多 Agent 框架

最后更新：2026-06-08 数据来源：data/frameworks.yaml 自动生成

---

🤖 多 Agent 的核心问题

多 Agent 系统不是"把多个 LLM 放在一起"，而是让多个 Agent 协作完成复杂任务。

你的情况	推荐框架	理由
快速原型 / 角色扮演	CrewAI	最简单，角色定义直观
复杂工作流 / 状态机	LangGraph	状态图编排，灵活强大
OpenAI 生态	OpenAI Agents SDK	官方支持，轻量级
微软生态	Microsoft Agent Framework	企业级，Azure 集成
HuggingFace 生态	Smolagents	轻量级，12K Stars
TypeScript 全栈	Mastra / VoltAgent	TS 原生，全栈开发

[!TIP] 多 Agent 的三种架构模式

1. 顺序执行：Agent A → Agent B → Agent C（流水线）
2. 并行执行：Agent A + Agent B + Agent C → 合并结果（MapReduce）
3. 动态路由：根据任务动态选择 Agent（状态机）

大多数项目用顺序执行就够了。只有真正需要并行处理或复杂决策时才用动态路由。

---

📋 多 Agent 框架总览

🔥 热门项目 (50K+ Stars)

名称	简介	标签	亮点
MetaGPT	多 Agent 框架，AI 软件公司，68.6K Stars	agent, automation, open-source	68.6K Stars AI 软件公司 多 Agent 框架
CrewAI	增长最快的多 Agent 角色扮演框架，主打简单易用与生产就绪	agent, content-creation, enterprise	角色定义直观 Flows 工作流编排 30K+ Stars 可依赖设计原则

⭐ 活跃项目 (10K-50K Stars)

名称	简介	标签	亮点
AutoGen (→ MAF)	微软多智能体对话框架，已与 Semantic Kernel 合并为 Microsoft Agent Framework	agent, chat, microsoft	多智能体对话编排 已合并入 MAF 43K+ Stars (原仓库) AutoGen 概念深度融入行业
Agno	高性能全栈多智能体框架 (前 Phidata)，专注速度与可扩展	agent, high-performance, all-in-one	Multi-Agent Framework + Runtime + Control Plane 内置记忆/知识库/会话管理 动态工具集成 35K+ Stars
LangGraph	LangChain 下一代核心，基于状态图实现复杂多 Agent 编排	graph, stateful, agent, pipeline	有向图状态机 循环/条件分支 内置持久化检查点 人机协作节点与时空回溯 29K+ Stars
OpenAI Agents SDK	OpenAI 官方多 Agent 编排 SDK，由 Swarm 演进而来，面向生产环境	agent, openai-compatible, enterprise	基于 Swarm 演进 Agent 交接 (Handoffs) Guardrails 安全护栏 调试追踪 25K+ Stars
Mastra	TypeScript 原生 Agent 框架，适合全栈开发	agent, coding-assistant, workflow, all-in-one	TS 原生 Agent 框架 Agent 网络编排 适合全栈开发
Smolagents	HuggingFace 出品的轻量级 Agent 框架	agent, open-source, easy-to-use	HuggingFace 出品 轻量级 Agent 12K Stars
Microsoft Agent Framework	微软出品的 AI Agent 构建、编排与部署框架	microsoft, agent, pipeline	11.1K Stars 微软出品 编排+部署

🆕 新兴项目 (<10K Stars)

名称	简介	标签	亮点
VoltAgent	TypeScript AI Agent 工程平台，开源	coding-assistant, agent, automation	9.5K Stars TypeScript Agent 工程平台
Agent Squad	灵活的多 Agent 管理框架，支持多种 Agent 类型	agent, easy-to-use, coding-assistant	7.6K Stars 灵活管理 多 Agent 类型
Swarms	企业级生产就绪的多 Agent 编排框架	enterprise, agent	6.8K Stars 企业级 生产就绪
OpenAgentsControl	Rust AI Agent 框架，计划优先的开发工作流	coding-assistant, agent, automation	4.3K Stars Rust 生态 计划优先工作流

---

🏛️ 两大阵营

🔵 角色扮演型：定义角色，自动协作

框架	Stars	核心优势	适合谁
CrewAI	53K	最简单，角色定义直观	快速原型，角色扮演
Agent Squad	7.6K	灵活的多 Agent 管理	多类型 Agent 协作
Swarms	6.8K	企业级生产就绪	企业级应用

🟢 状态图型：定义流程，精确控制

框架	Stars	核心优势	适合谁
LangGraph	34K	状态图编排，灵活强大	复杂工作流
OpenAI Agents SDK	27K	官方支持，轻量级	OpenAI 生态
Microsoft Agent Framework	11.1K	微软出品，企业级	微软生态
Smolagents	12K	HuggingFace 出品，轻量级	HuggingFace 生态

🟡 TypeScript 全栈型

框架	Stars	核心优势	适合谁
Mastra	25K	Gatsby 团队出品，全栈 Agent	TS 全栈开发者
VoltAgent	9.5K	Agent 工程平台	TS 开发者

💡 框架对比

维度	CrewAI	LangGraph	OpenAI Agents SDK	Smolagents
学习曲线	低	高	低	低
灵活性	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐
生产就绪	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐
记忆管理	⭐⭐	⭐⭐⭐	⭐⭐	⭐⭐
社区活跃度	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐

🚀 快速上手

CrewAI 最简示例：

# pip install crewai
from crewai import Agent, Task, Crew

# 定义 Agent
researcher = Agent(role="研究员", goal="收集信息", backstory="你是研究专家")
writer = Agent(role="作家", goal="撰写文章", backstory="你是写作专家")

# 定义 Task
research_task = Task(description="研究 AI 发展趋势", agent=researcher)
write_task = Task(description="撰写研究报告", agent=writer)

# 运行 Crew
crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff()
print(result)

LangGraph 最简示例：

# pip install langgraph
from langgraph.graph import StateGraph, END

# 定义状态
class State(Topic):
    messages: list

# 定义节点
def researcher(state: State):
    # 研究逻辑
    return {"messages": state["messages"] + ["研究完成"]}

def writer(state: State):
    # 写作逻辑
    return {"messages": state["messages"] + ["写作完成"]}

# 构建图
graph = StateGraph(State)
graph.add_node("researcher", researcher)
graph.add_node("writer", writer)
graph.add_edge("researcher", "writer")
graph.add_edge("writer", END)

# 运行
app = graph.compile()
result = app.invoke({"messages": []})
print(result)

🧠 Agent 记忆管理

多 Agent 系统的核心挑战之一是记忆管理：

框架	记忆类型	说明
CrewAI	短期记忆	对话内记忆，不跨会话
LangGraph	状态持久化	通过 Checkpoint 持久化状态
Cognee	长期记忆	知识图谱 + 向量检索（见 02-infrastructure/vector-db.md）
OpenViking	上下文数据库	专为 Agent 设计的上下文管理（见 02-infrastructure/vector-db.md）

[!TIP] 记忆管理的最佳实践

• 短期任务：用框架内置的记忆（CrewAI/LangGraph）
• 长期任务：用 Cognee 或 OpenViking 做持久化记忆（见基础设施层）
• 知识密集：用知识图谱（GraphRAG）做结构化记忆

---

更新频率：每季度更新 自动化：运行 python scripts/build_docs.py 从 YAML 重新渲染表格。