AI 應用開發框架怎麼選？AutoGen vs LangChain vs LlamaIndex 對比指南

把它們當成三選一的競爭對手，可能是你踩的第一個坑

到底該先學哪一個？這大概是想動手做 LLM 應用的人，最早卡住的地方之一。打開社群論壇，AutoGen、LangChain、LlamaIndex 三個名字輪流出現，不同教學各自推薦不同的起手工具，看完只覺得更亂。

會亂，是因為一開始就用錯了問法。這三個被放在同一張比較圖上，好像是同一種東西的三個牌子，你只要挑一個最強的就好。但只要真的去翻它們各自的官方文件，就會發現它們解決的問題其實不太一樣——硬要分高下，就像問「螺絲起子、電鑽和水平儀哪個最好」，答案永遠是「看你要做什麼」。

所以這篇不打算給你一個「第一名」。我把它整理成一條決策順序：三個問題，依序問過一遍，幫你對照自己的專案，釐清該從哪個開始。下面每一步對應一個工具的核心定位，你邊看邊對照自己的專案就行。

第一步：先問「需不需要好幾個 AI 分工合作」

AutoGen 是由 Microsoft 開源的框架，設計取向很明確——讓多個「代理（agent）」互相對話、分工，把一個複雜任務拆給不同角色去處理。你可以想像成：一個代理負責寫程式、一個負責審查、一個負責執行結果並回報，它們之間會來回討論，直到把任務推進到完成。這種「多代理協作」與「自動產生並執行程式碼」的能力，是它文件裡放在最前面強調的東西（詳見 AutoGen 官方 GitHub）。

什麼樣的人會需要它？假設你是一個想做「自動化研究助理」的工程師：使用者丟一個題目，你希望系統能自己拆解、去查資料、寫出分析程式、跑一遍、發現錯誤再修正——這種需要「多個角色來回迭代」的多步驟工作流，正是 AutoGen 想接的場景。單一個大提示詞很難把這種來回討論的流程講清楚，改用多代理的結構去描述反而自然。

反過來說，如果你要做的只是「使用者問一句、模型答一句」的問答，那用多代理框架就是殺雞用牛刀——你會花大把時間去設定角色、對話規則、終止條件，換來的複雜度用不上。這一步的判斷很單純：你的任務是不是真的需要「好幾個 AI 互相討論、分工推進」？不是的話，直接跳到第二步。

第二步：再問「是不是想靠現成模組快速拼出一個原型」

LangChain 的定位比較像「膠水」與「零件箱」。它提供大量現成的串接模組：各種模型供應商、向量資料庫、外部工具、記憶（memory）、提示詞模板、Agent 迴圈……它的核心賣點是「把這些零件用一致的介面接起來」，讓你在它已提供整合的服務上，不必各寫一套對接程式。它同時支援 Python 與 JavaScript/TypeScript，官方網站在 langchain.com。

對想快速做原型的人，這種「零件多、接口統一」的特性很實用。假設你是接案開發者，客戶下週要看一個能連公司知識庫、又能呼叫幾個外部 API 的聊天原型——你不太可能每個環節都從頭刻。LangChain 這類框架的意義，就是讓你把現成模組拼一拼，先把能動的東西端出來再說。這條路不需要你自己重寫它已提供的整合，是流程上省下的步驟。

代價是概念多。LangChain 引入了 Chains、Agents、Tools、Memory、Retrievers 等一整套抽象。單看官方文件的目錄就知道要吃下的名詞不少——就這點來說，對只會一點 Python、只想快點做出東西的新手，我個人覺得它前期要理解的東西比另外兩個多一些。這是我看它的抽象層設計得出的主觀感受，不是說它比較差；零件多本來就是雙面刃，功能靈活，學習成本也跟著上去。想串接更外部的工具（例如讓模型呼叫函式）時，函式呼叫的觀念我在Claude 進階應用那篇整理過，可以搭著看。

第三步：最後問「瓶頸是不是卡在資料怎麼進模型」

LlamaIndex 的重心非常集中：把你自己的資料（文件、PDF、資料庫、網頁）整理成模型查得到的形式，也就是常被稱為 RAG（檢索增強生成）的管線。從載入資料、切塊、建立索引、到檢索與重排，它把這條「資料進模型」的路做成一套元件，官方站在 llamaindex.ai。它也因此被歸類成「知識密集型應用」的框架。

假設你是一家小公司的工程師，老闆丟給你一個需求：做一個能問「我們內部規章」「歷年合約」的問答工具，答案要根據公司文件、不能亂編。這個任務的難處不在對話，而在「怎麼把幾千份文件切好、存好、每次問問題時撈出最相關的段落」——這正是 LlamaIndex 想最佳化的環節。它在資料載入與檢索策略上提供多種現成選項，讓你不必自己從零搭一條檢索管線。背後的向量檢索原理，如果想補一下，可以看向量資料庫那篇。

把三步整理成一張表，方便你對照。先說清楚：這張表是給「正要決定第一個專案用哪個框架」的入門者整理的，欄位描述各自的側重與客觀功能，不打分、不排名；「較合用的場景」一欄是依左邊列出的設計取向推導出來的建議，不是客觀優劣。

再補一句關於「社群與學習曲線」。三個框架都有官方文件、範例專案與活躍的開源儲存庫，這點可以直接去各自的 GitHub 上看更新紀錄與 issue 討論，我不憑印象幫你排「誰的社群最大、誰更新最勤」——那種名次要有同期的客觀比較資料才站得住，這裡沒有，我就不編。能誠實說的是入門體感：LlamaIndex 因為目標窄，跟著它的教學走一條 RAG 出來相對好上手；LangChain 概念多、彈性也大，前期要記的名詞較多；AutoGen 則要你先理解「多代理對話」這個心智模型，沒有這類需求的人會覺得抽象。哪個「好學」，其實跟你要解的問題貼不貼合，關係比框架本身還大。

與其問哪個最好，不如先確定你想解決的是哪一種問題

把那三個問題再問自己一次——需不需要多個 AI 分工、想不想快速拼出一個原型、瓶頸是不是卡在資料進模型——這幾個問題是用來對照你手上的情況，幫你判斷該從哪個開始。框架沒有天生的贏家，只有跟你手上問題對不對得上；先把問題想清楚，選工具這件事往往就會單純一些。

常見問題

這三個可以一起用嗎，還是只能選一個？

可以一起用，因為它們的定位不衝突。一種做法是拿 LlamaIndex 專門負責資料載入、切塊與檢索這段，把它建好的檢索器接進 LangChain 的流程裡，讓 LangChain 去負責串接模型、工具與對話邏輯；LlamaIndex 官方文件本身也提供了與 LangChain 互通的整合方式。同理，如果你的系統核心是多代理協作，可以用 AutoGen 當骨架，再讓其中負責查資料的那個代理去呼叫一條 LlamaIndex 建好的檢索管線。所以「選一個」這個框架本身就有點誤導——它們更像分工的層，不是彼此排他的品牌。新手的建議是：先從你最主要的痛點對應的那一個開始學透，之後真的需要再把另一個接進來，不用一開始就想著要全部學會。

完全新手、只會一點 Python，該先從哪個下手？

先講依據：這是綁「入門、只會基礎 Python、想盡快看到成果」這個條件下的看法，不是說它客觀最好。以這個條件看，我會建議先從你手上最具體的那個小專案倒推。如果你連專案都還沒有、只是想摸摸看 LLM 應用長什麼樣，我個人會偏 LlamaIndex 起步——理由是它目標窄，官方教學能帶你用很少的程式碼跑出一個「問自己文件」的 demo，成就感來得快，概念也少。等你對「模型＋資料」這套流程有感覺了，再去碰 LangChain 那套較多的抽象會比較不痛苦。反過來，如果你的目標一開始就是要串很多外部服務、做互動比較複雜的原型，那直接學 LangChain 也合理，只是要有心理準備前期名詞比較多。AutoGen 我通常不建議完全新手當第一站，因為多代理的心智模型對還沒寫過基本 LLM 呼叫的人偏抽象。

要做公司內部文件問答系統，這三個怎麼選？

這個需求的核心是「根據我方私有文件回答、不要亂編」，瓶頸落在資料處理與檢索，所以就設計取向來說，LlamaIndex 這條路是對著這個需求設計的起點——它把載入各種格式文件、切塊、建索引、檢索與重排這一整串做成現成的元件，你不必自己從零搭檢索管線。如果之後你發現除了問答，還想讓系統能呼叫外部 API、接多個資料來源、或加上比較複雜的對話流程，那就把 LlamaIndex 負責的檢索接進 LangChain 的流程裡，兩者分工。AutoGen 在這個場景通常用不上，除非你的文件問答還要延伸成「多個代理各自查不同來源再彙整」這種進階需求。要提醒的是：框架只解決「怎麼把資料餵給模型」，答案準不準還牽涉你選的模型、切塊策略與文件品質，這些變因框架不會替你搞定。

這些框架要錢嗎，免費就能做完整個專案？

三個框架本體都是開源、可免費使用的，你把套件裝下來、寫程式串起來，這一層不需要付授權費。要花錢的通常是兩個地方。第一是背後的模型：不論你接的是雲端 LLM API 還是自己部署，運算成本跟框架無關，是另外算的——這部分我在AI 工具訂閱費用那篇有整理過各家的計費邏輯。第二是各自的商用／雲端加值服務：LangChain 團隊另有付費的觀測與部署服務，LlamaIndex 也有付費的雲端方案，這些是選用的加值服務，開源本體本身就能拿來開發，要不要用取決於你的專案需求。具體價格與方案內容會變動，建議直接以各官方定價頁為準，我這裡不報一個可能過期的數字。結論是：純粹學習與做個人專案，光靠開源本體加上你原本就要付的模型費用，多半就夠了。

最後更新：2026 年