langcrew
站在 LangGraph 肩膀上，融合 CrewAI 易用理念的企业级多 Agent 开发框架
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
站在 LangGraph 肩膀上，融合 CrewAI 易用理念的企业级多 Agent 开发框架
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象你是一家科技公司的 HR 总监。每年校招季，你需要处理上千份简历——筛选学历、匹配技能、评估项目经验、预约面试。传统做法是雇一队实习生通宵加班；但 AI 时代，你希望能用 AI Agent 来自动化这个流程：研究员 Agent 负责阅读简历、提取关键信息，评估师 Agent 负责打分排序，文案 Agent 负责生成个性化的面试邀请。
但现实很骨感：要么你得从 LangGraph 的底层状态机开始手写协调逻辑，要么你用了 CrewAI 却发现缺少企业级特性——没有人工介入审批流程，没有完整的 Web 可视化界面，没有多层记忆系统。
LangCrew 正是为解决这个痛点而生：它站在 LangGraph 的工程能力之上，融合了 CrewAI 的易用理念，提供了开箱即用的企业级多 Agent 协作框架。
2024 年起，AI Agent 成为大模型落地最重要的方向之一。从 LangGraph 到 CrewAI，从 AutoGPT 到 MetaGPT，业界涌现了大量 Agent 开发框架。但这些框架普遍存在一个尴尬的现实：简单的不够用，强大的门槛高。
LangGraph 提供了最底层的状态机编排能力，灵活性拉满，但开发者需要自己处理状态流转、记忆管理、工具注册、HITL（Human-in-the-Loop）等工程细节。CrewAI 降低了使用门槛，但它最初并非基于 LangGraph 构建，在生产级特性（如复杂记忆层级、审批工作流、完整前端界面）上存在明显短板。
LangCrew 试图成为两者的「最优解」：既有 CrewAI 的直觉式 API 设计（Agent / Task / Crew 三要素），又能在底层享受 LangGraph 全部能力，同时自带 React 全栈前端、Agent-UI 可视化协议和多层记忆系统，让团队从写 Demo 快速跨越到生产交付。
LangCrew 的架构分为三个层次，每一层服务于不同角色的用户。
libs/langcrew/）这是 LangCrew 的心脏，通过 Agent、Task、Crew 三个核心类提供多 Agent 编排能力。底层基于 LangGraph 构建状态机，支持顺序执行、条件路由和并行分发三种工作流模式。
核心 Python 模块包括：
from langcrew import Agent, Task, Crew
from langchain_openai import ChatOpenAI
researcher = Agent(
role="Research Analyst",
goal="Find and analyze information",
backstory="You excel at finding key information",
llm=ChatOpenAI(model="gpt-4o")
)
crew = Crew(agents=[researcher, writer], tasks=[...])
result = crew.kickoff(inputs={"topic": "AI agents"})
libs/langcrew-tools/）LangCrew 不仅是一个框架，它还自带生产级工具集，包括：
web/）这是 LangCrew 区别于纯后端框架的核心优势之一。它提供了完整的 React 前端：
前端通过 Agent-UI 协议实时展示 Agent 的规划、执行和工具调用全过程，让非技术人员也能理解 AI 在做什么。
LangCrew 不只是框架，它还内置了可直接部署的行业模板：
| 场景 | 说明 |
|---|---|
| 招聘系统 (recruitment) | 多 Agent 协同筛选简历、匹配岗位、生成评估报告 |
| 营销策略 (marketing-strategy) | 活动策划自动化，AI 批量生成多渠道营销内容 |
| 游戏开发 (game-builder-crew) | AI 内容生成管线，支持游戏剧情和角色设定 |
| 旅行规划 (surprise-trip) | 智能行程规划，基于用户偏好生成旅行方案 |
| JD 生成 (job-posting) | 自动化职位描述生成和优化 |
路径一：本地开发（推荐尝鲜）
curl -LsSf https://astral.sh/uv/install.sh | sh
git clone https://github.com/01-ai/langcrew.git
cd langcrew
export OPENAI_API_KEY=sk-xxx
# 或使用 Anthropic / DashScope
cd examples/components/web/web_chat && uv run run_server.py
# 新终端：cd langcrew/web && pnpm install && pnpm dev
路径二：Docker 容器化部署
examples/components/web/web_chat/Dockerfile 采用三阶段构建：
web/ 目录，运行 pnpm buildREADME 中声称支持 docker compose up --build，但实际上根目录没有 docker-compose.yml，用户需要自行编写。这是一个体验上的小缺憾。
硬件需求：由于 LangCrew 主要是调用 LLM API（OpenAI/Anthropic/阿里通义等），不需要本地 GPU。最低配置 8GB RAM 即可流畅运行。
LangCrew 的依赖关系清晰体现了其技术选型：
| 层级 | 技术 | 作用 |
|---|---|---|
| LLM 调用 | LangChain-core, langchain-openai, langchain-anthropic, google-genai | 统一 LLM 接口 |
| 工作流编排 | LangGraph, langgraph-supervisor | 状态机 + 多 Agent 协调 |
| 记忆管理 | langmem, langgraph-checkpoint-sqlite | 短/长期记忆 + 向量检索 |
| 工具协议 | MCP (Model Context Protocol), langchain-mcp-adapters | 标准化 Agent 工具扩展 |
| Agent 框架 | CrewAI（限定版本 <0.150.0） | 参考 CrewAI 的 API 设计理念 |
| Web 框架 | FastAPI + Uvicorn | 异步 API 服务 |
| 前端 | React 18 + TailwindCSS + Ant Design | 可视化界面 |
LangCrew 实现了 三层记忆架构：
可选后端覆盖 Redis、MongoDB、MySQL、PostgreSQL 四大主流数据库。
这是 LangCrew 的差异化亮点：内置审批工作流，Agent 在关键决策点可以暂停等待人工确认，支持异步反馈。这对于金融、医疗、法律等强监管场景至关重要。
坦诚地说，LangCrew 也有一些不可忽视的局限：
crewai<0.150.0 的硬限制意味着无法使用最新的 CrewAI 特性，且存在版本冲突风险LangCrew 的出现代表着 AI Agent 框架演进的一个重要方向：从底层框架到完整产品栈的垂直整合。它不再只是一个 Python 库，而是包含了框架 + 工具 + 前端 + 模板的完整解决方案。
从 GitHub 数据来看，项目由零一万物（01-ai）主导创建，最后更新于 2026 年 7 月，仍在活跃维护中。其 open-agentkit 组织架构（LangCrew 是其中一部分）显示了更大的野心——打造类似 LangChain 的 AI 应用开发生态。
本报告基于 GitHub 仓库 01-ai/langcrew 公开信息生成。数据采集时间：2026-08-04。