Agent框架怎么选:用三条硬约束筛,别在LangGraph和Codex之间二选一
面对LangGraph、DSH、Codex等六个主流Agent框架,很多开发者陷入“谁更好”的误区。本文提出12维对比法,强调✅/⚠/❌是工程行动信号而非评分。通过模型兼容、默认沙箱、本地形态三条硬约束先筛后评,主张跨框架分层组合:DSH作运行时,LangGraph提供流程表达,Codex贡献沙箱设计。附带决策矩阵代码
选Agent框架时,别一上来就问“哪个最好”,先搞清楚自己的场景到底缺什么。
在AI Agent的工程落地中,选型往往是最让人头疼的一环。市面上LangGraph、DSH、
Codex、Claude Code、Hermes、OpenClaw等框架层出不穷,每篇评测文章都在罗列功能列表,最后给出一个模糊的“推荐指数”。但真正动手写代码时,你会发现这些“高分”框架在你的具体业务里处处碰壁:要么沙箱没默认开,要么模型绑定太死,要么根本没法作为本地服务常驻。
我们容易犯的一个错误是把选型当成考试,试图找出一个满分答案。但工程现实是,没有全能选手,只有“你能接受哪些缺口”。
这篇内容不是另一份排行榜,而是一套可执行的筛选逻辑。六个主流框架会被放进同一张12维表中,重点不在打分,而在于怎么读懂表里的符号、怎么用三条“一票否决”的硬约束快速缩小范围,以及为什么最终的架构往往是“分工组合”而不是“二选一”。
读表方法:✅ / ⚠ / ❌ 是行动信号,不是分数
大多数横向对比表最大的误导,在于把✅、⚠、❌当成“好、中、差”的评分。放到工程选型里,这三个符号代表的是不同的行动成本。
- ✅ 做得好且可直接用:功能默认可用、工程闭环完整,不需要你额外补大块代码。Codex的三层沙箱、Claude Code的权限规则,拿来就能跑。
- ⚠ 可用但要补:框架给了基础能力,缺规则、缺默认值或缺闭环,你得投入工程资源去补齐。DSH的三档权限机制就是一例,基础是有的,但规则和记忆逻辑要自己补。
- 与需求不兼容或直接冲突:问题不在框架本身做得糙,而是放到你的产品形态里根本用不上。LangGraph 并未自带沙箱,一旦你需要在本机终端里执行命令,这个缺口就只能靠外接方案补上。
看到❌时,不要急着淘汰,先问一句:这个❌是“它做不到”,还是“它不为我的场景做”?
LangGraph 之所以不带沙箱,原因在于它的定位就是图运行时库,底层执行隔离不归它管;解决办法要么外接一个沙箱,要么把它塞进 DSH 这类底座里。Codex 只认自家的 Responses API,因为它从一开始就没打算兼容多模型;想靠改几行代码绕过去不现实,对追求“模型任意”的底座来说这是硬性冲突。Hermes 默认不做隔离,源于其产品假设里没这个需要;它的审批设计可以留着,但执行环节要挪进沙箱。
理解这一点,才能避免跨类别比较的错误。LangGraph是图运行时库,DSH是可组合底座,而Codex、Claude Code等是成品Agent。拿库的灵活性去比成品的完成度,结论一定是错的。
12维对比:四组维度看清框架底色
为了系统化评估,我们将12个关键维度分为四组:运行时、安全、能力、平台。每一组都对应着Agent落地的不同层面。
运行时组:怎么跑
- Agent Loop(循环结构):重点有两处,循环结构能否按业务来定义,以及运行过程中能不能把输入插进去。结构定义上 LangGraph 很能打,工程化落地则是 DSH 更占优。常见的坑在于把“能跑 ReAct”当成“循环可定义”,其实前者只是一种模式,后者才算真本事。
- 固定流程与调度:要问的是固定流程谁说了算、中断之后怎么接上,还有定时器放在哪、错过了如何补救。流程定义这块 LangGraph 有优势,调度机制上 OpenClaw 另有长处。得留神:不少开源版本压根没有 cron,设计时却按有 cron 来考虑,隐患就此埋下。
- 上下文管理:涵盖三件事,进窗口前按需加载、进窗口后低成本清理,以及窗口之外的工作记忆。Claude Code 的三层上下文、OpenClaw 的分层处理,都做得比较到位。长会话之所以崩掉,多半是因为只做摘要,既不落盘也没有工作记忆。
安全组:谁能做什么
- 沙箱:必须是OS级、默认开启、fail-closed(失败即关闭),且覆盖shell、代码、MCP子进程并管理网络。Codex的三层沙箱和Claude的srt是标杆。把Docker选项当作默认沙箱是常见的认知偏差。
- 权限与企业策略:要看有没有模式、规则和审批记忆,还要看企业能不能统一下发、且用户改不掉。Claude Code 的规则、Codex 的企业约束都相对完整。光有审批回调,缺了顺序和记忆,安全闭环就搭不起来。
能力组:会做什么
- 规划与技能:已知任务按技能步骤走,未知任务才动态规划。关注技能怎么发现、何时加载、能否从执行中沉淀。Claude Code的SKILL.md和OpenClaw的内置技能体系值得参考。只有todo列表而没有技能体系,会导致Agent效率低下。
- 子Agent扇出:隔离、只回摘要、并发与深度设上限、支持后台跑,这几条都得满足。Codex 和 Claude 的后台限额、OpenClaw 的上报链机制都比较成熟。只抛出原语、不管并发和回执,资源很容易失控。
- 工具和资源这块,要看工具定义、MCP 支持、本地数据理解以及记忆沉淀。DSH 在工具定义加 MCP 上的表现、Claude 的技能目录都还不错。问题是工具一多、读取粒度又粗,上下文很容易被撑爆。
平台组:交付方式怎么定
- 会话与审计方面,得先弄清事实源是什么,崩溃恢复、分叉、可回放是否具备。DSH 把日志直接当审计用,Codex 的 jsonl 加索引机制也相对可靠。只存快照、审计另存一套,运维复杂度会往上走。
- 模型适配看两点:能不能接任意 OpenAI 兼容端点,对国产模型有没有兼容与修复层。DSH 的任意端点支持、OpenClaw 的修复层都是亮点。一旦绑死一家模型,成本和合规就都没了退路。
- 扩展与装配,要能加功能、换实现,还得知道有没有装全。DSH 的装配系统是这几家里最完整的。配置项堆了一堆却没有依赖检查,扩展起来就是噩梦。
- 本地形态与许可:能不能作为本机常驻进程、被自有客户端驱动,体量能不能接受,许可是否允许分发。DSH 的形态匹配得比较好。体量过大或许可不允许分发,产品就没法嵌进去。
三条硬约束:先筛一遍,再谈评分
正式打分之前,先用三条硬约束做一票否决。这三条底线,决定一个框架能不能进你的候选池。
- 第一条是模型任意兼容:能接任意 OpenAI 兼容端点,最好再对国产模型有兼容与修复层。做不到的话,成本、合规、可用性全都没有退路。Codex(仅 Responses)和 Claude SDK(仅 Claude)就卡在这一项。
- 第二条是沙箱默认开启且 per-command:不是“给个 Docker 选项”就算数,要默认开、每条命令都隔离、失败即关闭。本地终端上,这是底线。Hermes(默认不隔离)和 OpenClaw(容器沙箱默认关)这一项要警惕,要么自己接沙箱,要么接受风险。
- 再看本地运行这块,得同时满足三点:一是能以常驻进程的形式跑在本机、由自家客户端来调用;二是体量得压得住;三是许可证要跟你的分发方式对得上。OpenClaw 输在体量太大,Claude SDK 卡在许可不可行,这一项上两者都被刷掉。
硬约束筛完,LangGraph 和 DSH 进入后面的评分环节。这不代表其他框架没用,只是它们的角色变了。
组合方案:一个 Harness,两种形态
选型走到最后,不是二选一,而是分工组合。思路是搭一个 Harness 作底座,不同层级各用最合适的框架组件。
- 运行时底座选 DSH。理由是其插件化、装配能力强、默认沙箱、会话日志完整。风险是 alpha 版本可能出现 breaking changes,得锁版本、做回归测试。
- 流程层借鉴 LangGraph 的图思想。它的代码定义、可恢复、人工确认这些优势可以用上,但不拿它当运行时,而是把固定流程迁成 DSH 插件。
- 沙箱借用 Codex 的三层沙箱加 srt provider,把策略、平台变换、执行器分开实现。逃逸测试矩阵要自建,并在三个平台上验证。
- 权限结合 Claude Code 规则和 Codex 企业约束来做:顺序固定、规则可测、企业不可覆盖。落地放在插件层,企业 deny 走双通道。
- Hooks 统一两家的 12 事件契约。输入输出统一之后,可以改参、注入、阻断。监听链和 guard 放在进程内,进程外脚本只做兼容。
- 审批体验参考 Hermes 的审批楼层加 Guardian,做出层级、记忆、无人值守。它默认不隔离的设计不照抄。
- 上下文采用 OpenClaw 四接口,先刷写再压缩。长会话才能稳住,关键事实不会丢。另外加上 token 预算和保护标记。
- 调度用 OpenClaw 的 SQLite 加补跑加心跳。重启不丢、错过能补。幂等和补跑上限得自己实现。
- 工具基于 MCP(本地加服务端)。工具逻辑不动,按能力域迁移。读取粒度、审批档位、本地数据不出机这几点要留意。
这套组合难的不是技术,是边界。每加一层,都要说清它管什么、不管什么:DSH 管运行时,不管业务图;LangGraph 管流程,不管沙箱;Codex / Claude Code 只借设计,不借运行时。边界写明白,组合才不至于变成“缝合怪”。
决策记录:让选型过程能复盘
想避开“权重拍脑袋、分数很精确、结论很脆弱”这种局面,可以引入两个工程化手段:权重敏感性分析和 ADR(架构决策记录)。
权重敏感性分析怎么做
具体做法是跑蒙特卡洛模拟:给每个维度的权重随机扰动,跑几百轮,统计第一名出现的频率。两个方案的 Top1 频率要是咬得很近,就说明结论对权重高度敏感,此时要么补证据,要么把争议维度升级成硬约束。反过来,某个方案在 90% 以上的场景里都赢,结论就比较稳。
"""权重敏感性:随机扰动权重,统计 Top1 出现的频率。"""
import random
from collections import Counter
def random_weights(keys, rng):
return {key: round(rng.uniform(0.5, 2.0), 3) for key in keys}
def monte_carlo(candidates, keys, rounds=200, seed=7):
rng = random.Random(seed)
wins = Counter()
for _ in range(rounds):
# 假设 evaluate 函数已实现,返回排序结果
rows = evaluate(candidates, random_weights(keys, rng))
if rows:
wins[rows[0]["name"]] += 1
total = sum(wins.values()) or 1
return {name: round(count / total, 3) for name, count in wins.most_common()}ADR 决策记录
选型报告最容易漏掉的往往不是“选了谁”,而是“为什么没选谁”。建议每次选型都留一份 ADR,把背景、硬约束、权重、证据、淘汰原因、敏感性分析和复盘点都写进去。
"""生成 Markdown 选型报告:结论 + 证据 + 权重备注。"""
from dataclasses import dataclass, field
@dataclass
class DecisionRecord:
framework: str
verdict: str
reason: str
evidence: str
weight_note: str = ""
@dataclass
class Report:
title: str
records: list = field(default_factory=list)
def add(self, record: DecisionRecord) -> None:
self.records.append(record)
def to_markdown(self) -> str:
lines = [f"# {self.title}", "", "## 结论", ""]
for record in self.records:
lines.append(f"- **{record.framework}**:{record.verdict}。{record.reason}")
lines.extend(["", "## 证据与权重", ""])
lines.append("| 框架 | 结论 | 原因 | 证据 | 权重备注 |")
lines.append("| --- | --- | --- | --- | --- |")
for record in self.records:
lines.append(
f"| {record.framework} | {record.verdict} | {record.reason} | "
f"{record.evidence} | {record.weight_note} |"
)
return "\n".join(lines)这份报告不求好看,只求“半年后还能看懂”。其中“证据”和“权重备注”两列尤其关键,它们能帮你分清哪些是“当时的事实”,哪些是“当时的判断”。
实战避坑:横向对比最容易犯的八个错
- 把 ✅ 当分数:没有区分“有”和“默认可用”。应对办法是追问一句:这个 ✅ 还要补多少工程?
- 跨类别比较:拿 LangGraph 去比 Codex。应对办法是先分类,再比较。
- 加权平均淘汰硬约束:没有先筛后评。应对办法是硬约束一票否决,然后再评分。
- 只看文档不做实验:文档写着“支持”,不代表你的场景就能用。应对办法是给每个候选做一个最小验证。
- 忽略许可与体量:选完才发现不能分发。应对办法是把许可、体量列为硬约束。
- 以为只能选一个:把不同层的东西当成竞品。应对办法是运行时、流程、设计借鉴可以组合使用。
- 没记录淘汰原因:半年后无法复盘。应对办法是每个淘汰项都写清“原因 + 证据”。
- 权重拍脑袋:结论对权重高度敏感。应对办法是蒙特卡洛跑 200 轮,看 Top1 频率。
结语
挑 Agent 框架这件事,本来就没有放之四海皆准的答案,能对上你眼下所处阶段、契合产品形态的,就是最优解。按“先分类,再硬筛,后评分,做敏感性,最后组合”这套流程走一遍,看上去乱糟糟的框架市场也就理出了头绪。
以后碰上新的框架或技术栈,可以先抛给自己三个问题:它归到哪一类?你的哪条硬约束它能满足?它的短板是压根没做,还是本来就不想做?拿这三问做判断,比看任何排行榜都管用,向团队解释起选择理由来也更省劲。
定下选型只算开了个头,后面要在选好的底座上把 Agent 应用搭得稳。这就得往深里摸清插件模型、装配系统、会话日志、工具流水线这些内部机制。