幾個 Agentic AI Frameworks 的主要特性： No Framework / MCP * 直接呼叫 LLM API，對整體流程與行為有完全掌控權。 * 適合需要高度客製化、或想深入理解 agent 運作機制的場景。 * 透過 MCP（Model Context Protocol），可讓 LLM 存取外部資料、呼叫其他 API、執行工具，理論上能完成任何自動化任務。 OpenAI Agents SDK * 官方提供的 agent 開發框架，與 OpenAI 生態系整合度高。 * 封裝了常見的 agent 模式（tools、memory、planning 等），在彈性與開發效率之間取得平衡。 * 適合希望快速落地、又不想完全自己造輪子的情境。 CrewAI * 偏向 Low-code 的 agent framework。 * 透過 YAML 設定即可定義角色、任務與協作流程。 * 上手快，適合 PoC 或多 agent 協作概念驗證，但在深度客製上相對受限。 LangGraph / AutoGen * 提供更完整的 agent workflow 與互動模型，能處理較複雜的推理與協作場景。 * 學習曲線較高、整體複雜度高，且容易受限於各自的 ecosystem。 * 相對不那麼「直接」操作 LLM，抽象層較多，適合大型或高度結構化的系統。 幾個 Agentic AI Frameworks 的優缺點： No Framework / MCP Pros * 完全掌控流程與行為，彈性最高 * 可直接 access LLM 與工具，沒有抽象層限制 * 適合高度客製、效能敏感或想「真的懂 agent」的場景 Cons * 開發成本高，所有東西都要自己來 * 容易重複造輪子（memory、planning、retry…） * 對工程能力與系統設計要求高 OpenAI Agents SDK Pros * 官方支援，與 OpenAI 生態系整合度高 * 封裝常見 agent 能力，開發效率佳 * 在彈性與便利性之間取得不錯的平衡 Cons * 架構仍有一定 opinionated 設計 * 深度客製時可能會碰到邊界 * 對非 OpenAI 模型的支援較有限 CrewAI Pros * Low-code，上手快 * YAML 定義角色與任務，適合快速 PoC * 多 agent 協作概念清楚 Cons * 客製化能力有限 * 不適合複雜流程或高彈性需求 * 長期維護與擴充性需評估 LangGraph / AutoGen Pros * 可處理複雜 workflow 與多 agent 互動 * 適合大型、結構化的 agent 系統 * 理論完整、功能強大 Cons * 學習曲線高、心智負擔重 * 容易被 ecosystem 綁住 * 抽象層多，較難直接掌控 LLM 行為 參考資料： AI Engineer Agentic Track: The Complete Agent and MCP Course, Ed Donner P.S. 文字潤飾與內容補完，透過 ChatGPT 協助完成
