# 思考：Pi Agent 对比 LangGraph

> 发布于：2026-05-27 | 分类：技术思考 | 原文：https://www.imbailey.cn/post/pi-agent-vs-langgraph-comparison

![Pi Agent 对比 LangGraph](/images/pi-agent-vs-langgraph-header.png)

最近在思考两类 Agent 的差异：一种是 Pi Agent 这种模型主导的模式，另一种是 LangGraph 这种流程主导的模式。

它们都可以调用 LLM、工具、检索和代码，但核心差别不在“用了什么能力”，而在“下一步由谁决定”。

---

## Pi Agent：模型主导

Pi Agent 更像是把任务交给一个能力很强的执行者。

你给它目标，给它工具，给它上下文，然后让模型自己判断下一步该做什么。它可以先读文件，再调用命令；可以先分析问题，再补充信息；也可以在任务进行中动态调整计划。

这种模式的关键是：**流程不是提前写死的，而是在执行过程中由模型生成。**

所以 Pi Agent 适合强模型。模型越强，它越能理解目标、拆解任务、选择工具、处理异常，并在复杂环境里持续推进。

典型场景包括：

- coding
- 管理服务器
- 调试复杂问题
- 做探索性研究
- 完成开放式任务

这类任务很难提前画出完整流程图，因为真实世界里总会出现意料之外的分支。Pi Agent 的优势就在这里：它不是按图索骥，而是边看边想，边做边调整。

---

## LangGraph：流程主导

LangGraph 则是另一种思路：先把流程定义清楚。

你先写好流程图，每一步是一个节点。节点里可以调用 LLM、工具、检索，也可以写规则代码。流程怎么走，主要由代码控制。

也就是说，LangGraph 里的模型通常只是某个节点的执行器，而不是整个系统的调度者。

它的整体流程不是模型随便决定的，而是你写死，或者半写死的。模型可以参与判断，但它被放在一个明确的框架里。

这种模式的好处是稳定、可控、容易调试。

典型场景包括：

- 新闻采集汇总
- 论文转报告
- 固定格式的信息抽取
- 多步骤内容生产流水线
- 有明确输入输出规范的业务流程

这些任务的特点是：流程相对固定，目标比较清楚，系统更关心稳定性和一致性，而不是开放探索。

---

## 核心区别：自由度

我认为 Pi Agent 和 LangGraph 的核心区别，就是流程自由度。

Pi Agent 的自由度高。它更像一个自主执行者，拿到目标后自己决定路线。你关心的是目标、工具和上下文是否给够，至于中间怎么走，交给模型判断。

LangGraph 的自由度低。它更像一个工作流系统，开发者先定义路线，模型只在特定节点里发挥作用。你关心的是流程是否设计合理，分支是否覆盖完整，节点是否足够稳定。

这也决定了它们各自适合的模型和任务。

Pi Agent 适合接入强模型，做开放任务、探索任务、通用任务。因为强模型本身就有规划和纠错能力，过早限制流程，反而可能削弱它的能力。

LangGraph 适合固定流程、稳定少出错的任务。因为这些任务不需要模型每一步都自由发挥，反而需要系统把边界框好，把不确定性压低。

---

## 我的判断

如果任务的关键是“解决问题”，而问题路径不确定，我会更倾向 Pi Agent。

如果任务的关键是“稳定生产”，而流程本身已经清楚，我会更倾向 LangGraph。

前者相信模型的自主性，后者相信流程的确定性。

Pi Agent 是把模型放在驾驶位上；LangGraph 是把模型放进流程节点里。

这不是谁替代谁的问题，而是两种不同的工程取向：**开放问题交给模型主导，固定流程交给代码主导。**