费
WindsurfIDE否⚠️ windsurf.com 已 308 永久跳转到 devin.ai/desktop（2026-09-06 实测），产品线已并入 Cognition 的 Devin见 Cognition 定价

给 FDE 的三条实用判断：

  1. 终端型工具在客户现场更好用。 客户机器上装 IDE 要走 IT 审批，装一个 CLI 通常不用。而且终端工具可以直接跑在跳板机 / 堡垒机上，这是很多国企金融现场的唯一路径。
  2. 必须提前问清「代码能不能出网」。 这一条决定你能用哪些工具，比工具本身好不好用重要得多。答案是「不能」的时候，你的选择只剩下自托管方案（OpenHands、Cline 配本地模型）和纯手写。这个问题要在第一周问，不要在第三周发现。
  3. 停滞的项目不要写进交付方案。 Aider 停滞 3.5 个月这件事本身不代表它不好用，但如果你把它写进给客户的技术方案里，半年后出问题时你没有上游可以求助。

三、第 2 层：agent 框架 ​

这一层决定你的代码长什么样，也决定客户接手的难度。

Claude Agent SDK ​

官方文档｜Python 包 claude-agent-sdk（仓库 8,038 ★）、TypeScript 包 @anthropic-ai/claude-agent-sdk（仓库 1,730 ★），两者均于 2026-09-04 有提交。

定位：把 Claude Code 这套 harness 打包成库。官方原话是「用 Claude Code 作为库来构建生产级 AI agent」，你拿到的是同一套内置工具（读写编辑文件、执行命令、搜索、Web）、同一个 agent loop 和同一套上下文管理，只支持 Python 与 TypeScript。其他语言的做法是把 CLI 当子进程跑（-p + --output-format json）。

能力清单：内置工具、hooks（在 agent 生命周期关键点插自己的代码）、subagents（派专职子 agent）、MCP、权限控制（哪些工具自动跑、哪些要人批）、sessions（跨轮上下文，可恢复可分叉）、Skills / 命令 / memory（从项目的 .claude/ 目录自动加载）、plugins。

适合的场景：交付物是「一个会读写客户文件系统、跑脚本、改代码的 agent」时，这是上手最快的一条路——因为权限控制和 hooks 是现成的，而这两件恰恰是企业现场最难自己写对的部分。

上手成本：低。但注意两条约束：它由 Anthropic 商业条款约束；官方明确说明未经批准不允许第三方开发者向自己的产品用户提供 claude.ai 登录或额度，要用 API key 认证。这是交付给客户前必须看清的一行字。

改名提醒：它原名 Claude Code SDK，2025 年 9 月改为 Claude Agent SDK。老文章里的包名已经不对，官方有迁移指南。

OpenAI Agents SDK ​

github.com/openai/openai-agents-python，29,212 ★，MIT，最近提交 2026-09-05。

定位：轻量的多 agent 编排库，核心概念是 Agents / Handoffs（把任务交给另一个 agent）/ Guardrails / Sessions。是早前实验项目 Swarm 的生产化继任者。

适合的场景：多角色分工的对话型 agent（分诊 → 专家 → 复核）。Handoff 这个抽象在做客服、工单分类这类场景时特别顺手，比自己拿状态机手写省事。

上手成本：低。抽象少，读完文档一小时能跑通。

LangGraph / LangChain ​

langgraph 41,103 ★ MIT，当日提交；langchain 145,720 ★ MIT，最近提交 2026-09-05。

定位：LangGraph 是把 agent 建模成有状态的图（节点 = 步骤，边 = 转移，带检查点与人在环）。这是本层里对「长流程、要能中断能恢复、要人工审批插进去」支持最完整的一个。

适合的场景：企业流程型 agent——审批链、多步骤单据处理、需要在中间停下来等人点确认的东西。「human-in-the-loop 检查点」是它相对其他框架最实的差异化。

上手成本：中到高。抽象层次多，学习曲线陡；但一旦流程复杂到有分支和回退，自己手写的代价会更高。

配套：LangSmith（追踪与评估，见 eval-tools.md）与 LangGraph Platform（托管部署）。生态完整是优点，绑定也是代价。

CrewAI ​

github.com/crewAIInc/crewAI，58,125 ★，MIT，最近提交 2026-09-04。

定位：把多 agent 协作建模成「一支团队」——每个 agent 有 role、goal、backstory，用 Crew 组织，用 Task 派活。心智模型最贴近非技术人的直觉。

适合的场景：做给业务方看的原型、内容生产流水线、调研类任务。它的强项是好讲——给客户高管演示时，「研究员 agent 把结果交给写作 agent」这个说法他们一听就懂。

上手成本：低。但要留意：角色扮演式的抽象在需要精确控制流程时会变成阻碍。

Microsoft Agent Framework 与 AutoGen 的现状 ​

这是本层 2026 年最需要说清楚的一段。

  • microsoft/autogen：60,824 ★，但最近提交停在 2026-04-15，已停滞约五个月。
  • ag2ai/ag2：AutoGen 的社区分叉，4,904 ★，Apache 2.0，最近提交 2026-09-05，仍在维护但体量小得多。
  • microsoft/agent-framework：13,346 ★，MIT，最近提交 2026-09-05。这是微软把 AutoGen 与 Semantic Kernel 合流之后的新主线，是微软体系里现在该看的那一个。

结论：2026 年不要在新项目里选 AutoGen。 如果你在客户那里接手了 AutoGen 代码，迁移目标是 Microsoft Agent Framework（微软栈）或 LangGraph（跨栈）。

Google ADK ​

github.com/google/adk-python，21,420 ★，Apache 2.0，最近提交 2026-09-05。

定位：Google 的 agent 开发套件，与 Vertex / Gemini 生态深度集成，原生支持 A2A 协议。适合的场景：客户的技术栈已经在 Google Cloud 上。脱离 Google 生态用它的理由不多。

其他值得知道的 ​

  • Pydantic AI（19,741 ★，MIT，当日提交）：类型优先，用 Pydantic 定义输入输出契约。做结构化抽取类任务时，这是最省心的一个。
  • LlamaIndex（52,031 ★，MIT，最近提交 2026-09-05）：起家于 RAG 的数据框架，现在也有 Workflows 做编排。文档解析与检索这一段仍是它最强的部分。

怎么选，一张决策表 ​

你的情况选
交付物要读写客户文件、跑脚本、改代码Claude Agent SDK
多角色对话分工，逻辑不复杂OpenAI Agents SDK
长流程、要能中断恢复、要人工审批LangGraph
要给业务方演示、心智模型要好讲CrewAI
客户全栈在 Azure / Microsoft 365Microsoft Agent Framework
客户全栈在 Google CloudGoogle ADK
主要是结构化抽取Pydantic AI
主要是文档 RAGLlamaIndex
已有 AutoGen 代码计划迁移

还有一个常被忽略的选项：不用框架。 一个 while 循环 + 官方 SDK 的 tool use，能覆盖相当大比例的真实交付场景，而且客户的人读得懂。框架的价值在流程复杂度超过某个阈值之后才显现；在那之前它只是多一层要维护的依赖。

四、第 3 层：低代码 / agent 平台 ​

这一层是 FDE 交付里最政治的一层——它决定客户在你走之后能不能自己改。选一个客户的人打不开的平台，等于没交付。

平台归属开源 / 许可证规模（2026-09-06）定价
Dify语义科技（中国）仓库标注为非标准许可（Apache 2.0 + 附加条款）154,539 ★，最近提交 2026-09-05社区版自托管免费；云版 Sandbox 免费、Professional $590/年、Team $1,590/年、Enterprise 定制
Coze / 扣子字节跳动coze-studio、coze-loop 为 Apache 2.0coze-studio 21,547 ★（最近提交 2026-07-29）；coze-loop 5,712 ★（2026-09-05）平台按套餐；开源版可自托管
BISHENG 毕昇数据项素（中国）Apache 2.011,927 ★，最近提交 2026-09-04开源免费；企业版商业授权
RAGFlowInfiniFlow（中国）Apache 2.090,102 ★，最近提交 2026-09-05开源免费；有托管版
FastGPTLabring（中国）非标准许可（需看仓库 LICENSE）29,582 ★，最近提交 2026-09-05开源 + 商业版
n8nn8n GmbH（德国）Fair-code / Sustainable Use License，不是 OSI 开源203,483 ★（本页最高），当日提交社区版自托管免费；云版 Starter €20/月、Pro €50/月、Business €667/月、Enterprise 定制
LangflowDataStax / IBMMIT154,302 ★，当日提交开源免费
MaxKB飞致云 1Panel（中国）GPL-3.022,719 ★，最近提交 2026-09-05开源 + 企业版
FlowiseFlowiseAI非标准许可55,428 ★，⚠️ 仓库已归档（archived），最后提交 2026-08-13—

读这张表的四条要点：

  1. Flowise 已经归档了。 这是 2026 年这一层最大的变化。任何还在推荐 Flowise 的中文教程都已经过期。已经在用的，需要规划迁移。
  2. 许可证要真的看。 Dify、FastGPT、Flowise 在 GitHub 上都标注为非标准许可（NOASSERTION），n8n 用的是 Fair-code / Sustainable Use License——允许自托管和内部使用，但限制商业转售。你如果打算把它包成自己的产品卖，必须先让法务读一遍 LICENSE，不能凭「它在 GitHub 上」就当开源用。
  3. 国产平台在国内现场有结构性优势：中文界面、本地化部署文档、接得上国内模型、有中文社区。在「客户的运维同事要能自己重启它」这个标准下，这一条经常压倒功能差异。
  4. n8n 不是 AI 平台，是工作流平台。 它的强项是几百个现成的系统连接器（邮件、飞书、钉钉、数据库、CRM）。当交付的难点是「接通七个老系统」而不是「模型要多聪明」时，n8n 往往是最短路径——而企业现场十次里有七次难点在前者。

五、第 4 层：MCP 与连接生态 ​

MCP 现在到哪一步了 ​

Model Context Protocol（MCP，模型上下文协议） 是把外部数据与工具接进 LLM 应用的开放协议，用 JSON-RPC 2.0，角色分 Host（发起连接的应用）/ Client（宿主内的连接器）/ Server（提供上下文与能力的服务）。它的设计明确借鉴了 LSP（语言服务器协议）：把 M×N 个集成变成 M+N 个。

截至 2026-09-06 的状态：

  • 当前规范版本：2026-07-28（modelcontextprotocol.io/specification/latest）。规范是按日期版本号迭代的，写文档时一定要写清你依据的是哪一版。
  • 服务端三种能力：Resources（上下文与数据）、Prompts（模板化的消息与工作流）、Tools（模型可执行的函数）。客户端能力：Elicitation（服务端反过来向用户要信息）。
  • 扩展机制：核心协议之外定义了可选扩展，双方在初始化时协商。当前值得关注的三个：Tasks（长任务的异步执行，支持轮询、中途输入、持久句柄）、Skills over MCP（把结构化的 agent 工作流指令通过 MCP 分发）、MCP Apps（在对话里直接渲染图表、表单、播放器这类交互式 UI）。
  • 官方服务器仓库 modelcontextprotocol/servers：90,103 ★，最近提交 2026-09-03。
  • 规范仓库 modelcontextprotocol/modelcontextprotocol：9,145 ★，最近提交 2026-09-04。

规范里有一段 FDE 必须读的安全条款，因为它直接对应你在客户现场要回答的问题：

「工具描述本身应被视为不可信，除非来自可信的服务器。」（MCP 规范，Security and Trust & Safety 一节）

也就是说，接入第三方 MCP server 等于让别人往你的模型上下文里写字。在企业现场，这件事要走的是采购与安全审查流程，不是开发者自己装一个就完事。相关的现场做法见 ../05-practice/security-procurement-legal.md。

MCP 对 FDE 意味着什么 ​

这是 FDE 这个岗位在工具层最直接的受益点。 在 MCP 之前，「把 agent 接到客户的 Jira / 数据库 / 内部 API」是每个项目从零写一遍的集成活；现在它变成了「找一个现成 server，或者写一个 server 一次、所有客户端都能用」。

实际交付里的三条经验：

  1. 自己写 server 比想象中简单，但边界设计不简单。 难的不是把 API 包成工具，是决定暴露哪些工具、每个工具的粒度多大。工具太细，模型要调十次；工具太粗，模型控制不住。
  2. 给客户交付时，MCP server 是很好的交付边界。 你交一个 server + 一份工具清单，客户换 agent 宿主（从 Claude Code 换成他们自己的应用）不用重做集成。这是把「一次性项目」变成「可复用资产」的一个具体抓手。
  3. 不要一次接十个 server。 工具太多会挤占上下文并降低选择准确率。先接两三个真正用得上的。

A2A 与其他互操作协议 ​

Agent2Agent（A2A） 由 Google 于 2025 年发起，目标是让不同厂商的 agent 之间互相发现和协作（对比之下 MCP 解决的是 agent 与工具之间）。仓库 a2aproject/A2A 25,644 ★，Apache 2.0，最近提交 2026-09-04，项目已在 Linux Foundation 下治理。

怎么看这两者的关系：MCP 是「agent 怎么用工具」，A2A 是「agent 怎么找别的 agent 干活」。截至 2026 年 9 月，MCP 的落地密度明显高于 A2A——前者的服务器仓库有 9 万 star，后者 2.5 万，且实际企业现场遇到 A2A 需求的频率远低于 MCP。在客户面前，先把 MCP 讲清楚就够了。

六、多 agent 编排：三种主流形态 ​

「多 agent」在 2026 年已经不是新鲜概念，但现场用对的不多。三种成熟形态：

形态长什么样什么时候用代表实现
主从 / subagent一个主 agent 派专职子 agent 去做有边界的子任务，子 agent 的中间过程不污染主上下文任务可以切成独立子块、且子块产生大量中间内容（调研、批量读文件）Claude Agent SDK 的 subagents
交接 / handoffagent 之间平级传递控制权，谁接手谁负责到底分诊类流程：先判断类型，再交给对应专家OpenAI Agents SDK 的 handoffs
图 / 状态机显式定义节点与转移，带检查点和人在环长流程、有回退、要能中断恢复、要审批LangGraph

用多 agent 之前先问三个问题：

  1. 这个任务用单 agent 加好一点的提示词能不能做？（大多数时候能）
  2. 多出来的这个 agent 解决的是上下文太长的问题，还是职责太杂的问题？如果两个都不是，它就是多余的。
  3. 调试成本你付得起吗？多 agent 系统出错时，定位「是哪一个 agent 在哪一步判断错了」的成本是单 agent 的数倍，而客户现场通常没有那么多调试时间。

Anthropic 官方在《Building Effective Agents》里给的判断同样适用：先用最简单的组合模式，只有在任务确实开放、需要模型自己规划步骤时才上 agent。

七、给 FDE 的三套开箱组合 ​

场景组合理由
客户不能连外网、要私有化Cline / OpenHands（编码）+ 自己写循环或 LangGraph（框架）+ Dify 或 RAGFlow 自托管（平台）+ 自托管 Langfuse（观测）全链路可离线，许可证可控
一周内要出一个能演示的东西Claude Code（编码）+ Claude Agent SDK 或 CrewAI（框架）+ 不上平台最短路径，先证明这事能做
交付物要让客户的人自己维护Dify / Coze / n8n（平台为主）+ 少量自定义 MCP server 补齐系统集成可维护性 > 优雅性。客户运维不动的东西，写得再好也是负资产

延伸阅读 ​

来源 ​

  1. GitHub REST API，star 数、最近提交日期、许可证字段，拉取于 2026-09-06（本页所有 ★ 与提交日期）
  2. Anthropic, Claude 订阅定价，https://claude.com/pricing，核实 2026-09-06
  3. Anthropic, Claude Agent SDK 概览，https://code.claude.com/docs/en/agent-sdk/overview；迁移指南 https://code.claude.com/docs/en/agent-sdk/migration-guide；subagents https://code.claude.com/docs/en/agent-sdk/subagents
  4. Cursor 定价页，https://cursor.com/pricing，核实 2026-09-06（Pro $20/月、Teams $40/用户/月；更高档位本次抓取不稳定，未引用）
  5. OpenAI Codex 仓库，https://github.com/openai/codex；OpenAI Agents SDK，https://github.com/openai/openai-agents-python
  6. Google Gemini CLI，https://github.com/google-gemini/gemini-cli；Google ADK，https://github.com/google/adk-python
  7. Cline，https://github.com/cline/cline；OpenHands，https://github.com/OpenHands/OpenHands；Aider，https://github.com/Aider-AI/aider
  8. windsurf.com 于 2026-09-06 返回 308 永久重定向至 devin.ai/desktop（实测）
  9. LangGraph，https://github.com/langchain-ai/langgraph；LangChain，https://github.com/langchain-ai/langchain
  10. CrewAI，https://github.com/crewAIInc/crewAI
  11. Microsoft Agent Framework，https://github.com/microsoft/agent-framework；microsoft/autogen，https://github.com/microsoft/autogen；ag2ai/ag2，https://github.com/ag2ai/ag2
  12. Pydantic AI，https://github.com/pydantic/pydantic-ai；LlamaIndex，https://github.com/run-llama/llama_index
  13. Dify 定价页，https://dify.ai/pricing，核实 2026-09-06；仓库 https://github.com/langgenius/dify
  14. n8n 定价页，https://n8n.io/pricing/，核实 2026-09-06；仓库 https://github.com/n8n-io/n8n
  15. Coze 开源仓库，https://github.com/coze-dev/coze-studio、https://github.com/coze-dev/coze-loop
  16. BISHENG，https://github.com/dataelement/bisheng；RAGFlow，https://github.com/infiniflow/ragflow；FastGPT，https://github.com/labring/FastGPT；MaxKB，https://github.com/1Panel-dev/MaxKB；Langflow，https://github.com/langflow-ai/langflow；Flowise（已归档），https://github.com/FlowiseAI/Flowise
  17. Model Context Protocol 规范（版本 2026-07-28），https://modelcontextprotocol.io/specification/latest，核实 2026-09-06；服务器仓库 https://github.com/modelcontextprotocol/servers；规范仓库 https://github.com/modelcontextprotocol/modelcontextprotocol
  18. A2A 协议仓库，https://github.com/a2aproject/A2A
  19. Anthropic,《Building Effective Agents》，2024-12-19，https://www.anthropic.com/engineering/building-effective-agents

内容采用 CC BY 4.0 许可，商用请注明出处。欢迎 投稿与纠错。

© 2026 FDE Wiki · 维护者任鑫（公众号「AI 炼金术」）