AutoGen

背景 Agent 框架今年井喷，光开源的就十几个。最近为公司一个新项目调研选型，把主流的几个都跑了一遍，记录下来供参考。 评测维度：核心抽象、上手难度、可控性、可观测性、多智能体支持、生产可用性。 LangGraph LangChain 团队的下一代产品，基于"图"抽象。每个节点是一个函数（可以是 LLM 调用、工具执行、条件判断），边定义流转逻辑。 核心抽象：StateGraph（有状态有向图）、Node、Edge、Checkpoint。 优点： 控制流极其清晰，可视化调试方便（LangSmith） 内建 checkpoint 机制，天然支持人在回路（Human-in-the-loop） 状态管理设计精良，能优雅处理长流程的中断与恢复 和 LangChain 生态无缝衔接 缺点： 概念多，学习曲线陡 写起来比较繁琐，简单任务也得搞一堆样板代码 性能一般，每次状态更新都有序列化开销 适合：复杂工作流、需要中断恢复、对可观测性要求高的生产系统。 AutoGen 微软出品，主打对话驱动的多智能体协作。每个 Agent 都有自己的角色和系统提示，通过对话相互协作完成任务。 核心抽象：ConversableAgent、GroupChat、UserProxyAgent。 优点： 多智能体协作的范式最自然，符合直觉 写代码几乎不需要新语法，就是配置 Agent 然后开始对话 v0.4 重构后引入 Actor 模型，并发能力大幅增强 微软背景，Studio 工具链完善 缺点： 控制流隐式，调试困难，经常不知道为什么某个 Agent 突然不发言了 上下文管理粗糙，长对话容易爆 context 早期版本 API 变动大，v0.2 → v0.4 是破坏性升级 适合：研究性质、原型探索、需要多角色协作的场景（如代码评审、辩论、头脑风暴）。 CrewAI 后起之秀，强调"角色 + 任务"的工作分配模式。每个 Crew 包含多个 Agent，每个 Agent 有明确的 role/goal/backstory，按 Task 顺序执行。 核心抽象：Crew、Agent、Task、Process（顺序/层级）。 优点： 上手最快，10 行代码能跑起来一个多智能体团队 角色定义直观，业务人员也能看懂 文档清晰，社区增长快 缺点： ...