前言

「完全自訂 Agent」是什麼意思？不是在 GUI 上拖拉 prompt template，而是逐行撰寫 agent 邏輯——決定什麼時候呼叫哪個工具、怎麼處理結果、失敗了怎麼重試、哪些行為絕對不允許。

這篇調研針對 2025–2026 年市面上的 AI 平台，找出哪些真正支援這件事。

平台比較表

Top 5 推薦

🥇 LangGraph

業界事實標準的 low-level agent 框架。以有向圖（graph） 為核心抽象，每個節點都是你自己寫的函式。

核心優勢：

• Durable execution：agent 中途失敗可從 checkpoint 恢復，不用重跑
• Human-in-the-loop：可在任何節點暫停讓人類介入、審核、修改 state
• 完整記憶：短期 working memory + 跨 session 的長期記憶
• Python + JavaScript 雙語言

適合： 需要 durable execution、複雜多步驟 workflow、需要 human approval 的場景

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18

from langgraph.graph import StateGraph, END

def agent_node(state):
    # 你的自訂邏輯，完全掌控
    ...

def safety_guard(state):
    # 硬規則：在 code 裡攔截，LLM 繞不過
    if state["action"] == "delete" and state["target"].startswith("prod"):
        return {**state, "blocked": True}
    return state

graph = StateGraph(AgentState)
graph.add_node("agent", agent_node)
graph.add_node("guard", safety_guard)
graph.add_node("execute", execute_node)
graph.add_edge("agent", "guard")
graph.add_conditional_edges("guard", lambda s: "blocked" if s.get("blocked") else "execute")

🥈 Semantic Kernel (Microsoft)

三語言支援（Python / C# / Java）是業界獨一無二的優勢，Plugin 系統讓 tool 定義極其靈活。

核心優勢：

• 三語言：後端 .NET 團隊終於有了一流選擇
• Filter/Hook 系統：IFunctionInvocationFilter 可以在任何 function call 前後插入 validation
• 深度 Azure 整合，但不綁定 Azure
• 適合企業級合規場景

適合： 企業 .NET/Java 開發團隊、需要與 Azure 生態整合

🥉 Pydantic AI

最 Pythonic 的 agent 框架。「讓 AI 開發獲得 FastAPI 的感覺」 是它的設計目標。

核心優勢：

• 沒有多餘抽象：用 @agent.tool decorator 定義 tool，用 Pydantic model 定義輸出結構
• Result validator：可以攔截、驗證任何 LLM 輸出，不符規則就重試
• Type-safe：型別錯誤在執行期自動 raise，不靠 LLM 自覺
• Model-agnostic：支援 40+ provider，包含 Anthropic、OpenAI、GitHub Models

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

from pydantic_ai import Agent
from pydantic import BaseModel

class JiraResolve(BaseModel):
    fix_version: str      # 少一個欄位 → ValidationError → 自動重試
    build_number: str
    build_path: str
    root_cause: str
    solution: str

agent = Agent('anthropic:claude-sonnet-4-6', result_type=JiraResolve)

@agent.tool
async def get_build_info(ctx, issue_key: str) -> str:
    # 你自己寫的邏輯，不是 prompt
    ...

@agent.result_validator
async def validate(ctx, result: JiraResolve) -> JiraResolve:
    if not result.build_path.startswith(r"\\172.17.25.251"):
        raise ValueError("Build path 格式錯誤")  # ← Code 強制，不是 prompt
    return result

適合： Python 開發者、想要最小框架 overhead、重視型別安全

4. Mastra

TypeScript 生態目前最成熟的 agent 框架，由 Gatsby 原始團隊開發，YC W25。

核心優勢：

• TypeScript-native：型別推導、IDE 智能提示全程支援
• 40+ provider model routing：一個介面換任何 LLM
• 內建 memory + RAG：不用自己串 vector store
• Workflow 系統：複雜的 multi-step pipeline 用 code 定義每個步驟
• 可無縫整合 React / Next.js

1
2
3
4
5
6
7
8
9

import { Agent } from '@mastra/core/agent';

export const myAgent = new Agent({
  id: 'my-agent',
  name: 'My Custom Agent',
  instructions: 'You are a specialized assistant for...',
  model: 'anthropic/claude-sonnet-4-6',
  tools: { myCustomTool },  // 完全自訂 tool
});

適合： TypeScript 開發者、前後端整合場景

5. CrewAI

Multi-agent 協作做得最好，Flows 系統提供 event-driven 的細粒度控制。

核心優勢：

• 10 萬+ 認證開發者，社群資源豐富
• Flows：event-driven、狀態機式的 agent 協作，可精確控制每一步
• Crews：定義角色（researcher、writer、reviewer）自動協作
• CrewAI Cloud：一鍵部署

適合： Multi-agent 角色扮演、需要自動分工的複雜任務

關鍵洞察：Prompt 是建議，Code 是法律

這是選擇 agent 框架最重要的認知：

❌ 把規則放在 system prompt / AGENTS.md / memory 文件
   → LLM 可能忽略、context window 滿了沒載入、長對話後被沖淡

✅ 把規則寫進 agent code（tool validation、result validator、guard node）
   → 不管 LLM 怎麼想，code 就是不讓它過

哪些規則應該放 code？

• 不允許刪除 production 資源
• 必填欄位強制驗證
• 只允許操作特定範圍的資源（例如指定 Confluence space）
• Git 推送前驗證帳號身份
• 公開平台不能出現特定關鍵字

哪些規則放 prompt 就夠？

• 回覆語言偏好（繁體中文）
• 回覆風格與長度
• 格式要求（如超連結格式）

給開發者的選擇建議

核心建議：避開 no-code agent builder，選擇 code-first 框架。 2025–2026 的 agent 框架已經足夠 production-ready，開源選項完全可用。真正的控制權在於能不能在 code 層面定義 agent 行為，而不是靠 prompt 希望 AI 自覺遵守規則。