10b - 多 Agent 框架对比

控制精度 高 ──────────────────────────────── 低
              │                              │
              │  LangGraph    Microsoft AF   │
              │  (状态图)      (企业统一)      │
              │                              │
              │     Google ADK    CrewAI      │
              │     (全栈企业)    (角色团队)    │
              │                              │
              │  OpenAI Agents SDK   Agno    │
              │  (轻量 Handoff)   (高性能)    │
              │                              │
              │            smolagents         │
              │            (极简实验)          │
              │                              │
抽象程度 低 ──────────────────────────────── 高

from langgraph.graph import StateGraph, END
 
# 定义状态图
workflow = StateGraph(AgentState)
workflow.add_node("researcher", research_agent)
workflow.add_node("writer", writing_agent)
workflow.add_node("reviewer", review_agent)
 
# 定义转换边
workflow.add_edge("researcher", "writer")
workflow.add_edge("writer", "reviewer")
workflow.add_conditional_edges(
    "reviewer",
    should_revise,  # 条件函数
    {"revise": "writer", "approve": END}
)

from crewai import Agent, Task, Crew
 
# 定义角色化 Agent
researcher = Agent(
    role="高级研究员",
    goal="深入调研 AI Agent 框架的最新发展",
    backstory="你是一位资深技术分析师...",
    tools=[search_tool, web_scraper],
    llm="gpt-4o"
)
 
writer = Agent(
    role="技术作家",
    goal="将研究成果转化为清晰易懂的技术文章",
    backstory="你是一位经验丰富的技术写作者...",
    llm="claude-sonnet-4"
)
 
# 定义任务和团队
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process="sequential"  # 或 "hierarchical"
)
result = crew.kickoff()

# Microsoft Agent Framework 示例（Python）
from microsoft.agents import Agent, AgentRuntime, ChatCompletionAgent
 
# 定义 Agent
analyst = ChatCompletionAgent(
    name="数据分析师",
    instructions="你是一位数据分析专家...",
    model="gpt-4o"
)
 
reviewer = ChatCompletionAgent(
    name="审查员",
    instructions="你负责审查分析结果的准确性...",
    model="gpt-4o"
)
 
# 使用 AgentGroupChat 进行多 Agent 协作
from microsoft.agents import AgentGroupChat, TerminationStrategy
chat = AgentGroupChat(
    agents=[analyst, reviewer],
    termination_strategy=TerminationStrategy(max_turns=10)
)

from agents import Agent, Runner
 
# 定义专业化 Agent
triage_agent = Agent(
    name="分诊 Agent",
    instructions="根据用户问题类型，将任务交接给合适的专家。",
    handoffs=[billing_agent, tech_support_agent, sales_agent]
)
 
billing_agent = Agent(
    name="账单专家",
    instructions="处理所有与账单、付款、退款相关的问题。",
    tools=[lookup_invoice, process_refund]
)
 
# 运行
result = await Runner.run(triage_agent, input="我想查询上个月的账单")

from agno.agent import Agent
from agno.models.openai import OpenAIChat
from agno.tools.duckduckgo import DuckDuckGoTools
 
# 创建高性能 Agent
agent = Agent(
    model=OpenAIChat(id="gpt-4o"),
    tools=[DuckDuckGoTools()],
    instructions="你是一位研究助手...",
    markdown=True,
    show_tool_calls=True
)
 
# 多 Agent 团队
from agno.team import Team
team = Team(
    agents=[researcher, analyst, writer],
    mode="coordinate"  # 或 "route", "collaborate"
)

from smolagents import CodeAgent, HfApiModel, DuckDuckGoSearchTool
 
# 创建代码生成 Agent
agent = CodeAgent(
    tools=[DuckDuckGoSearchTool()],
    model=HfApiModel("Qwen/Qwen2.5-Coder-32B-Instruct"),
    max_steps=5
)
 
# 多 Agent 编排
from smolagents import ManagedAgent
managed_researcher = ManagedAgent(
    agent=researcher_agent,
    name="researcher",
    description="负责搜索和收集信息"
)
 
manager = CodeAgent(
    tools=[],
    model=model,
    managed_agents=[managed_researcher, managed_writer]
)

from google.adk import Agent, Runner
 
# 创建 Agent
research_agent = Agent(
    name="researcher",
    model="gemini-2.0-flash",
    instruction="你是一位研究助手...",
    tools=[google_search, web_browse]
)
 
# 层级化多 Agent
coordinator = Agent(
    name="coordinator",
    model="gemini-2.5-pro",
    instruction="协调研究和写作 Agent 完成任务",
    sub_agents=[research_agent, writing_agent]
)

你要构建什么类型的多 Agent 系统？
│
├─ 需要精确控制每一步流程？
│  ├─ 是 → 你的技术栈是什么？
│  │  ├─ Python/TypeScript → LangGraph
│  │  └─ C#/.NET → Microsoft Agent Framework
│  └─ 否 → 继续 ↓
│
├─ 任务是否自然映射为"团队角色分工"？
│  ├─ 是 → CrewAI
│  └─ 否 → 继续 ↓
│
├─ 主要是 Agent 间的任务路由/交接？
│  ├─ 是 → OpenAI Agents SDK
│  └─ 否 → 继续 ↓
│
├─ 性能是首要考量（低延迟、高吞吐）？
│  ├─ 是 → Agno
│  └─ 否 → 继续 ↓
│
├─ 需要 Google Cloud / A2A 集成？
│  ├─ 是 → Google ADK
│  └─ 否 → 继续 ↓
│
├─ 是学习/实验/快速原型？
│  ├─ 是 → smolagents
│  └─ 否 → 继续 ↓
│
└─ 需要企业级安全和合规？
   ├─ Azure 生态 → Microsoft Agent Framework
   ├─ Google 生态 → Google ADK
   └─ 其他 → LangGraph + LangSmith

# LangGraph：显式状态图
from langgraph.graph import StateGraph, END
from typing import TypedDict, List
 
class ResearchState(TypedDict):
    query: str
    raw_data: List[str]
    analysis: str
    report: str
 
graph = StateGraph(ResearchState)
graph.add_node("search", search_node)
graph.add_node("analyze", analyze_node)
graph.add_node("write", write_node)
graph.add_node("quality_check", quality_node)
 
graph.set_entry_point("search")
graph.add_edge("search", "analyze")
graph.add_edge("analyze", "write")
graph.add_conditional_edges(
    "quality_check",
    lambda state: "pass" if state["quality_score"] > 0.8 else "revise",
    {"pass": END, "revise": "write"}
)
graph.add_edge("write", "quality_check")
 
app = graph.compile()

# CrewAI：角色制团队
from crewai import Agent, Task, Crew, Process
 
searcher = Agent(role="信息搜索专家", goal="全面搜集相关信息", tools=[search_tool])
analyst = Agent(role="数据分析师", goal="从原始数据中提取关键洞察")
writer = Agent(role="技术作家", goal="撰写结构清晰的研究报告")
 
search_task = Task(description="搜索 {query} 的最新信息", agent=searcher)
analyze_task = Task(description="分析搜索结果，提取关键发现", agent=analyst)
write_task = Task(description="基于分析结果撰写研究报告", agent=writer)
 
crew = Crew(
    agents=[searcher, analyst, writer],
    tasks=[search_task, analyze_task, write_task],
    process=Process.sequential
)
result = crew.kickoff(inputs={"query": "2026 多 Agent 框架趋势"})

# OpenAI Agents SDK：Handoff 模式
from agents import Agent, Runner
 
writer_agent = Agent(
    name="技术作家",
    instructions="基于分析结果撰写研究报告。",
    tools=[format_report]
)
 
analyst_agent = Agent(
    name="数据分析师",
    instructions="分析搜索结果，提取关键发现。完成后交给技术作家。",
    handoffs=[writer_agent]
)
 
search_agent = Agent(
    name="信息搜索专家",
    instructions="搜索相关信息。完成后交给数据分析师。",
    tools=[web_search],
    handoffs=[analyst_agent]
)
 
result = await Runner.run(search_agent, input="调研 2026 多 Agent 框架趋势")

AutoGen 项目
│
├─ 使用 AutoGen 的多 Agent 对话模式？
│  └─ → Microsoft Agent Framework 的 AgentGroupChat
│
├─ 使用 AutoGen 的工具调用？
│  └─ → Microsoft Agent Framework 的 KernelFunction（继承自 Semantic Kernel）
│
├─ 使用 AutoGen 的代码执行？
│  └─ → Microsoft Agent Framework 的 CodeInterpreter Agent
│
└─ 不想迁移到 Microsoft 生态？
   ├─ 需要精细流程控制 → LangGraph
   ├─ 需要角色制团队 → CrewAI
   └─ 需要轻量级方案 → OpenAI Agents SDK