Agent 框架生態深度解析：讓模型長出手腳的工具層——LangChain、MCP、Agents SDK 與 Manus 的四國演義

「AI 公司」系列第二十九篇，倒數第二篇。前面 28 篇寫的都是「造大腦」的公司，這篇寫的是讓大腦長出手腳的工具層——沒有它，再強的模型也只是一個聊天框。

2026 年行業的主敘事已經從「模型多聰明」轉向「Agent 能做完什麼事」——本系列處處是伏筆：Anthropic 的 Managed Agents（057）、Perplexity 的 Comet 瀏覽器（063）、微軟的 Copilot 重組（066）、Kimi 的 Agent Swarm（080）。而支撐這一切的管線、協定與編排工具，形成了一個獨立的生態層。這一層的四類玩家——獨立框架（LangChain）、開放協定（MCP）、巨頭 SDK、Agent 產品公司（Manus）——正在上演一場「誰定義 Agent 時代作業系統」的四國演義。

• 一、為什麼需要這一層：從「會說」到「會做」的斷層
• 二、四類玩家的地圖
  • 2.1 獨立框架：LangChain——從膠水程式碼到獨角獸
    • 技術補充：LangGraph 多代理 Router 架構怎麼寫
  • 2.2 開放協定：MCP——AI 界的 USB-C
  • 2.3 巨頭 SDK：模型商的圈地運動
  • 2.4 Agent 產品公司：Manus 的地緣大戲
• 三、商業模式對照：這一層怎麼賺錢
• 四、競爭分析與風險
  • 4.1 各家的順風
  • 4.2 風險
• 結語

一、為什麼需要這一層：從「會說」到「會做」的斷層

LLM 本體只會一件事：輸入文字、輸出文字。要讓它「做事」——查資料庫、發郵件、操作瀏覽器、跑完一個多步驟任務——中間缺了一整層工程：工具連接、狀態管理、多步驟編排、錯誤重試、人類審批、觀測除錯。這一層就是 Agent 框架生態的地盤。

類比軟體史：模型是 CPU，Agent 框架層在爭奪的是作業系統與匯流排標準的位置——而軟體史告訴我們，標準之爭的贏家往往比零件之爭的贏家賺得更久。

二、四類玩家的地圖

2.1 獨立框架：LangChain——從膠水程式碼到獨角獸

LangChain 的商業洞察值得記錄:Agent 的不可預測性本身就是商機——模型會出錯、會亂跑,所以「看見 Agent 在幹嘛」(observability)成了企業剛需。它把自己從框架公司轉型為「Agent 工程平台」,賣的是可靠性。

同賽道還有 CrewAI(多代理協作)、n8n/Dify(低代碼工作流)等,但估值與生態量級都在 LangChain 之下。

技術補充：LangGraph 多代理 Router 架構怎麼寫

上面講的是生意,這裡補一段工程。LangChain 官方的多代理主流做法是 LangGraph 的 Supervisor(監督者)模式——一個 Router 節點負責調度,底下掛一排領域專家 Agent。三個關鍵問題:Router 怎麼寫、Agent 怎麼分類讓 Router 認得、被派到的 Agent 知識從哪來。

先看全景圖。做一個能上線的多代理系統,LLM 本身只是圖中的一顆引擎,你真正要「多做」的是這四塊:調度層、專家層、每個專家的知識三層、周邊基礎設施:

配色圖例:紫=調度層(要多做之一)、藍=專家層(要多做之二,按業務域切分+寫好 description)、綠=知識三層(要多做之三)、橘=基礎設施(要多做之四)、黃=資料源。

讀圖方式:實線是請求流(使用者 → Router → 專家 → 回報 → 收工),虛線是每個節點背後要準備的配套。A1 掛的知識三層與 HITL,A2、A3 同樣各有一套,圖上省略以免打結。

以下逐塊拆解。

(1) Router 本質是「一次結構化輸出的分類決策」

Router 自己不回答問題,它只做一件事:看對話,決定「下一棒交給誰,或是結束」。用 with_structured_output 強制 LLM 只能從名單中選人,避免自由發揮:

from typing import Literal
from pydantic import BaseModel, Field
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.types import Command

# Router 能選的目的地:成員名單 + FINISH,用 Literal 鎖死選項
class Route(BaseModel):
    next: Literal["order_agent", "quality_agent", "hr_agent", "FINISH"]
    reason: str = Field(description="選擇這位專家的一句話理由")

MEMBERS = {
    "order_agent":   "訂單查詢、交期回覆、出貨狀態",
    "quality_agent": "品質異常、客訴處理、檢驗報告判讀",
    "hr_agent":      "出勤、加班費、請假規則",
}

def supervisor(state: MessagesState) -> Command[Literal["order_agent", "quality_agent", "hr_agent", "__end__"]]:
    roster = "\n".join(f"- {name}: {desc}" for name, desc in MEMBERS.items())
    system = (
        "你是工廠客服的調度員,不直接回答問題。\n"
        f"根據對話內容,從以下專家中選出下一位:\n{roster}\n"
        "若專家已給出足夠答案,選 FINISH。"
    )
    decision = llm.with_structured_output(Route).invoke(
        [{"role": "system", "content": system}, *state["messages"]]
    )
    if decision.next == "FINISH":
        return Command(goto=END)
    return Command(goto=decision.next)

兩個設計重點:選項用 Literal 鎖死(Router 只能選名單上的人,幻覺不出第四個 agent);要求附 reason(除錯時你會感謝自己——LangSmith 上直接看得到每次派工的理由,呼應上文「除錯賺錢」)。

(2) Agent 怎麼分類,Router 才派得準

Router 認人的唯一依據就是名單裡那句 description——它和 Tool description 的寫法哲學完全相同。實務上三個原則:

判斷分類好不好有個簡單測試:把 MEMBERS 名單拿給一個不懂系統的同事看,唸十個真實使用者問題,他能不能秒答該找誰。人猜不準的,Router 也猜不準。

(3) 被派到之後:Agent 的知識是三層定義出來的

每個專家 Agent 通常就是一個 create_react_agent,它的「知識」來自三個明確的層:

from langgraph.prebuilt import create_react_agent

order_agent = create_react_agent(
    llm,
    # 第二層:工具 = 即時知識(ERP 裡最新的訂單狀態)
    tools=[query_order_status, query_shipment, search_delivery_sop],
    # 第一層:System Prompt = 先天知識(角色、規則、邊界)
    prompt=(
        "你是訂單專家,只處理訂單、交期與出貨。\n"
        "規則:交期一律以 ERP 查詢結果為準,不得自行推估;"
        "查無訂單時請使用者確認單號,不要猜。\n"
        "超出訂單範圍的問題,直接說明並結束,調度員會轉給其他專家。"
    ),
)

第三層的實作就是把 retriever 包成工具塞進 tools 清單,例如 search_delivery_sop 背後是一個只索引「出貨 SOP 文件」的向量庫——知識隔離做在 retriever 層,而不是指望 prompt 叫模型別亂答。

最後把圖組起來:所有專家做完都回到 supervisor,由它決定續派或收工——這個「中央輪詢」就是 Supervisor 模式與線性 pipeline 的差別:

builder = StateGraph(MessagesState)
builder.add_node("supervisor", supervisor)
for name in MEMBERS:
    builder.add_node(name, AGENTS[name])
    builder.add_edge(name, "supervisor")   # 專家做完回報調度員
builder.add_edge(START, "supervisor")
graph = builder.compile()

順帶一提:這套 Supervisor 寫法官方已經模板化(langgraph-supervisor 套件三行可起),但理解上面的手工版,才知道 Router 派錯人時要去改 description 還是改 prompt。

2.2 開放協定：MCP——AI 界的 USB-C

Model Context Protocol 是 Anthropic 在 2024 年 11 月開源的協定，解一個樸素的問題：每家模型接每個工具都要重寫一次整合，M×N 的災難。MCP 把它變成 M+N：工具做一次 MCP Server，所有模型都能用。

它的擴散速度是近年開放標準少見的：OpenAI 2025 年 3 月宣布採用（對手的協定！）、Google、Microsoft 相繼跟進，如今數萬個 MCP Server 覆蓋從資料庫到 SaaS 的長尾工具——它已是事實上的「AI 工具匯流排」。與之互補的是 Google 發起的 A2A 協定（Agent 對 Agent 通訊，已捐入 Linux 基金會）——一個管「Agent 用工具」，一個管「Agent 找 Agent」。

對 Anthropic（057）而言，MCP 是教科書級的標準戰打法：協定免費送出去，換整個生態圍繞你的架構生長——如同當年 Google 開源 Android。誰定義介面，誰就擁有重力。

2.3 巨頭 SDK：模型商的圈地運動

巨頭 SDK 的共同邏輯:框架是模型的延伸銷售。用我的框架,自然用我的模型——這對獨立框架(LangChain)構成長期的擠壓:巨頭的 SDK 永遠對自家模型優化得更好。

2.4 Agent 產品公司：Manus 的地緣大戲

Manus 是 2025 年「通用 Agent」爆紅的代名詞——中國團隊出身、新加坡註冊，給它一個任務（做研究報告、寫網站、訂行程），它自己開瀏覽器、寫程式、跑到做完。它的故事濃縮了 Agent 應用層的全部戲劇性：

Manus 案的意義超出公司本身：它宣告了 Agent 公司正式成為地緣戰略資產——077 寫的人才收購潮是「美國巨頭買人」，Manus 案是「中國政府第一次說不」。AI 併購的遊戲規則，從此多了一個否決者。

三、商業模式對照：這一層怎麼賺錢

一個值得注意的結構：這一層的價值鏈正在「兩頭收斂」——下層被模型商吸收（模型原生就會用工具、Managed Agents 直接託管執行），上層被應用吸收（Manus 們直接把框架內化）。獨立框架層的生存空間，取決於「企業要多模型中立+可觀測」這個需求有多硬——這與 Databricks（067）、Perplexity（063）的中立層邏輯完全同構。

四、競爭分析與風險

4.1 各家的順風

4.2 風險

1. 框架層的「被內化」宿命

模型每聰明一分,框架就薄一分——當 Claude/GPT 原生就能規劃、重試、用工具,LangGraph 式編排的必要性下降。LangChain 轉向觀測平台正是對此的回應,但觀測工具的競爭者(巨頭全都有自家版本)同樣擁擠。

2. 標準戰未終局

MCP 領先但未一統:安全性(提示注入經由工具描述)、權限模型、企業治理都還在補課;巨頭隨時可能推「MCP 相容但擴展」的私有版——USB-C 的歷史裡也有無數私有快充協定。

3. Agent 產品的同質化

Manus 的能力,ChatGPT Agent 模式、Claude 的電腦操作、Gemini 的 Deep Research 都在追——通用 Agent 產品與底層模型的差異化窗口,可能比 Perplexity(063)面對的還窄。

4. 地緣風險成為常態

Manus 案確立了先例:Agent 公司的併購、遷冊、資料流動都進入大國審查射程——這一層的公司從此要在商業計畫書裡寫「地緣章節」。

結語

把工具層放進系列的大圖，它是第 30 篇總結前的最後一塊拼圖：

Agent 框架生態的故事，本質上是每一次平台轉移都會重演的劇本：混沌期百花齊放（2023 的 LangChain 們）→ 標準收斂（2025 的 MCP）→ 平台內化（2026 的巨頭 SDK 與 Managed Agents）→ 倖存者上移到價值更高的位置（LangSmith 的可靠性、Manus 的成品任務）。中間層的宿命從來不是消失，而是不斷被擠著搬家。

系列還剩最後一篇：三十天、二十九篇、五十多家公司之後——AI 公司的護城河到底在哪裡？算力、數據、模型還是生態？明天做總清算。

參考資料：

• LangChain raises $125M to build the platform for agent engineering — LangChain Blog
• Open source agentic startup LangChain hits $1.25B valuation — TechCrunch
• Report: LangChain Business Breakdown & Founding Story — Contrary Research
• LangChain valuation, funding & news — Sacra
• Manus (AI agent) — Wikipedia
• China blocks Meta's $2bn acquisition of AI start-up Manus — Citi Newsroom
• The Manus Decision: China's First AI Security Review Block — Morgan Lewis
• Manus AI in 2026: Meta Block, Desktop App, What's Next — Codersera
• LangChain vs LangGraph in 2026 — Yaitec