AI Agent 框架横向对比

发布日期：2026-03-14 | 分类：框架 | 作者：探针

1. 框架概览

1.1 LangGraph

项目地址：github.com/langchain-ai/langgraph 维护方：LangChain Inc. 许可证：MIT

LangGraph 是 LangChain 团队推出的图结构 Agent 框架，将 Agent 工作流建模为有向图。

核心特性：

• 图结构工作流：Node（节点）+ Edge（边）
• 状态管理：TypedDict 定义全局状态
• 条件路由：基于状态动态选择下一步
• 持久化：内置 checkpoint 机制
• 人在环路（Human-in-the-loop）支持
• 时间旅行调试：回溯到任意历史状态

编程模型：

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

class AgentState(TypedDict):
    messages: list
    current_step: str

def research_node(state: AgentState) -> AgentState:
    # 研究节点逻辑
    return {"messages": state["messages"] + [research_result]}

def write_node(state: AgentState) -> AgentState:
    # 写作节点逻辑
    return {"messages": state["messages"] + [write_result]}

def route(state: AgentState) -> str:
    return "write" if state["current_step"] == "research_done" else "research"

graph = StateGraph(AgentState)
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_conditional_edges("research", route)
graph.add_edge("write", END)
app = graph.compile()

1.2 CrewAI

项目地址：github.com/crewAIInc/crewAI 维护方：CrewAI Inc. 许可证：MIT

CrewAI 采用「团队协作」的隐喻，通过定义角色（Agent）、任务（Task）和流程（Process）来构建多 Agent 系统。

核心特性：

• 角色扮演：每个 Agent 有明确的角色、目标和背景故事
• 任务委派：Agent 之间自动分配和协作
• 流程编排：Sequential（顺序）和 Hierarchical（层级）
• 工具集成：内置工具 + 自定义工具
• 记忆系统：短期、长期、实体记忆

编程模型：

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="资深技术研究员",
    goal="深入分析指定技术领域的最新进展",
    backstory="你拥有10年技术研究经验，擅长文献综述和趋势分析",
    tools=[search_tool, scraper_tool]
)

writer = Agent(
    role="技术写作者",
    goal="将研究发现转化为清晰易懂的技术文档",
    backstory="你是知名科技媒体的专栏作者，以深入浅出著称"
)

research_task = Task(
    description="调研 2025 年 AI Agent 框架的最新发展",
    expected_output="详细的调研报告，包含5个主要框架的对比",
    agent=researcher
)

write_task = Task(
    description="基于调研结果撰写一篇 3000 字的技术报告",
    expected_output="结构清晰的技术报告",
    agent=writer,
    context=[research_task]
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    process=Process.sequential
)

result = crew.kickoff()

1.3 AutoGen

项目地址：github.com/microsoft/autogen 维护方：Microsoft 许可证：MIT（0.4 版本）

AutoGen 是微软推出的多 Agent 对话框架，核心理念是通过 Agent 之间的对话来解决问题。

核心特性：

• 对话驱动：Agent 通过消息传递协作
• 灵活的对话模式：两两对话、群聊、嵌套对话
• 代码执行：内置安全的代码执行沙箱
• 人类参与：灵活的人类输入模式
• 0.4 版本重构：更模块化的架构

编程模型：

from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

llm_config = {"model": "gpt-4o", "api_key": "..."}

researcher = AssistantAgent(
    name="Researcher",
    system_message="你是一个技术研究员，负责收集和分析信息。",
    llm_config=llm_config
)

writer = AssistantAgent(
    name="Writer",
    system_message="你是一个技术写作者，负责将研究发现转化为文档。",
    llm_config=llm_config
)

reviewer = AssistantAgent(
    name="Reviewer",
    system_message="你是一个审稿人，负责审查文档质量并提供反馈。",
    llm_config=llm_config
)

user_proxy = UserProxyAgent(
    name="User",
    human_input_mode="TERMINATE",
    code_execution_config=False
)

group_chat = GroupChat(
    agents=[user_proxy, researcher, writer, reviewer],
    messages=[],
    max_round=20
)

manager = GroupChatManager(groupchat=group_chat, llm_config=llm_config)
user_proxy.initiate_chat(manager, message="请写一篇关于 AI Agent 的技术报告")

1.4 MetaGPT

项目地址：github.com/geekan/MetaGPT 维护方：DeepWisdom 许可证：MIT

MetaGPT 独创「软件公司」范式，模拟产品经理、架构师、工程师等角色协作完成软件开发。

核心特性：

• SOP 驱动：标准化操作流程
• 角色专业化：产品经理、架构师、工程师、QA
• 结构化输出：每个角色产生标准化文档
• 代码生成：端到端的软件开发流程
• 环境共享：Agent 共享黑板（消息池）

编程模型：

from metagpt.software_company import SoftwareCompany
from metagpt.roles import ProjectManager, Architect, Engineer

async def main():
    company = SoftwareCompany()
    company.hire([
        ProjectManager(),
        Architect(),
        Engineer()
    ])
    company.invest(investment=3.0)
    company.start_project("开发一个简单的 Todo App")
    await company.run(n_round=5)

1.5 OpenClaw

项目地址：github.com/openclaw/openclaw 维护方：OpenClaw 社区 许可证：Apache 2.0

OpenClaw 是一个以通信为中心的 Agent 框架，强调 Agent 与人类通过即时通讯平台（Telegram、Discord 等）的实时交互。

核心特性：

• 通信原生：内置 Telegram/Discord/WhatsApp 适配
• 技能系统：可组合的 Agent 技能（Skills）
• 工具集成：MCP（Model Context Protocol）工具接入
• 会话管理：多会话并行，上下文隔离
• 自主编排：Agent 可创建和管理子 Agent

编程模型： OpenClaw 更多通过配置驱动：

# AGENTS.md 配置示例
agent:
  name: tech-researcher
  model: gpt-4o
  channel: telegram
  
skills:
  - github
  - web-search
  - report-generator
  
tools:
  - exec
  - read
  - write

2. 编程模型对比

2.1 设计范式

2.2 灵活性 vs 易用性

2.3 学习曲线

3. 状态管理与持久化

3.1 状态管理对比

3.2 LangGraph 的 Checkpoint 机制

LangGraph 的持久化能力最为成熟：

from langgraph.checkpoint.sqlite import SqliteSaver

checkpointer = SqliteSaver.from_conn_string(":memory:")
app = graph.compile(checkpointer=checkpointer)

# 运行并自动保存 checkpoint
config = {"configurable": {"thread_id": "1"}}
result = app.invoke({"messages": [...]}, config)

# 恢复到特定 checkpoint
result = app.invoke(None, config)  # 继续之前的执行

4. 多 Agent 协作能力

4.1 协作模式对比

4.2 通信机制

5. 生产就绪度评估

5.1 综合评分

5.2 框架选型决策树

快速参考：

5.3 风险提示

1. Agent 框架变化快：各框架 API 迭代频繁，锁定效应需考虑
2. 成本不可预测：多 Agent 协作的 token 消耗可能指数级增长
3. 调试困难：多 Agent 交互的非确定性增加调试难度
4. 安全边界：Agent 自主行为的安全控制需要额外设计

参考来源

1. LangGraph 文档 — langchain-ai.github.io/langgraph
2. CrewAI 文档 — docs.crewai.com
3. AutoGen 文档 — microsoft.github.io/autogen
4. MetaGPT 论文 — Hong et al., "MetaGPT: Meta Programming for A Multi-Agent Collaborative Framework", ICLR 2024
5. OpenClaw 文档 — docs.openclaw.ai
6. AgentBench 基准 — Liu et al., "AgentBench: Evaluating LLMs as Agents", ICLR 2024 — arXiv:2308.03688
7. SWE-bench 基准 — Jimenez et al., "SWE-bench: Can Language Models Resolve Real-World GitHub Issues?", 2024 — arXiv:2310.06770

本报告基于 2025 年初各框架版本撰写，Agent 框架领域发展极为迅速，建议关注各项目 GitHub 获取最新状态。

📚 参考资料