<!-- title: 六大Agent框架人机审批门控实战拆解 -->

# 六大Agent框架人机审批门控实战拆解

## 概述

当AI Agent从原型走向生产，第一个必须跨越的鸿沟不是性能，而是**信任**。2026年的Agent开发实践证明：没有任何一个生产级Agent系统可以在零人工监督下安全运行。人机审批门控（Human-in-the-Loop Approval Gate）不再是可选项——它是区分"demo"和"产品"的分水岭。本文深度拆解LangGraph、CrewAI、OpenAI Agents SDK、Google ADK、Microsoft Agent Framework和AWS Strands六大框架的人机协作审批机制，从架构原理、代码实现到生产陷阱逐层剖析，给出不同场景下的最佳选择路径。

## 六大框架审批门控对比总览

| 维度 | LangGraph | CrewAI | OpenAI Agents SDK | Google ADK | MAF (微软) | AWS Strands |
|------|-----------|--------|-------------------|------------|------------|-------------|
| **核心原语** | `interrupt()` + `Command(resume=)` | `human_input=True` | Runner callbacks | `before_tool_callback` | AG-UI ApprovalActivity | Tool callback gates |
| **控制粒度** | 节点级/条件级 | Task级 | Agent级+Tool级 | 6类Callback | Activity级 | Tool级 |
| **状态持久化** | 内置Checkpointer | Memory层 | 外部Store | Session Service | durable state | Bedrock AgentCore |
| **异步支持** | 原生async | 有限 | 原生streaming | 原生async | AG-UI协议 | 原生async |
| **审批超时** | 自定义 | 无内置 | 无内置 | 自定义 | 内置超时策略 | 自定义 |
| **多审批人** | 支持（状态路由） | 不支持 | 需自行实现 | 通过路由实现 | 原生支持 | 需自行实现 |
| **审批可观测** | LangSmith集成 | 基础日志 | Trace集成 | Cloud Logging | Application Insights | CloudWatch |
| **学习曲线** | 中高 | 低 | 中 | 中 | 高 | 中低 |
| **语言支持** | Python/JS | Python | Python/JS | Python/Java/Go | C#/Python/JS | Python/TS |

## 深度分析

### 一、LangGraph：状态图中断恢复模型

LangGraph的人机审批设计理念源自**状态机中断（State Machine Interrupt）**模式——在图的任意节点执行前插入中断点，将当前状态快照持久化到Checkpointer，等待人类决策后从断点恢复执行。

**架构原理**：LangGraph的`interrupt()`函数在节点内部调用时，会将整个图的State冻结到持久化层（PostgreSQL、SQLite或MemorySaver）。当人类通过`Command(resume=<value>)`响应后，图从断点恢复，中断函数返回人类提供的值，继续后续节点执行。这意味着审批逻辑可以嵌入到图的任意位置，实现极其精细的门控。

```python
from langgraph.types import interrupt, Command
from langgraph.graph import StateGraph, START, END

def approve_purchase(state):
    """在执行购买前请求人类审批"""
    # 将审批信息呈现给人类
    decision = interrupt({
        "question": f"是否批准购买 {state['item']}，金额 ${state['amount']}?",
        "options": ["approve", "reject", "modify"]
    })
    # decision 来自人类的恢复输入
    if decision == "reject":
        return {"status": "cancelled", "reason": "human_rejected"}
    return {"approved": True, "modifier": decision}

def execute_purchase(state):
    if not state.get("approved"):
        return {"status": "skipped"}
    # 执行实际购买逻辑
    return {"status": "completed", "order_id": "ORD-12345"}

graph = StateGraph(PurchaseState)
graph.add_node("approve", approve_purchase)
graph.add_node("execute", execute_purchase)
graph.add_edge(START, "approve")
graph.add_edge("approve", "execute")
graph.add_edge("execute", END)

# 使用持久化后端
checkpointer = SqliteSaver.from_conn_string("checkpoints.db")
app = graph.compile(checkpointer=checkpointer)

# 第一次运行 —— 在审批节点中断
result = app.invoke(
    {"item": "GPU集群", "amount": 50000},
    config={"configurable": {"thread_id": "tx-001"}}
)
# result 中包含 interrupt 信息

# 人类审批后恢复
for event in app.stream(
    Command(resume="approve"),
    config={"configurable": {"thread_id": "tx-001"}}
):
    print(event)
```

**优点**：控制粒度最细——可以在任意节点、任意条件分支插入审批；状态持久化内置，崩溃后可恢复；支持多轮审批和复杂审批路由（如金额>$10k需要两级审批）。

**缺点**：学习曲线陡峭，需要理解StateGraph、Checkpointer、Command三套概念；调试中断-恢复流程不如同步代码直观；对于简单的"执行前问一句"场景显得过于重量级。

**变现评估**：LangGraph的HITL模式是企业级Agent系统的标配能力。可包装为"企业AI风控工作流训练营"，面向金融、医疗等高合规行业。单个训练营售价可定在¥2999-5999。

### 二、CrewAI：任务级人类输入标记

CrewAI走了一条完全不同的路——**声明式标记**。在Task定义时标注`human_input=True`，Agent执行到该任务时会暂停并等待人类在终端输入。这种方式极其简单，但代价是精细控制力的缺失。

**架构原理**：CrewAI的执行引擎在遇到标记了`human_input=True`的Task时，会将Agent的中间输出通过CLI呈现给人类，等待键盘输入后继续。整个过程是同步的、阻塞的，没有持久化保证——如果进程崩溃，未保存的审批状态会丢失。

```python
from crewai import Agent, Task, Crew, Process

reviewer = Agent(
    role="合同审核员",
    goal="审核合同条款并标识风险",
    backstory="你是一名资深法律顾问",
    llm="gpt-4o"
)

# 关键：human_input=True 触发人类审批
review_task = Task(
    description="审核以下合同并给出修改建议：{contract_text}",
    expected_output="修改建议清单",
    agent=reviewer,
    human_input=True  # 执行到此任务时暂停，等待人类输入
)

finalizer = Agent(
    role="合同定稿员",
    goal="根据审核意见生成最终合同",
    backstory="你负责将审核意见落地到合同文本",
    llm="gpt-4o"
)

finalize_task = Task(
    description="根据审核意见修改合同",
    expected_output="最终合同文本",
    agent=finalizer
)

crew = Crew(
    agents=[reviewer, finalizer],
    tasks=[review_task, finalize_task],
    process=Process.sequential
)

result = crew.kickoff(inputs={"contract_text": "..."})
```

**优点**：上手极快，一行代码`human_input=True`即可实现基础审批；与CrewAI的Role-Task-Crew抽象无缝集成；适合快速原型和内部工具。

**缺点**：仅支持Task级粗粒度控制——要么整个任务需要审批，要么不需要；同步阻塞模型，无法实现异步审批流；无内置状态持久化，进程中断等于审批丢失；不支持多审批人路由。

**变现评估**：CrewAI的HITL适合中小团队快速构建内部Agent工具。可作为"AI Agent快速原型实战课"的一部分，面向非技术背景的产品经理和运营人员。课程定价¥999-1999。

### 三、OpenAI Agents SDK：Runner回调审批模型

OpenAI Agents SDK在2026年3月发布后迅速成为生产级Agent系统的热门选择。其HITL机制通过**Runner回调**实现——在Agent运行器的配置中注册`on_tool_call`回调，在工具执行前拦截并请求人类审批。

**架构原理**：SDK的Runner在执行Agent循环时，每次遇到Tool Call都会先通过回调询问是否放行。回调函数返回`Approve`、`Reject`或`Modify`决策。SDK还支持沙箱执行（Code Interpreter在隔离环境中运行），审批可以在工具调用级别精确控制。

```python
from agents import Agent, Runner, RunConfig, ToolCallApproval
from agents.items import ToolCallItem

async def approval_callback(tool_call: ToolCallItem, context):
    """在工具执行前请求人类审批"""
    tool_name = tool_call.raw_item.function.name
    args = tool_call.raw_item.function.arguments
    
    # 高风险工具需要人类审批
    HIGH_RISK_TOOLS = {"execute_trade", "send_email", "delete_record"}
    
    if tool_name in HIGH_RISK_TOOLS:
        print(f"[审批请求] 工具: {tool_name}")
        print(f"  参数: {args}")
        decision = input("批准？(y/n/m=修改): ").strip().lower()
        
        if decision == "y":
            return ToolCallApproval.APPROVE
        elif decision == "m":
            new_args = input("输入修改后的参数: ")
            return ToolCallApproval.MODIFY(args=new_args)
        else:
            return ToolCallApproval.REJECT
    
    return ToolCallApproval.APPROVE  # 低风险工具自动放行

trade_agent = Agent(
    name="交易助手",
    instructions="帮助用户执行股票交易",
    tools=[execute_trade, get_portfolio, analyze_risk]
)

config = RunConfig(
    tool_call_approval_callback=approval_callback,
    max_turns=10
)

result = await Runner.run(
    trade_agent,
    messages=[{"role": "user", "content": "买入100股AAPL"}],
    run_config=config
)
```

**优点**：API设计干净，回调模式对开发者友好；与OpenAI的沙箱执行环境无缝集成；支持MCP协议的工具审批（`HostedMCPTool`）；2026年4月更新后增加了原生sandbox执行，安全性进一步提升。

**缺点**：深度绑定OpenAI模型生态；回调模式在多Agent协作时需要为每个Agent单独配置；缺少内置的审批历史审计日志。

**变现评估**：OpenAI Agents SDK的HITL适合构建SaaS级Agent产品。可包装为"AI Agent产品化实战训练营"，聚焦从原型到生产的全流程。定价¥3999-7999。

### 四、Google ADK：六类回调拦截模型

Google ADK（Agent Development Kit）在2026年4月发布1.0稳定版，其HITL设计最为**系统化**——提供了6类回调钩子（before/after × agent/model/tool），覆盖Agent执行生命周期的每一个关键节点。

**架构原理**：ADK的回调系统分为三层——Agent层（before_agent/after_agent）、模型层（before_model/after_model）、工具层（before_tool/after_tool）。开发者可以在任意层插入审批逻辑。`before_tool_callback`是最常用的审批门控点，返回`google.adk.models.types.Content`可以替换工具输出，返回`None`则放行。

```python
from google.adk.agents import LlmAgent
from google.adk.models.types import Content, Part

async def approve_financial_tools(callback_context, tool_call):
    """在金融工具执行前拦截并审批"""
    tool_name = tool_call.function.name
    args = tool_call.function.args
    
    FINANCIAL_TOOLS = {"transfer_money", "approve_loan", "execute_trade"}
    
    if tool_name not in FINANCIAL_TOOLS:
        return None  # 非金融工具自动放行
    
    # 构建审批请求并发送给审批系统
    approval_request = {
        "tool": tool_name,
        "args": args,
        "requester": callback_context.agent_name,
        "timestamp": callback_context.invocation_id
    }
    
    # 调用企业审批系统API
    decision = await call_approval_system(approval_request)
    
    if decision["status"] == "approved":
        callback_context.state["approval_id"] = decision["approval_id"]
        return None  # 放行
    else:
        # 返回拒绝信息作为工具输出
        return Content(
            parts=[Part(text=f"审批被拒绝：{decision['reason']}")],
            role="model"
        )

banking_agent = LlmAgent(
    name="银行助手",
    model="gemini-2.5-pro",
    instruction="帮助客户处理银行业务",
    tools=[transfer_money, approve_loan, get_balance],
    before_tool_callback=approve_financial_tools
)
```

**优点**：6类回调覆盖最全面的生命周期钩子；与Google Cloud生态（Vertex AI、Cloud Logging）深度集成；支持Python、Java、Go三种语言；回调返回值可以完全替换工具输出，灵活性极高。

**缺点**：6类回调的组合使用增加了心智负担；回调地狱风险——多层回调嵌套可读性差；企业审批系统集成需要自行实现。

**变现评估**：Google ADK适合Google Cloud生态企业。可包装为"Google Cloud AI Agent企业级开发认证培训"，面向使用GCP的企业开发团队。定价¥4999-9999。

### 五、Microsoft Agent Framework：AG-UI协议审批模型

Microsoft Agent Framework（MAF）在2026年2月将Semantic Kernel和AutoGen合并为一个统一框架，4月发布1.0 GA版本。其HITL机制基于**AG-UI协议**——一个专为人机协作设计的通信协议，支持多种审批Activity类型。

**架构原理**：MAF将人机交互建模为AG-UI协议中的Activity。`ApprovalActivity`是核心审批原语——Agent在需要人类决策时发出ApprovalActivity，AG-UI运行时将Activity路由到对应的人类审批界面（可以是Web UI、Teams Bot或自定义应用）。人类响应后，Activity结果回传给Agent继续执行。整个过程支持超时策略、多审批人路由和审批历史审计。

```csharp
// C# 示例 —— MAF + AG-UI 审批模式
using Microsoft.AgentFramework;
using Microsoft.AgentFramework.Activities;

public class InvoiceApprovalAgent : Agent
{
    [AgentTool("提交发票审批")]
    public async Task<ApprovalResult> SubmitForApproval(
        Invoice invoice,
        AgentContext context)
    {
        // 创建审批Activity
        var approval = new ApprovalActivity
        {
            Title = $"发票审批：{invoice.Vendor} - ¥{invoice.Amount}",
            Description = invoice.Description,
            Approvers = DetermineApprovers(invoice.Amount),
            // 金额 > ¥50000 需要两级审批
            ApprovalLevels = invoice.Amount > 50000 ? 2 : 1,
            Timeout = TimeSpan.FromHours(24),
            Data = new Dictionary<string, object>
            {
                ["invoice_id"] = invoice.Id,
                ["amount"] = invoice.Amount,
                ["vendor"] = invoice.Vendor
            }
        };

        // 发出审批请求，阻塞等待结果
        var result = await context.WaitForApprovalAsync(approval);
        
        return result.Status switch
        {
            ApprovalStatus.Approved => new ApprovalResult { 
                Approved = true, 
                ApprovalId = result.ApprovalId 
            },
            ApprovalStatus.Rejected => new ApprovalResult { 
                Approved = false, 
                Reason = result.RejectionReason 
            },
            ApprovalStatus.Timeout => new ApprovalResult { 
                Approved = false, 
                Reason = "审批超时，已自动拒绝" 
            },
            _ => throw new InvalidOperationException()
        };
    }

    private List<string> DetermineApprovers(decimal amount) =>
        amount switch
        {
            > 100000 => new() { "CFO", "CEO" },     // 超大额：CFO + CEO
            > 50000  => new() { "CFO", "总监" },     // 大额：CFO + 总监
            _        => new() { "直属经理" }          // 普通额：直属经理
        };
}
```

**优点**：AG-UI协议是标准化的——不同UI前端（Web、Teams、桌面）通过同一协议与Agent通信；内置超时策略和多级审批路由；与Azure生态（Application Insights、Entra ID）深度集成；C#/Python/JS三语言支持。

**缺点**：框架复杂度最高——需要理解Agent、Activity、AG-UI协议三套概念；设置和部署流程较重，不适合轻量级场景；AG-UI协议相对新，社区生态还在建设中。

**变现评估**：MAF适合大型企业的Agent平台建设。可包装为"Microsoft AI Agent企业架构师认证培训"，面向使用Microsoft技术栈的企业。定价¥6999-12999。

### 六、AWS Strands：模型驱动的工具门控

AWS Strands Agents SDK走了一条独特的**模型驱动（Model-Driven）**路线——Agent的行为完全由模型推理驱动，HITL通过工具回调实现。开发者定义的工具在执行前会经过回调检查，模型决定何时调用工具，回调决定是否放行。

**架构原理**：Strands的核心是一个循环——模型推理 → 工具选择 → 回调审批 → 工具执行 → 结果反馈。`@tool`装饰器标记的函数作为工具暴露给模型，在工具执行链中插入审批逻辑。Strands与Amazon Bedrock AgentCore集成，提供持久化执行和状态管理。

```python
from strands import Agent, tool
from strands_tools import approval

@tool
def process_refund(order_id: str, amount: float, reason: str):
    """处理退款请求"""
    # 实际退款逻辑
    return {"status": "processed", "refund_id": f"REF-{order_id}"}

@tool  
def check_risk_level(amount: float) -> str:
    """评估退款风险等级"""
    if amount > 10000:
        return "HIGH"
    elif amount > 1000:
        return "MEDIUM"
    return "LOW"

# 定义审批策略
async def approval_gate(tool_name: str, tool_args: dict, context):
    """Strands的工具审批门控"""
    if tool_name == "process_refund":
        risk = await context.agent.call_tool(
            "check_risk_level", 
            {"amount": tool_args["amount"]}
        )
        
        if risk == "HIGH":
            # 高风险退款需要人类审批
            decision = await request_human_approval(
                title=f"高风险退款审批",
                details=f"订单: {tool_args['order_id']}, "
                       f"金额: ${tool_args['amount']}",
                approvers=["finance_lead"]
            )
            if not decision.approved:
                return {"status": "rejected", "reason": decision.reason}
        
    return None  # 放行

refund_agent = Agent(
    model="anthropic.claude-sonnet-4-20250514",
    tools=[process_refund, check_risk_level],
    system_prompt="你是退款处理助手，帮助客户处理退款请求",
    tool_approval_callback=approval_gate
)

result = refund_agent("客户要求退还订单 #12345 的 ¥15000")
```

**优点**：模型驱动设计哲学使得Agent行为更自然——模型自行决定何时需要工具、何时需要人类；与AWS Bedrock生态（Guardrails、AgentCore、Knowledge Base）无缝集成；学习曲线相对平缓。

**缺点**：模型驱动意味着审批逻辑的可预测性不如显式图模型（LangGraph）；AWS生态绑定较深；工具级审批是唯一粒度，不支持节点级或条件级控制。

**变现评估**：Strands适合AWS生态企业构建生产Agent。可包装为"AWS AI Agent生产实战工作坊"，面向AWS开发者。定价¥3999-7999。

## 架构总览：六种审批门控模型对比

```mermaid
graph TB
    subgraph "LangGraph: 状态图中断模型"
        LG1[Agent节点] -->|interrupt| LG2[状态快照持久化]
        LG2 -->|等待| LG3[人类审批]
        LG3 -->|Command resume| LG4[恢复执行]
    end

    subgraph "CrewAI: 任务级标记模型"
        CA1[Task执行] -->|human_input=True| CA2[CLI暂停]
        CA2 -->|键盘输入| CA3[继续下一Task]
    end

    subgraph "OpenAI SDK: 回调审批模型"
        OA1[Runner循环] -->|Tool Call| OA2[回调检查]
        OA2 -->|Approve/Reject| OA3[执行/跳过]
    end

    subgraph "Google ADK: 六类回调模型"
        GA1[Agent生命周期] --> GA2[before_agent]
        GA2 --> GA3[before_model]
        GA3 --> GA4[before_tool]
        GA4 -->|拦截决策| GA5[放行/替换/拒绝]
    end

    subgraph "MAF: AG-UI协议模型"
        MF1[Agent Activity] -->|ApprovalActivity| MF2[AG-UI路由]
        MF2 -->|多审批人| MF3[审批界面]
        MF3 -->|超时策略| MF4[结果回传]
    end

    subgraph "AWS Strands: 模型驱动模型"
        AS1[模型推理] -->|工具选择| AS2[回调门控]
        AS2 -->|放行| AS3[Bedrock执行]
        AS2 -->|拦截| AS4[人类审批]
    end

    style LG2 fill:#e1f5fe
    style CA2 fill:#fff3e0
    style OA2 fill:#e8f5e9
    style GA4 fill:#fce4ec
    style MF2 fill:#f3e5f5
    style AS2 fill:#fff8e1
```

## 生产级审批门控的五个隐藏陷阱

### 陷阱一：审批状态的持久化黑洞

LangGraph通过内置Checkpointer解决了这个问题，但其他框架几乎都依赖开发者自行实现持久化。CrewAI的`human_input=True`完全依赖进程存活——如果容器重启，未完成的审批全部丢失。**生产建议**：对CrewAI和OpenAI Agents SDK，必须外挂持久化层（Redis + 数据库），将审批状态在回调触发时写入持久存储。

### 陷阱二：审批超时与自动降级

人类审批不可能无限等待。MAF内置了超时策略（`Timeout = TimeSpan.FromHours(24)`），LangGraph可以通过条件边实现超时路由，但CrewAI、OpenAI SDK和Strands都没有内置超时机制。**生产建议**：为每个审批门设置超时时间，超时后自动降级为默认安全策略（如自动拒绝或升级给上级审批人）。

### 陷阱三：审批审计日志的缺失

金融、医疗等合规行业要求每次审批决策都有完整的审计追踪。MAF通过Application Insights天然满足；LangGraph + LangSmith可以实现；其他框架需要自行搭建审计日志系统。**生产建议**：无论使用哪个框架，审批审计日志应该作为非功能性需求的第一优先级。

### 陷阱四：多审批人路由的复杂性

当审批涉及多人时（如金额超阈值需要两级审批），只有LangGraph和MAF有原生支持。LangGraph通过状态路由实现多审批人流转；MAF的`ApprovalLevels`属性直接支持多级审批。其他框架需要开发者自行实现审批人路由和等待逻辑。

### 陷阱五：审批UI与Agent运行时的解耦

LangGraph的`interrupt()`将审批信息序列化为JSON，前端需要自行反序列并渲染审批表单；MAF的AG-UI协议标准化了审批Activity格式，前端框架可以统一处理。**生产建议**：在选型时评估是否有配套的审批UI组件库，否则需要投入大量前端开发成本。

## 场景推荐决策矩阵

```mermaid
graph LR
    START[需要HITL审批] --> Q1{审批复杂度?}
    Q1 -->|"简单:执行前确认"| CREW[CrewAI]
    Q1 -->|"中等:多条件门控"| Q2{云厂商绑定?}
    Q1 -->|"复杂:多级多审批人"| Q3{技术栈偏好?}

    Q2 -->|"OpenAI生态"| OPEN[OpenAI Agents SDK]
    Q2 -->|"Google Cloud"| ADK[Google ADK]
    Q2 -->|"AWS"| STRANDS[AWS Strands]
    Q2 -->|"云中立"| LANG[LangGraph]

    Q3 -->|".NET/Azure"| MAF[Microsoft Agent Framework]
    Q3 -->|"Python优先"| LANG2[LangGraph]

    CREW --> END1[快速原型/内部工具]
    OPEN --> END2[SaaS产品]
    ADK --> END3[GCP企业应用]
    STRANDS --> END4[AWS企业应用]
    MAF --> END5[大型企业平台]
    LANG --> END6[通用生产系统]
    LANG2 --> END6

    style CREW fill:#fff3e0
    style OPEN fill:#e8f5e9
    style ADK fill:#fce4ec
    style STRANDS fill:#fff8e1
    style MAF fill:#f3e5f5
    style LANG fill:#e1f5fe
    style LANG2 fill:#e1f5fe
```

### 场景一：初创团队快速验证

**推荐：CrewAI → 升级到LangGraph**

先用CrewAI的`human_input=True`在30分钟内实现基础审批，验证业务逻辑。产品验证后，迁移到LangGraph获得持久化和细粒度控制。迁移成本主要在State定义和图结构重构，核心Agent逻辑可以复用。

### 场景二：SaaS产品线

**推荐：OpenAI Agents SDK**

Runner回调模式与SaaS架构天然契合——回调可以接入Webhook，将审批路由到产品的通知系统。结合OpenAI的沙箱执行，安全性有保障。风险在于OpenAI模型绑定，建议在回调层做好模型抽象。

### 场景三：金融/医疗合规场景

**推荐：LangGraph 或 MAF**

金融场景需要多级审批、审计追踪、状态持久化三要素。LangGraph在这三点上通过Checkpointer + LangSmith + 条件路由可以完整覆盖；MAF通过AG-UI + Application Insights + ApprovalLevels同样满足。选择取决于团队的技术栈——Python优先选LangGraph，.NET/Azure优先选MAF。

### 场景四：Google Cloud企业

**推荐：Google ADK**

ADK的6类回调覆盖了Agent执行的全生命周期，配合Vertex AI的Model Garden和Cloud Logging，可以在Google Cloud生态内完成整个审批链路。唯一需要注意的是回调组合不要过于复杂，建议统一在一个回调函数内处理所有审批逻辑。

### 场景五：AWS企业

**推荐：AWS Strands**

Strands与Bedrock生态的深度集成（Guardrails、AgentCore、Knowledge Base）使得审批门控可以与AWS的安全基础设施协同工作。模型驱动的审批方式更自然，但需要额外的集成测试来确保模型在边界情况下正确触发审批。

## 核心结论

2026年的Agent框架在人机审批门控上已经从"有没有"进化到"怎么做更好"的阶段。LangGraph的状态图中断模型在灵活性和生产就绪度上仍然是标杆，但学习成本最高；CrewAI适合快速验证但需要自行补齐持久化和审计；OpenAI Agents SDK在SaaS场景中表现最佳；Google ADK的回调体系最全面但心智负担最重；MAF的企业级能力最强但复杂度也最高；AWS Strands的模型驱动哲学独特但可预测性稍弱。

选型的核心原则只有一个：**审批门控的复杂度应该匹配业务风险等级**。用CrewAI处理内部工具的低风险审批，用LangGraph或MAF处理金融级的高风险审批——不要用大炮打蚊子，也不要用弹弓打坦克。

## 参考来源

1. [LangGraph Human-in-the-Loop Patterns & Examples 2026](https://www.pyinns.com/python/data-sciences/langgraph-human-in-the-loop-2026-approval-interrupt-resume) — LangGraph四种HITL模式的完整代码示例
2. [Human-in-the-Loop Approval Flow Pattern for AI Agents](https://www.agentnative.dev/patterns/human-in-the-loop-approval-flow-pattern) — Agent审批流的通用架构模式参考
3. [Google ADK Callbacks Documentation](https://adk.dev/callbacks/) — ADK六类回调的官方文档
4. [Microsoft Agent Framework AG-UI Human-in-the-Loop](https://learn.microsoft.com/en-us/agent-framework/integrations/ag-ui/human-in-the-loop) — MAF审批Activity的官方指南
5. [OpenAI Agents SDK Running Agents Guide](https://developers.openai.com/api/docs/guides/agents/running-agents) — OpenAI Agents SDK运行器和回调配置文档
6. [Strands Agents SDK](https://strandsagents.com/) — AWS Strands Agents SDK官方站点

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)