《AI Agent原理与实战》2026版 第23课 多 Agent 框架横评

本文收录于专栏 《AI Agent原理与实战》2026版 —— 专栏系统覆盖 AI Agent 的记忆、工具、插件与实战，点击订阅可跟踪后续更新。

本课定位：编排思想在四个框架里的不同实现：AutoGen 的 Team、MetaGPT 的 SOP 流水线、CrewAI 的角色声明、OpenAI Agents SDK 的 subagents。同一任务两框架实现对比后你会发现：框架差异小于思想差异，选型看团队口味与生态。

阶段 4｜多智能体系统 ｜ 来源：【补】+ 微软第 8 课模式语言 + AutoGen 官方架构

关键字： AutoGen、MetaGPT、CrewAI、多Agent框架横评、协作抽象、角色分工、框架对比、选型建议

本节目录

• 23.1 横评总表
• 23.2 各框架的协作抽象拆解
• 23.3 AutoGen / AG2：Team 为中心的可编程协作
• 23.4 MetaGPT：把人类 SOP 编码进流水线
• 23.5 CrewAI：角色直觉 + 声明式配置
• 23.6 OpenAI Agents SDK：薄层 + agents-as-tools
• 23.7 token 与协调复杂度的账
• 23.8 版本 A：CrewAI hierarchical（Supervisor 形态）
• 23.9 版本 B：OpenAI Agents SDK agents-as-tools（Orchestrator-Worker 形态）

概念讲解

23.1 横评总表

先给结论级对比（版本核自 PyPI，检索日 2026-10-01；Star 数为约数，随时间漂移）：

三点版本背景说明（检索日核实）： ① AutoGen 0.2 → 0.4 是架构级重写（事件驱动、可观测、可伸缩），老代码不兼容；0.4 后微软官方节奏放缓，社区 fork AG2（ag2.ai）接棒活跃开发，两者 API 高度同源——选型时把 AG2 视为 AutoGen 的"现行主线"更符合实态。 ② MetaGPT 团队重心已转向产品 MGX（MetaGPT X），框架本身 2025-03 后无新版。 ③ CrewAI 走"开源框架 + 商业平台"双轨，框架 1.x 是稳定线。

23.2 各框架的协作抽象拆解

拆解前先立坐标： 微软第 8 课的三种参考模式（微软·8）——Group chat（共享消息流群聊）、Hand-off（预定义规则移交）、Collaborative filtering（多专家协作推荐）——是理解四家框架差异的最短路径：每家框架本质上都是把这三件事（外加编排与状态管理）封装成了自己的抽象。 下面逐个看它们各自的封装方式。

23.3 AutoGen / AG2：Team 为中心的可编程协作

AutoGen 的世界观：Agent 是有预设行为的对话体，Team 是多 Agent 设计模式的载体。AgentChat（高层 API）内置了第 21 课拓扑的大部分：

• RoundRobinGroupChat：固定轮转（pipeline 式）
• SelectorGroupChat：由一个可定制的 selector（LLM 或函数）决定下一个发言者（supervisor 式，中央集权）
• Swarm：Agent 通过 handoff 在共享上下文里移交控制权（去中心化式）
• GraphFlow：有向图编排（显式 DAG）
• Magentic-One：微软的通用多 Agent 应用参考实现（含网页浏览、文件操作）

用微软第 8 课的模式语言读这份清单（微软·8）：RoundRobinGroupChat/SelectorGroupChat 是 Group chat 模式的代码化（前者规则轮转、后者中央路由），Swarm 是 Hand-off 模式的代码化（Agent 间直接移交），GraphFlow 则把"多 Agent 模式选择"（微软·8 构建块五）做成显式 DAG 由你完全定义——微软课程讲的模式与微软自研框架的抽象一一对应并非巧合：AutoGen 正是这门课推荐资源里的 Microsoft Agent Framework 的姊妹项目（微软·8 Additional resources）。

需要更细控制时下到 autogen-core：事件驱动、Actor 模型，消息路由完全自控。这个"高层模式 + 底层自控"的双层设计是 AutoGen 最独特的资产。

23.4 MetaGPT：把人类 SOP 编码进流水线

MetaGPT 的核心主张（arXiv:2308.00352）：让 Agent 少犯"幻觉式协作"错误的方法，是把**人类软件公司的标准作业程序（SOP）**显式编码进系统——产品经理 Agent 产出 PRD → 架构师 Agent 产出系统设计 → 工程师 Agent 写代码 → QA Agent 审查。每个角色有固定的输入/输出产物（结构化文档），流水线自动流转。 它证明了一件事：预定义的制品化流程能把多 Agent 的输出从闲聊提升到工程交付物。代价是流程刚性——SOP 假设你在做"软件开发"这件事，改流程等于改框架的骨架假设。研究/开放探索类任务不是它的主场。

23.5 CrewAI：角色直觉 + 声明式配置

CrewAI 的抽象最贴近"招一支团队"的直觉：Agent（角色+目标+背景故事）、Task（分配给 Agent 的工作单元）、Crew（编队，声明 Process 模式：sequential 顺序执行 / hierarchical 由 manager Agent 调度——即第 22 课的 Supervisor）。 三件套全部声明式配置，上手最快；钩子/回调体系完善，适合快速把业务流程原型化。注意 hierarchical 模式本质就是内置 manager 的 supervisor 模式，token 结构与第 22 课分析一致。

23.6 OpenAI Agents SDK：薄层 + agents-as-tools

SDK 的多 Agent 有两条路（官方文档明确区分）： handoffs（Agent 间移交对话控制权，适合分工明确的路由，如客服转技术支持——即微软 Hand-off 模式的直译，微软·8）与 agents-as-tools（把子 Agent 包成工具给主 Agent 调用，子 Agent 拿独立上下文干活、返回结果——这正是第 22 课 Orchestrator-Worker 的官方形态，也接近微软 Collaborative filtering 模式"多专家各出一判断再合成"的结构（微软·8））。加上 guardrails（输入输出校验）和 tracing 内建，它是"框架够薄、模式自选"的代表：不会替你决定协作结构，但把 handoff/工具包装/追踪的样板都做好了。

23.7 token 与协调复杂度的账

框架不改变第 22 课的成本物理：多 Agent 系统仍要烧 ~15× token。但框架在三个地方影响成本结构：

选型口径（按场景倒推）：

案例实战：同一任务在两个框架下的实现对比

• 目标：任务"调研 X 主题并写摘要"用 CrewAI（hierarchical = Supervisor 模式） 与 OpenAI Agents SDK（agents-as-tools = Orchestrator-Worker 模式） 各实现一遍，对照第 22 课两种编排模式在框架里的真实形态。两个版本均已用国产模型实测跑通（2026-10-01），LLM 全部走 DeepSeek。
• 运行环境：Windows 10/11 / macOS / Linux；Python ≥ 3.10。依赖：版本 A pip install "crewai>=1.15"（会经 LiteLLM 生态装入大量依赖，建议独立虚拟环境）；版本 B pip install "openai-agents>=0.22"（轻量）。key 设置同第 21 课。

23.8 版本 A：CrewAI hierarchical（Supervisor 形态）

# CrewAI hierarchical supervisor【已实测——2026-10 于 Linux (Ubuntu 22.04, Python 3.10,
# crewai 1.15.23 + deepseek-chat) 端到端跑通, manager 完成 2 次任务分派】
# 依赖：pip install "crewai>=1.15"；LLM 经 LiteLLM 生态接 DeepSeek
import os
from crewai import Agent, Task, Crew, Process, LLM

llm = LLM(
model="deepseek/deepseek-chat", # <provider>/<model> 格式走 LiteLLM
api_key=os.environ.get("DEEPSEEK_API_KEY", "YOUR_API_KEY"),
base_url="https://api.deepseek.com",
)

researcher = Agent(
role="研究员",
goal="收集主题的关键事实与来源",
backstory="资深研究员, 只回传带来源的压缩发现",
llm=llm,
allow_delegation=False,
max_iter=10, # 失控防控: 单 Agent 迭代上限 (CrewAI 默认 20)
)
writer = Agent(
role="撰稿人",
goal="把研究发现写成结构化摘要",
backstory="技术撰稿人, 拒绝无来源论断",
llm=llm,
allow_delegation=False,
max_iter=10,
)
tasks = [
Task(description="调研主题: {topic}, 回传要点+来源", expected_output="要点列表", agent=researcher),
Task(description="基于要点写 300 字摘要", expected_output="摘要文本", agent=writer),
]
crew = Crew(
agents=[researcher, writer], tasks=tasks,
process=Process.hierarchical, # 内置 manager Agent = Supervisor 模式
manager_llm=llm,
)
result = crew.kickoff(inputs={"topic": "多 Agent 框架的 token 成本结构"})
print(result.raw)

23.9 版本 B：OpenAI Agents SDK agents-as-tools（Orchestrator-Worker 形态）

# Agents SDK orchestrator-worker【已实测——2026-10 于 Linux (Ubuntu 22.04, Python 3.10,
# openai-agents 0.22.0 + deepseek-chat) 端到端跑通, lead 按序调用 research/write 两个工具各一次】
# 依赖：pip install "openai-agents>=0.22"；非 OpenAI 模型用 set_default_openai_client 接入
import os, asyncio
from openai import AsyncOpenAI
from agents import Agent, Runner, set_default_openai_client, set_tracing_disabled

ds_client = AsyncOpenAI(
api_key=os.environ.get("DEEPSEEK_API_KEY", "YOUR_API_KEY"),
base_url="https://api.deepseek.com",
default_headers={"Accept-Encoding": "gzip, deflate"},
)
set_default_openai_client(ds_client) # 全局换默认模型提供方
set_tracing_disabled(True) # 不向 OpenAI 上传 trace（用国产模型时必关）
MODEL = "deepseek-chat"

researcher = Agent(
name="researcher",
instructions="调研给定主题, 回传要点+来源, 不超过 200 字。",
model=MODEL,
)
writer = Agent(
name="writer",
instructions="把研究发现写成 300 字结构化摘要, 拒绝无来源论断。",
model=MODEL,
)
# agents-as-tools: 子 Agent 被包成工具, 各自独立上下文窗口 —— 第22课 orchestrator-worker
orchestrator = Agent(
name="lead",
instructions="你是研究主Agent: 先派 researcher 调研, 再派 writer 成文。每个子Agent只调一次。",
tools=[researcher.as_tool(tool_name="research",
tool_description="调研主题并回传要点"),
writer.as_tool(tool_name="write",
tool_description="把要点写成摘要")],
model=MODEL,
)

async def main(topic: str):
result = await Runner.run(orchestrator, f"主题: {topic}", max_turns=10) # 失控防控
print(result.final_output)

if __name__ == "__main__":
asyncio.run(main("多 Agent 框架的 token 成本结构"))

• 步骤：① 建两个独立虚拟环境分别装 crewai / openai-agents（避免依赖互相降级，实测中 crewai 会把 openai 包从 3.x 降到 2.x）→ ② 设置 DEEPSEEK_API_KEY → ③ 各跑一次同一主题 → ④ 对比日志：CrewAI 版能看到 manager 的调度消息（Supervisor 形态），SDK 版能看到 lead 对两个"工具"的调用（Worker 形态）。
• 实测记录（2026-10-01，Linux/Ubuntu 22.04 + Python 3.10 + deepseek-chat）：版本 A manager 正确把两个 Task 分派给 researcher/writer，产出约 400 字摘要（内容涵盖 token 成本七类构成、框架差异、缓存优化）；版本 B lead 严格按指令先 research 后 write 各调一次，输出结构化摘要并附"以上由 researcher 调研、writer 成文"的执行说明——两家对同一主题的输出可对照。
• 预期输出：两份摘要文本；打开两家的 tracing（CrewAI 日志 / SDK 默认 tracing）对比消息结构——共享上下文 vs 独立窗口+结果回传的差别一目了然。
• 对比结论（结构对照，无需跑也能读）：CrewAI hierarchical 把第 22 课的 Supervisor 循环内置成了 Process 选项；SDK 的 as_tool 把 Orchestrator-Worker 内置成了一行调用。失控防控参数（max_iter / max_turns）框架其实都有内置默认值（CrewAI Agent 的 max_iter 默认 20，SDK 的 Runner.run 可传 max_turns），但默认值偏宽松，生产代码应按任务显式收紧。
• 国产模型接入要点（两家实测通用）：① OpenAI 兼容端点直接换 base_url；② CrewAI 走 LiteLLM 的 provider/model 命名；③ Agents SDK 用 set_default_openai_client + set_tracing_disabled(True)；④ Accept-Encoding 头与 429 重试的处理同第 21 课。

小结

• 四框架四种抽象：AutoGen 的 Team（模式库+底层自控）、MetaGPT 的 SOP 流水线（制品化交付）、CrewAI 的 Crew（角色直觉+声明式）、Agents SDK 的 agents-as-tools（薄层 orchestrator-worker）。
• 选型从任务倒推：原型用 CrewAI、研究系统用 SDK/裸写、图编排用 AutoGen core、软件交付用 MetaGPT；拿不准先回第 21 课"该不该上多 Agent"清单。
• token 账两条铁律：共享上下文群聊 O(n²) vs 独立窗口 O(n)；框架默认不设预算上限，max_iter/max_turns/预算守卫必须显式写。
• 版本快照（2026-10-01）：AutoGen 0.7.5（社区 AG2 接棒活跃）/ MetaGPT 0.8.2（重心移向 MGX）/ CrewAI 1.15.23 / openai-agents 0.22.3——多 Agent 框架迭代断代频繁，用前查 PyPI。
• 综合项目实战（把本阶段全部模式串起来）见下一课第 24 课《多 Agent 综合项目》。

扩展阅读

🌐 网络提示：openai.com 系需代理（协议层知识已进正文，实测均可用国产端点替代）；框架文档站（GitHub Pages/Cloudflare）可达性波动，打不开时稍后重试；学术站 arxiv.org 境内多可直连（慢），其余评测/规范站需代理；pip 安装建议加清华镜像 -i https://pypi.tuna.tsinghua.edu.cn/simple。详见总纲附录《国内网络访问与国产适配指南》。

• AutoGen 官方文档（AgentChat + core 双层，模式列表）：https://microsoft.github.io/autogen/stable/user-guide/agentchat-user-guide/index.html
• AG2（社区延续线）：https://docs.ag2.ai/ ；AutoGen v0.4 重写公告：https://www.microsoft.com/en-us/research/articles/autogen-v0-4-reimagining-the-foundations-of-agentic-ai-for-scale-extensibility-and-robustness/
• MetaGPT 文档与论文（arXiv:2308.00352）：https://docs.deepwisdom.ai/main/en/ ；https://arxiv.org/abs/2308.00352
• CrewAI Crews/Process 概念文档：https://docs.crewai.com/concepts/crews
• OpenAI Agents SDK multi_agent 文档（handoffs vs agents-as-tools）：https://openai.github.io/openai-agents-python/multi_agent/
• MAST 多 Agent 失败研究（选型前的清醒剂）：https://arxiv.org/abs/2503.13657
• 微软课程第 8 课 Multi-agent design patterns（本课模式语言的出处，Group chat / Hand-off / Collaborative filtering 三模式原文）：https://github.com/microsoft/ai-agents-for-beginners/tree/main/08-multi-agent
• Microsoft Agent Framework 文档（微软第 8 课推荐的官方延伸资源，微软·8）：https://learn.microsoft.com/azure/ai-services/agents/overview

我的专栏