Agent 框架全景：LangGraph / CrewAI / AutoGen / MetaGPT

来源：langchain-ai/langgraph · crewAIInc/crewAI · microsoft/autogen · geekan/MetaGPT · langgenius/dify | 整理时间：2026-04-04

概述

除了官方 SDK（Claude/OpenAI/Google），社区还涌现了大量 Agent 框架。本篇介绍最受欢迎的五个开源框架，分析各自的设计理念和适用场景。

框架全景对比

LangGraph：图式多 Agent 编排

核心概念

LangGraph 把 Agent 工作流建模为有向图：

[开始] → [分析需求] → [条件分支]
                         ├→ [简单任务] → [直接执行] → [结束]
                         └→ [复杂任务] → [拆分子任务] → [并行执行] → [汇总] → [结束]

关键特性

• StateGraph：状态在节点间传递，支持持久化
• 条件路由：根据状态动态选择下一个节点
• 人机交互：中断点（breakpoint）暂停等待人类输入
• 检查点：状态快照，支持回滚和恢复

代码示例

from langgraph.graph import StateGraph, END

def analyze(state):
    """分析用户需求"""
    return {"complexity": assess_complexity(state["query"])}

def route(state):
    """根据复杂度路由"""
    if state["complexity"] > 0.7:
        return "complex"
    return "simple"

graph = StateGraph(AgentState)
graph.add_node("analyze", analyze)
graph.add_node("simple", handle_simple)
graph.add_node("complex", handle_complex)

graph.add_conditional_edges("analyze", route, {
    "simple": "simple",
    "complex": "complex",
})
graph.add_edge("simple", END)
graph.add_edge("complex", END)

app = graph.compile()
result = app.invoke({"query": "Build a REST API"})

适合场景

• 需要精确控制工作流流转的复杂业务
• 需要人机交互的审批流程
• 需要状态持久化和恢复的长时任务

CrewAI：角色协作框架

核心概念

CrewAI 模拟人类团队协作：每个 Agent 有角色、目标和背景故事。

研究员 Agent → 收集信息
    ↓
作家 Agent → 撰写内容
    ↓
审校 Agent → 质量检查
    ↓
最终输出

关键特性

• 角色定义：给 Agent 设定专业身份
• 任务委派：Agent 之间可以互相委托任务
• 流程类型：顺序（Sequential）、层级（Hierarchical）
• 工具共享：团队内共享工具集

代码示例

from crewai import Agent, Task, Crew

researcher = Agent(
    role="市场研究员",
    goal="收集关于 AI Agent 市场的最新信息",
    backstory="你是一名资深市场分析师，擅长发现行业趋势",
    tools=[search_tool, web_scraper],
)

writer = Agent(
    role="技术作家",
    goal="将研究结果整理成易懂的报告",
    backstory="你是一名技术写作者，擅长把复杂概念讲清楚",
)

research_task = Task(
    description="研究 2026 年 AI Agent 市场趋势",
    agent=researcher,
)

write_task = Task(
    description="基于研究结果撰写市场报告",
    agent=writer,
)

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

result = crew.kickoff()

适合场景

• 多角色协作的内容创作
• 需要"人类团队"模式的项目管理
• 快速原型和 MVP

AutoGen：微软多 Agent 对话框架

核心概念

AutoGen 围绕对话构建多 Agent 系统，Agent 之间通过消息传递协作。

关键特性

• 人类代理（Human Proxy）：人类可以随时加入对话
• 代码执行：Agent 自动生成和执行代码
• 群聊：多个 Agent 在一个聊天中协作
• 可组合：灵活组合不同的 Agent 类型

适合场景

• 研究和探索性任务
• 需要人类随时介入的场景
• 代码生成和执行

MetaGPT：软件团队模拟

核心概念

MetaGPT 模拟一个完整的软件开发团队：产品经理→架构师→工程师→QA，每个角色由 Agent 扮演。

[产品经理 Agent] → 输出 PRD
      ↓
[架构师 Agent] → 输出技术设计
      ↓
[工程师 Agent] → 输出代码
      ↓
[QA Agent] → 输出测试用例

关键特性

• SOP 驱动：标准操作流程确保输出质量
• 角色专业化：每个 Agent 有明确的职责和输出格式
• 完整软件流程：从需求到代码到测试

适合场景

• 端到端软件开发自动化
• 代码生成和项目脚手架
• 需要结构化输出的开发任务

Dify：可视化 Agent 构建平台

核心概念

Dify 是一个低代码/无代码的 LLM 应用构建平台，提供拖拽式工作流编辑器。

关键特性

• 可视化编辑：拖拽节点构建工作流
• RAG 流水线：内置文档索引和检索
• 多模型支持：接入 OpenAI、Claude、Gemini 等
• 一键部署：内置 API 和 Web 应用
• 中国市场友好：中国团队开发，社区活跃

适合场景

• 不写代码构建 AI 应用
• 快速搭建 RAG 系统
• 企业内部 AI 工具平台

选型建议

按使用方式

按技术背景

生态趋势

2025-2026 年的 Agent 框架生态呈现以下趋势：

1. 从单 Agent 到多 Agent——框架都在支持多 Agent 协作
2. 从代码到可视化——Dify、Langflow 等提供拖拽界面
3. 从实验到生产——关注可靠性、可观测性和安全性
4. 协议标准化——MCP、A2A 等协议推动互操作性
5. 评估体系化——SWE-bench、DeepEval 等评估工具成熟

相关链接

• 什么是 AI Agent
• 核心模式详解
• 主流 Agent SDK 对比
• MCP 协议详解
• LangGraph：https://github.com/langchain-ai/langgraph
• CrewAI：https://github.com/crewAIInc/crewAI
• AutoGen：https://github.com/microsoft/autogen
• MetaGPT：https://github.com/geekan/MetaGPT
• Dify：https://github.com/langgenius/dify