1. LangChain
   干什么：把“外部 API + 向量库 + LLM”用链条（Chain）和记忆（Memory）串成可复用模板。
   适用：需要多步推理、调用外部工具（搜索、计算器、数据库）的问答或自动化流程。
   优点：组件最全，社区最大，Python/JS/Java 三端都有。
   缺点：抽象层厚重，版本更新快，API 常 Breaking；生产调试链式调用堆栈很痛苦。

2. LlamaIndex（原 GPT Index）
   干什么：专注“把私域文档塞进 LLM”——索引、检索、重排一条龙，主打 RAG（Retrieval-Augmented Generation）。
   适用：企业知识库、政策手册、论文问答等“文档即答案”场景。
   优点：内置 40+ 索引策略（树、图、关键词、向量混合），一句query_engine.query()就能用。
   缺点：重检索轻推理，多跳逻辑或需要外部 API 时不如 LangChain 灵活；Java 生态尚弱。

3. AutoGPT / AgentGPT
   干什么：给 LLM 一个“目标”，让它自己拆任务 → 搜索 → 写代码 → 循环执行，直到认为完成。
   适用：脑洞研究、竞品调研、写自动化报告等“能容忍慢+贵”的探索性任务。
   优点：几乎零人工干预，真·自主智能体。
   缺点：Token 消耗黑洞，容易陷入死循环；成功率低，生产慎用。

4. Microsoft Guidance（前称 Guidance，.NET 阵营）
   干什么：用“模板 + 约束”精准控制生成格式，保证 JSON/正则/语法 100 % 合规。
   适用：需要稳定输出结构化数据（表单、配置、SQL、JSON Schema）的后台服务。
   优点：模板语法直观，支持“中途执行 Python 代码”做逻辑判断；与 Azure OpenAI 深度集成。
   缺点：仅 .NET/Python，社区比 LangChain 小；复杂流程仍需自己拼并发。

5. Hugging Face Transformers Agents
   干什么：在 HF 生态里让你“一句话调用 10 多个专家模型”——文生图、目标检测、TTS、翻译组合完成复杂任务。
   适用：多模态 demo、快速验证“用多个小模型能不能解决大问题”。
   优点：背靠 HF Hub，模型即插即用，代码量极少。
   缺点：依赖 HuggingFace 推理端点，网络延迟大；生产级并发、缓存、监控都要自己再包一层。

一张图看懂怎么选

记住口诀：
“链式用 LangChain，文档用 Llama，自驱用 Auto，结构用 Guidance，多模态用 HF。”