2026 AI 平台調研：哪些平台支援完全自訂 Agent？

Thu, 02 Apr 2026 00:00:00 +0000

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

平台	自訂程度	語言	自訂 Tools	Multi-Agent	State 管理	部署	定價	成熟度
LangGraph	⭐⭐⭐⭐⭐	Python, JS/TS	✅	✅	✅ Checkpointing + 記憶	Self-hosted / Cloud	MIT License；LangSmith 按量	✅ Production
AutoGen (Microsoft)	⭐⭐⭐⭐⭐	Python	✅	✅ 核心就是 multi-agent	✅ 對話歷史	Self-hosted / Azure	MIT	✅ Production
Semantic Kernel	⭐⭐⭐⭐⭐	Python, C#, Java	✅ Plugin 系統	✅	✅ Memory store	Self-hosted / Azure	MIT	✅ Production
Pydantic AI	⭐⭐⭐⭐⭐	Python	✅ decorator 即 tool	⚠️ 基本支援	⚠️ 手動管理	Self-hosted	MIT	✅ Production
Mastra	⭐⭐⭐⭐⭐	TypeScript	✅	✅	✅ 內建 memory + RAG	Self-hosted / Node	Apache 2.0	✅ Production
CrewAI	⭐⭐⭐⭐	Python	✅	✅ Crew 協作	✅	Self-hosted / Cloud	MIT；Cloud 按量	✅ Production
smolagents	⭐⭐⭐⭐	Python	✅	✅	⚠️ 基本	Self-hosted	Apache 2.0	🔬 Experimental
AWS Bedrock Agents	⭐⭐⭐	任何 Lambda 語言	✅ Lambda functions	⚠️ 有限	✅ Session state	Cloud (AWS)	按用量	✅ Production
Google Vertex AI ADK	⭐⭐⭐⭐	Python	✅	✅	✅ Session + memory	Cloud (GCP)	按用量	✅ Production
Azure AI Agent Service	⭐⭐⭐⭐	Python, C#	✅	✅ SK 整合	✅ Thread-based	Cloud (Azure)	按用量	✅ Production
Salesforce Agentforce	⭐⭐	Apex	✅ Apex actions	⚠️ 有限	✅ CRM 內建	Cloud (Salesforce)	企業授權 $2/conv	✅ CRM 場景
ServiceNow AI Agents	⭐⭐	JS (ServiceNow)	✅ Scripted REST	⚠️ 有限	✅ 平台內建	Cloud (ServiceNow)	企業授權	✅ ITSM 場景
OpenClaw	⭐⭐⭐⭐⭐	TypeScript / Shell	✅ MCP tools	✅ Subagent spawn	✅ Memory files	Self-hosted	MIT License	✅ Production

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

你的情況	推薦方向
Python 開發者，要逐行控制 agent	Pydantic AI（最少抽象）或 LangGraph（複雜場景）
TypeScript 開發者	Mastra
企業 .NET / Java 團隊	Semantic Kernel
需要 multi-agent 角色協作	CrewAI
需要 durable execution、長時間任務	LangGraph
已在用雲端平台（AWS / GCP / Azure）	對應的 agent service，但 agent logic 建議用純框架寫再部署
CRM / ITSM 整合場景	Salesforce Agentforce / ServiceNow（但自訂程度有限）

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。

Pydantic-Ai on Justmaker's KB

2026 AI 平台調研：哪些平台支援完全自訂 Agent？

前言

平台比較表

Top 5 推薦

🥇 LangGraph

🥈 Semantic Kernel (Microsoft)

🥉 Pydantic AI

4. Mastra

5. CrewAI

關鍵洞察：Prompt 是建議，Code 是法律

給開發者的選擇建議