（上）篇讲了 7 种 Multi-Agent 架构模式。本篇（下）讲主流框架对比 + 选型决策——光懂模式不够，要落地就要选具体框架。

一、7 个主流框架对比

框架 厂商 模式 语言 部署难度 学习曲线
LangGraph LangChain Supervisor / Graph Python 中 中
CrewAI CrewAI Inc. Role-Based Python 低 低
AutoGen Microsoft Conversation Python 中 中
MetaGPT DeepWisdom SOP-Driven Python 高 中高
OpenAI Agents SDK OpenAI Handoffs Python 低 低
Claude Code Agent Teams Anthropic P2P Mesh Python 低 低
MiniMax Mavis MiniMax LWV Python 中 中

二、7 框架详解

2.1 LangGraph

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
from langgraph.graph import StateGraph

# 定义状态
class AgentState(TypedDict):
    messages: list
    next_agent: str

# 定义节点
def supervisor(state):
    # 决定下一个 agent
    state["next_agent"] = "researcher"
    return state

def researcher(state):
    # 做研究
    return {"messages": state["messages"] + ["research result"]}

# 构建图
graph = StateGraph(AgentState)
graph.add_node("supervisor", supervisor)
graph.add_node("researcher", researcher)
graph.add_edge("supervisor", "researcher")
graph.add_edge("researcher", "supervisor")
app = graph.compile()

特点：

  • 完整 Graph API（StateGraph）
  • 灵活组合 7 种模式
  • 与 LangChain 生态集成

适用：复杂 workflow + 需要可观测

2.2 CrewAI

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
from crewai import Agent, Task, Crew

researcher = Agent(
    role="市场研究员",
    goal="收集 AI 行业最新动态",
    backstory="10 年科技媒体经验"
)

writer = Agent(
    role="内容写手",
    goal="把研究写成文章",
    backstory="擅长把复杂概念讲清楚"
)

research_task = Task(
    description="研究 2026 AI 编程工具",
    agent=researcher,
    expected_output="结构化研究报告"
)

write_task = Task(
    description="把研究报告写成博客文章",
    agent=writer,
    expected_output="2000 字博客"
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, write_task],
    verbose=True
)

result = crew.kickoff()

特点：

  • 角色定义自然语言化
  • 学习曲线低
  • 适合内容创作 / 调研

2.3 AutoGen

1
2
3
4
5
6
7
8
9
from autogen import AssistantAgent, UserProxyAgent

assistant = AssistantAgent("assistant", llm_config=...)
user_proxy = UserProxyAgent("user", code_execution_config={"work_dir": "."})

user_proxy.initiate_chat(
    assistant,
    message="分析这个数据集"
)

特点：

  • 对话驱动（GroupChat 模式）
  • 支持代码执行
  • 微软背景，企业友好

2.4 MetaGPT

1
2
3
4
5
6
from metagpt.roles import ProductManager, Architect, Engineer
from metagpt.team import Team

team = Team()
team.hire([ProductManager(), Architect(), Engineer()])
team.run_project("开发一个 AI 笔记 App")

特点：

  • 完整 SOP（产品 / 架构 / 工程 / QA）
  • 模拟真实软件公司
  • 适合软件工程

2.5 OpenAI Agents SDK

1
2
3
4
5
6
7
8
9
from agents import Agent, Runner

agent = Agent(
    name="assistant",
    instructions="You are a helpful assistant",
    tools=[get_weather, search_web]
)

result = Runner.run_sync(agent, "What's the weather in Tokyo?")

特点：

  • OpenAI 官方
  • Handoffs 模式
  • 适合 GPT 系列

2.6 Claude Code Agent Teams

1
2
3
4
5
6
7
8
9
# claude_code/agent_teams.yaml
teams:
  - name: research-team
    agents:
      - name: web-searcher
        model: claude-sonnet-4
      - name: analyzer
        model: claude-sonnet-4
    mailbox: redis

特点：

  • Anthropic 官方
  • P2P Mailbox 通信
  • 适合探索 / 多角度分析

2.7 MiniMax Mavis

1
2
# Mavis 内部格式
# 三权分立：Leader 派工 + Worker 执行 + Verifier 审查

特点：

  • LWV 模式
  • 强一致性
  • 国内可用

三、5 维度对比

维度 LangGraph CrewAI AutoGen MetaGPT Agents SDK
协议模式 任意图 Role 对话 SOP Handoffs
学习曲线 中高 低 中 中高 低
文档质量 ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐
社区活跃 ⭐⭐⭐⭐⭐ ⭐⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐ ⭐⭐⭐⭐
调试工具 LangSmith CrewAI Studio AutoGen Studio MetaGPT Web OpenAI Dashboard
商用支持 LangChain CrewAI Inc. Microsoft DeepWisdom OpenAI

四、5 类场景推荐

场景 推荐 理由
代码项目 MetaGPT 完整 SOP 模拟软件公司
内容创作 CrewAI 角色定义自然语言化
研究分析 Claude Code Agent Teams P2P 多角度
客服流程 OpenAI Agents SDK Handoffs 适合流水线
通用探索 LangGraph 灵活 + LangChain 生态

五、3 条选型原则

5.1 用现有 LLM 配套

  • 用 GPT 系列 → OpenAI Agents SDK
  • 用 Claude → Claude Code Agent Teams
  • 用国内模型（Qwen / GLM / Hy4）→ LangGraph / CrewAI

5.2 团队熟悉度优先

  • Python 熟 → 全部可选
  • TypeScript 熟 → 仅 LangGraph（TS 版）
  • 不熟 Python → 仅 OpenAI Agents SDK

5.3 任务匹配

  • 长任务（多步）→ MetaGPT / LangGraph
  • 短任务（单步）→ CrewAI
  • 探索任务 → Claude Code Agent Teams

六、3 个真实案例

6.1 内容生成

1
2
3
4
5
项目：每天产出 5 篇 AI 行业新闻摘要
选型：CrewAI（Role-Based）
团队：研究员 + 编辑 + 审校
流程：研究 → 写作 → 审校
成本：3 LLM 角色 × 5 篇 / 天 = 15 次 API 调用

6.2 自动化办公

1
2
3
4
5
6
7
8
项目：周报自动生成
选型：LangGraph（Supervisor + Worker）
流程：
  supervisor 接收周报需求
    → 数据收集 worker 拉数据
    → 模板填充 worker 套模板
    → 审核 worker 检查
    → supervisor 输出

6.3 软件工程

1
2
3
4
5
6
7
8
项目：自动重构 legacy 代码
选型：MetaGPT（SOP-Driven）
团队：架构师 + 开发 + 测试
流程：
  架构师 读代码 → 写架构方案
  开发 实施方案
  测试 写测试
  QA 验收

七、3 条避坑

  1. 不要为了”高级”选复杂框架——5 个 Agent 的项目用 Handoffs 比 LangGraph 简单
  2. 不要忽视调试工具——LangSmith / CrewAI Studio 是救命稻草
  3. 不要每个项目都从 0 搭——选熟悉的框架，积累复用

八、3 条未来趋势

  1. MCP + Agent 框架融合——MCP 工具调用 = 通用 Agent 协议
  2. 统一上下文窗口——128K → 1M context 让复杂 multi-agent 不再受限制
  3. Auto-eval 成熟——SWE-bench / HumanEval 自动评估 Agent 质量

九、本文 + 上篇

  • （上）7 种模式详解（已写）
  • （下）主流框架对比 + 选型（本文）

Multi-Agent 架构选型核心：先选模式，再选框架。模式错了，再多框架也救不了；模式对了，框架只是工具。LangGraph / CrewAI / AutoGen / MetaGPT 都能跑通，关键看你的任务。3 个 Agent 足够就别上 5 个，单进程足够就别上分布式。