练习 1：同一个 agent、两个 framework（LangGraph + CrewAI）

🎓 学习模式：这份 starter.py 是完整解答、不是 TODO skeleton。建议用主动模式——mv starter.py starter_reference.py、看 signature 不看 body、自己重写一份 starter.py、跑 python test.py 验证；卡 20 分钟再回去对照 reference。完整方法论看 docs/HOW_TO_USE.md。

📚 想要 chapter-length 深入版？ 本 folder 的 starter 是 illustrative 版、聚焦核心 pattern + 两条 SDK path，不是进阶深度教材。深度教材推荐：

datawhalechina/hello-agents ⭐ 中文圈最完整、章节式 + 16 种 production 能力。本练习对应 hello-agents 的 framework 对照 / orchestration 章节

LangGraph Quickstart + CrewAI 官方 docs

完整 references 见 Stage 4 精选 Projects

#任务

最简单的 search + summarize agent：

给一个 query（譬如“summarize Taipei”）
Agent 用 search tool 拿 knowledge base 数据
LLM 把 search result 摘成 1-2 句

用 LangGraph 跟 CrewAI 各做一次、比较风格差异。

#怎么跑 — 两条路径 + 两个 framework

#Path A（默认、本机免费）

pip install -r requirements.txt
ollama pull qwen2.5:3b
ollama serve

python starter.py         # LangGraph + Ollama
python starter_crewai.py  # CrewAI + Ollama（对照）

预算：$0。

#Path B（Anthropic、想看 cloud 高质量）

pip install -r requirements.txt
export ANTHROPIC_API_KEY=sk-ant-...
python starter_anthropic.py   # LangGraph + Claude

预算：每次 ≈ $0.001（claude-haiku-4-5）。

#不花钱验证程序逻辑（mock-based）

python test.py             # LangGraph + mock LLM
python test_anthropic.py   # starter_anthropic 可载入 + ChatAnthropic 可构造
python test_crewai.py      # CrewAI tool 逻辑 + 模块可载入

#两个 framework 的并排比较

维度	LangGraph	CrewAI
核心抽象	`StateGraph` + node + edge	`Agent` + `Task` + `Crew`
思考方式	“状态怎么流动”	“角色怎么分工”
Loop 控制	显式 conditional edge	隐藏在 `Crew.kickoff()` 里
程序码行数（这题）	~50 行	~25 行
Debug 路径	看 graph state、可 time-travel	看 verbose log、不容易 step
适合场景	复杂分支、production、需要 audit	多 agent 雏形、role-based 任务
学习曲线	中-高	低

#LangGraph 风格（精简）

g = StateGraph(State)
g.add_node("agent", agent_node)
g.add_node("tools", tool_node)
g.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END})
g.add_edge("tools", "agent")

“我要显式地告诉系统：状态长这样、节点互相连这样、条件分支看 should_continue。”

#CrewAI 风格（精简）

researcher = Agent(role="Researcher", goal="...", tools=[search], llm=MODEL)
task = Task(description=query, expected_output="...", agent=researcher)
crew = Crew(agents=[researcher], tasks=[task])
crew.kickoff()

“我要描述：这个角色是谁、要完成什么任务、有什么工具。框架自己决定怎么跑。”

#观察重点

抽象代价：CrewAI 隐藏的多、写得少；要 debug 时 stack 比较深
小 model 友善度：LangGraph 对 qwen2.5:3b 较稳；CrewAI 可能让小 model 多绕几步（因为 prompt 比较复杂）
可控性：LangGraph 你能看到每个 state 变化；CrewAI 偏向“结果导向”
何时选哪个：production 级 / 需要 audit → LangGraph。多 agent 雏形 / role-based → CrewAI

#常见坑

LangGraph bind_tools：要 llm.bind_tools([search]) 才会把 tool schema 给 LLM。没 bind 模型就不知道 tool 存在
CrewAI LLM 设定：要靠 LiteLLM 格式（譬如 "ollama/qwen2.5:3b"、不是 "qwen2.5:3b"）。错一个字 framework 不会 raise、会直接连到 OpenAI 预设
CrewAI 结果类型：crew.kickoff() 回 CrewOutput 对象、str(result) 拿文字。直接 print(result) 有可能拿到 repr

#想看更聪明的答案？

MODEL=claude-sonnet-5 python starter_anthropic.py    # 更稳
MODEL=qwen2.5:7b python starter.py                      # 大本机 model

#延伸

改成 streaming：LangGraph graph.stream(...) 边跑边看 state、CrewAI crew.kickoff(stream=True)
加 checkpointing：LangGraph 加 MemorySaver 就能 time-travel debug
加 human-in-the-loop：练习 3 会做