跳至主要内容

比较主流多 Agent 框架：CrewAI、AutoGen、LangGraph

pax大约 7 分钟

比较主流多 Agent 框架：CrewAI、AutoGen、LangGraph

来源：Agent Interview 100 #036

难度：中级
分类：Multi-Agent

简短回答

三大多 Agent 框架各有侧重：CrewAI 以角色为核心，用 Crew（团队，自治协作）+ Flow（流程，deterministic 生产级编排）两层架构覆盖原型到生产；LangGraph 以图为核心，用节点-边-状态机实现精确的流程控制，可追踪可调试，适合复杂生产系统；AutoGen 系列（Microsoft 体系）以对话/事件驱动为核心，但现状是三个不同项目并存：AG2（ag2ai/ag2，社区 fork，AutoGen 0.2 延续）、AutoGen 0.4+（微软 2025-01 重写，actor 模型）已进入维护模式、微软新主推 Microsoft Agent Framework (MAF)（已于 2026.4 发布 1.0 GA，正式取代 AutoGen）。2026 年云厂商级新框架进一步涌入：Google ADK（Agent Development Kit，开源、原生 A2A 协议、可部署到 Vertex AI Agent Engine）、OpenAI Agents SDK（轻量级 Handoff 编排）。选择原则：需要快速上手选 CrewAI，需要精确控制选 LangGraph，需要群体对话/事件驱动选 AG2/AutoGen 0.4，需要微软最新生态选 MAF，需要 Google Cloud 一体化部署选 Google ADK。

详细解析

设计哲学对比

CrewAI:  角色驱动 —— "谁做什么"
         Crew（团队）= Agent + Task + Process（自治协作）
         Flow（流程）= deterministic 生产级编排（事件驱动 + state 持久化）

LangGraph: 图驱动 —— "怎么流转"
           Graph = Node + Edge + State
           支持条件分支、循环、并行

AutoGen 体系（三个不同项目，常被混淆）:
  AG2 (ag2ai/ag2)        : 2024-11 社区 fork，AutoGen 0.2 延续
  AutoGen 0.4+ (microsoft): 2025-01 微软重写，event-driven actor 架构，已进入维护
  MAF (Microsoft Agent Framework): 微软新主推，1.0 GA (2026.4)，正式取代 AutoGen

2026 厂商级新框架:
  Google ADK     : 开源，内置 Sequential/Parallel/Loop 编排，原生 A2A 协议
                   可一键部署到 Vertex AI Agent Engine
  OpenAI Agents SDK : 轻量级 Handoff 机制，代码优先编排，绑定 Responses API

架构详解

CrewAI

from crewai import Agent, Task, Crew, Process

# 定义角色
researcher = Agent(
    role="高级研究分析师",
    goal="发现关于 {topic} 的最新趋势",
    backstory="你是一位经验丰富的研究者...",
    tools=[search_tool],
)

writer = Agent(
    role="技术写作专家",
    goal="将研究成果写成引人入胜的文章",
    backstory="你擅长将复杂技术概念简化...",
)

# 定义任务
research_task = Task(
    description="研究 {topic} 的最新进展",
    agent=researcher,
    expected_output="详细的研究报告"
)

write_task = Task(
    description="基于研究报告撰写博客文章",
    agent=writer,
    expected_output="1500 字的技术博客"
)

# 组装团队
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential  # 注：Process.hierarchical 已不主推，复杂层级编排建议改用 Flow
)

result = crew.kickoff(inputs={"topic": "AI Agent"})

LangGraph

from langgraph.graph import StateGraph, START, END
from typing import TypedDict, Annotated

class State(TypedDict):
    messages: list
    research_data: str
    draft: str

# 定义节点（每个节点可以是 Agent）
async def research_node(state: State) -> dict:
    data = await researcher.invoke(state["messages"])
    return {"research_data": data}

async def write_node(state: State) -> dict:
    draft = await writer.invoke(state["research_data"])
    return {"draft": draft}

def should_revise(state: State) -> str:
    if quality_check(state["draft"]):
        return "end"
    return "revise"  # 条件路由

# 构建图
graph = StateGraph(State)
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_node("revise", revise_node)

graph.add_edge(START, "research")
graph.add_edge("research", "write")
graph.add_conditional_edges("write", should_revise, {
    "end": END,
    "revise": "revise"
})
graph.add_edge("revise", "write")  # 循环

app = graph.compile()

AutoGen / AG2 / MAF

重要：这是三个不同项目，import 路径与 API 都不同：

  • AG2（社区 fork，AutoGen 0.2.x 延续）：from autogen import ConversableAgent
  • AutoGen 0.4+（微软重写，event-driven actor 模型）：from autogen_agentchat.agents import AssistantAgent
  • MAF（Microsoft Agent Framework，微软新主推，1.0 GA 2026.4）：from agent_framework import ChatAgent（取代 AutoGen）

以下代码示例对应 AG2 / AutoGen 0.2.x API（最易上手），实际新项目建议优先 AutoGen 0.4+ 或 MAF。

from autogen import ConversableAgent

# 定义对话 Agent
researcher = ConversableAgent(
    name="Researcher",
    system_message="你是研究分析师...",
    llm_config={"model": "gpt-4"},
)

writer = ConversableAgent(
    name="Writer",
    system_message="你是技术写作专家...",
    llm_config={"model": "gpt-4"},
)

critic = ConversableAgent(
    name="Critic",
    system_message="你是内容审核专家...",
    llm_config={"model": "gpt-4"},
)

# 群聊模式
from autogen import GroupChat, GroupChatManager

groupchat = GroupChat(
    agents=[researcher, writer, critic],
    messages=[],
    max_round=10
)
manager = GroupChatManager(groupchat=groupchat)
researcher.initiate_chat(manager, message="研究 AI Agent 的最新趋势")

核心维度对比

维度CrewAILangGraphAG2 / AutoGen 0.4 / MAF
核心抽象角色/团队图/状态机对话/消息（AG2）、actor（0.4）、ChatAgent（MAF）
学习曲线低高中（AG2）、中高（0.4）
流程控制Crew 顺序/Flow 事件驱动任意图（条件、循环、并行）对话/事件驱动
状态管理内置 state + Flow 持久化精细状态 + Reducer对话历史/actor 状态
调试性中高（图可视化）低（非确定性对话）
项目状态活跃迭代活跃迭代（1.0 GA，2025.10）AG2 社区活跃；AutoGen 0.4 已进入维护；MAF 1.0 GA（2026.4）
工具生态中300+ 集成 + LangSmithAzure AI / Semantic Kernel 集成
Human-in-Loop支持原生支持原生支持
配置方式代码 + YAML 双轨代码驱动代码/Studio GUI

各框架最佳适用场景

framework_guide = {
    "CrewAI": [
        "业务流程自动化（角色清晰的团队协作）",
        "快速原型和 MVP",
        "非技术团队参与的项目（YAML 配置）",
    ],
    "LangGraph": [
        "复杂生产系统（需要精确流程控制）",
        "需要条件分支和循环的工作流",
        "对可观测性要求高的企业应用",
    ],
    "AG2 / AutoGen 0.4": [
        "群体决策和多 Agent 辩论（AG2 ConversableAgent / GroupChat）",
        "高并发事件驱动场景（AutoGen 0.4 actor 模型）",
        "研究探索和创意生成",
    ],
    "MAF (Microsoft Agent Framework)": [
        "微软主推方向，1.0 GA（2026.4），正式取代 AutoGen",
        "Azure AI Foundry / Semantic Kernel 深度集成",
        "企业级 Agent 平台（Microsoft 生态新项目优先）",
    ],
    "Google ADK (Agent Development Kit)": [
        "Google Cloud / Vertex AI 生态项目优先",
        "需要原生 A2A 协议的多 Agent 通信（见 #101）",
        "云上一体化构建-调试-部署（Agent Engine 托管运行时）",
    ],
}

2026 厂商级新框架

Agent 框架赛道在 2026 年持续升温，除三大开源框架外，云厂商相继推出自有框架，进一步碎片化但也验证了赛道价值：

  • Microsoft Agent Framework (MAF) 1.0 GA（2026.4）：微软继 AutoGen 0.4 后的新主推方向，1.0 GA 标志其进入生产可用阶段。深度集成 Azure AI Foundry 与 Semantic Kernel，定位企业级 Agent 平台。微软体系内 AutoGen 0.4 已进入维护模式，新项目官方推荐迁移到 MAF。
  • Google ADK（Agent Development Kit）：Google 开源的 Agent 开发套件，内置 SequentialAgent、ParallelAgent、LoopAgent 三种编排原语，原生集成 A2A（Agent-to-Agent）协议，可一键部署到 Vertex AI Agent Engine 托管运行。ADK 是 Google「Agent 平台化」战略的核心开发工具，与 A2A 协议深度绑定（多 Agent 通信协议详见 #101 A2A 协议）。
  • OpenAI Agents SDK：轻量级 Handoff 机制，代码优先编排，与 OpenAI Responses API 紧密集成。
  • AWS Agent Squad：Agent-as-Tools 架构，Lead Agent 协调团队。

趋势判断：LangGraph（1.0 GA，2025.10）、OpenAI Agents SDK、Google ADK、Microsoft Agent Framework 已形成「四强 + 开源社区（CrewAI / AG2）」格局。厂商级框架的优势是云生态绑定（Azure / Vertex AI / OpenAI）与开箱即用的托管运行时，代价是厂商锁定；开源框架（CrewAI、LangGraph）胜在模型与部署中立、社区生态更广。选型时先确认是否已有强云生态绑定，再决定走厂商路线还是开源路线。

常见误区 / 面试追问

  1. 误区："选最流行的框架就对了" — 框架选择应基于具体需求：需要可控性选 LangGraph，需要快速迭代选 CrewAI，需要灵活对话选 AutoGen。没有万能框架。

  2. 误区："框架 = 生产就绪" — 框架提供基础抽象，但生产环境还需要自行解决可观测性、错误处理、安全性等横切关注点。LangGraph 在这方面最成熟（配合 LangSmith），其他框架可能需要更多自定义。

  3. 追问："能否混合使用多个框架？" — 可以。例如用 LangGraph 做整体编排，单个节点内部用 CrewAI 的 Crew 完成子任务。但需要注意状态同步和调试复杂度的增加。

  4. 追问："自研 vs 使用框架，如何取舍？" — 如果需求与框架的抽象契合，使用框架；如果框架的限制导致大量 hack，考虑自研。OpenAI 的建议是：先用代码编排（最可控），只在需要灵活性时才引入 LLM 编排。

参考资料

Pax 技术文档 · 工程面试与技术笔记
Copyright © 2026 pax