2024 下半年 Agent 框架井喷式发展，LangGraph、CrewAI、AutoGen 是目前最有代表性的三个。从设计理念、多 Agent 协作、工具调用、状态管理等维度做一个横向对比。
设计理念的差异
三个框架的出发点完全不同，这决定了它们各自适合什么场景。
LangGraph 来自 LangChain 团队，核心理念是「Agent 就是状态机」。它把 Agent 的执行过程建模为有向图（Graph），每个节点是一个处理步骤，边代表条件分支。开发者需要显式定义节点和边，控制力最强，但也最底层。适合需要精确控制执行流程的复杂场景。
CrewAI 的理念是「模拟真实团队协作」。它定义了 Agent（有角色、目标、背景故事）、Task（具体任务）和 Crew（团队组合）三个核心概念。每个 Agent 有明确的角色定义，通过自然语言交互完成协作。上手最简单，适合快速搭建多 Agent 应用原型。
AutoGen 来自微软研究院，核心是「可编程的多 Agent 对话」。它的 Agent 之间通过消息传递进行对话，开发者可以精细控制对话的流转逻辑。特色是对人类参与（human-in-the-loop）的原生支持，以及灵活的对话模式定义。
多 Agent 协作
LangGraph 的协作方式
LangGraph 通过图结构实现协作。多个 Agent 是图中的节点，通过边连接。共享状态（State）在节点之间传递，每个节点可以读写状态。
优点是流程完全可控——你可以精确定义哪个 Agent 在什么条件下被调用。缺点是对于动态协作场景（比如 Agent 之间的自由讨论），实现起来很繁琐，需要手动编排大量条件分支。
CrewAI 的协作方式
CrewAI 的协作最直观。定义好 Agent 的角色和 Task 后，设定执行模式：
- Sequential（顺序执行）：Task 按顺序分配给不同 Agent
- Hierarchical（层级模式）：有一个 Manager Agent 负责分配任务
- Consensual（共识模式）：Agent 之间讨论达成共识
Agent 之间的交互是自然语言层面的——上一个 Agent 的输出作为下一个 Agent 的输入。这种方式简单易懂，但控制力有限，输出质量依赖 Agent 角色描述的好坏。
AutoGen 的协作方式
AutoGen 的协作基于消息传递。核心概念是 GroupChat——多个 Agent 在一个聊天组中对话，通过 GroupChatManager 控制发言顺序。
特色是 Human Proxy Agent——可以在对话中插入人工干预节点，让人类在关键步骤做决策。这在需要人工审核的场景（比如代码审查、内容审核）非常实用。
工具调用
LangGraph：工具调用完全由开发者控制。在图的节点中手动调用工具，灵活但需要写更多代码。支持任何 LangChain 工具和自定义工具。
CrewAI：内置了工具系统，可以给 Agent 绑定工具。内置工具包括搜索、文件读写、代码执行等。也支持自定义工具，接口比较简单。缺点是工具的错误处理不够完善，工具调用失败后 Agent 的恢复逻辑有时不太靠谱。
AutoGen：支持函数调用（function calling），Agent 可以注册可调用的函数。支持代码执行器（Code Executor），Agent 可以生成并执行代码。代码执行支持 Docker 容器隔离，安全性考虑比较周全。
状态管理
LangGraph：最强的状态管理能力。State 是一个 TypedDict，所有节点共享并可以修改。内置 checkpoint 机制，支持持久化和恢复。可以从任意 checkpoint 回溯或分叉。适合需要复杂状态追踪的长流程任务。
CrewAI：状态管理比较简单。Task 之间通过上下文传递信息，短期记忆存在内存中。支持长期记忆（需要额外配置向量数据库）。对于简单的多步骤任务够用，但不适合需要复杂状态回溯的场景。
AutoGen：状态主要通过对话历史维护。每个 Agent 维护自己的对话记录。GroupChat 场景下有共享的消息历史。没有 LangGraph 那样的结构化状态和 checkpoint。
优缺点总结
| 维度 | LangGraph | CrewAI | AutoGen |
|---|---|---|---|
| 学习曲线 | 陡峭 | 平缓 | 中等 |
| 控制力 | 最强 | 最弱 | 中等 |
| 灵活性 | 最高 | 中等 | 高 |
| 上手速度 | 慢 | 快 | 中等 |
| 调试难度 | 低（流程可视化） | 高（黑盒较多） | 中等 |
| 生产可用性 | 最高 | 中等 | 中等 |
| 社区活跃度 | 高 | 高 | 中等 |
| 文档质量 | 好 | 一般 | 好 |
选型建议
选 LangGraph 的场景：
- 需要精确控制 Agent 执行流程
- 生产环境部署，需要可靠的状态管理和错误恢复
- 复杂的多步骤工作流，有条件分支和循环
- 团队有 LangChain 经验
选 CrewAI 的场景：
- 快速验证多 Agent 协作的 idea
- 角色明确的团队协作模拟（研究团队、写作团队等）
- 原型开发和 demo
- 团队 AI 开发经验有限，需要快速上手
选 AutoGen 的场景：
- 需要人工参与的工作流（审核、决策）
- 代码生成和执行场景
- 研究性质的多 Agent 对话实验
- 需要灵活的对话模式控制
个人的体会是：如果目标是生产环境，LangGraph 是目前最稳妥的选择，虽然开发成本高但可控性强。如果是做 demo 或者验证想法，CrewAI 半小时就能搭出一个能跑的原型。AutoGen 适合需要人机协作的特定场景。
不过这个领域变化极快，三个框架都在快速迭代。2024 年底的结论到 2025 年可能就过时了。
