多 Agent 框架深度对比

2026年5月更新。基于源码深度分析 + 官方文档 + 社区动态。

一句话总结

核心架构对比

生态对比

社区与生态

技术选型决策树

你的需求是什么？
│
├── 需要精确控制工作流拓扑 + 持久化 + 人机交互
│   └── → LangGraph（生产首选）
│
├── 快速原型 + 多角色协作 + 团队编排
│   ├── Python 团队 → CrewAI（上手最快）
│   └── 阿里云生态 → AgentScope（无缝集成）
│
├── 需要 Agent RL 微调优化
│   └── → AgentScope（唯一选项）
│
├── 需要实时语音 Agent
│   └── → AgentScope（原生支持）
│
├── 研究/原型，已有 AutoGen 代码
│   └── → AG2（社区分支）或 Microsoft Agent Framework
│
└── 部署方案自己做还是用平台？
    ├── 自己做 → LangGraph 自托管 / CrewAI FastAPI
    └── 用平台 → LangSmith Deployment / AMP Suite / K8s Runtime

设计哲学差异

LangGraph：图即运行时

将 Agent 工作流建模为可持久化、可中断、可恢复的图执行。与 Google Pregel（大规模图计算）和 Apache Beam（数据管道）一脉相承。

关注点：状态如何转换（数据如何通过图流动和变化）

CrewAI：角色即分工

模拟人类团队：每个 Agent 有角色/目标/背景故事，通过任务委派协作。独立自建，无框架包袱。

关注点：谁做什么（角色分工和任务分配）

AgentScope：Agent 即编程单元

LLM 足够聪明，给它 ReAct 循环就够。自由推理，过程式编排，需要时 RL 微调优化。

关注点：Agent 如何思考和进化（推理-行动循环 + RL 优化）

AutoGen：对话即协作

开创性的多 Agent 对话式协作。Agent 间像人一样用自然语言讨论、辩论、协调。

关注点：Agent 间如何交流（谁说给谁听，讨论什么）

MAF：企业即标准

AutoGen + Semantic Kernel 融合产物。聚焦生产级 Workflow 编排，.NET/Python 双栈支持，Durable Task 持久化引擎。

关注点：如何可靠地交付（类型安全/持久化/中间件/可观测）

相关页面

|- ai-game-devtools/langgraph — 有状态图编排 |- ai-game-devtools/crewai — 角色团队编排 |- ai-game-devtools/agentscope — AOP Agent 框架 |- ai-game-devtools/autogen — 先驱框架（维护模式） |- concepts/microsoft-agent-framework — MAF（AutoGen+SK 融合）