比较主流多 Agent 框架：CrewAI、AutoGen、LangGraph
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
代码块
YAML
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
代码块
Python
from crewai import Agent, Task, Crew, Process
# 定义角色
researcher = Agent(
role="高级研究分析师",
LangGraph
代码块
Python
from langgraph.graph import StateGraph, START, END
from typing import TypedDict, Annotated
class State(TypedDict):
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
代码块
Python
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"},
核心维度对比
各框架最佳适用场景
代码块
JSON
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",
],
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
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。
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。
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。
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。