第1章多智能体框架概览¶

学习目标¶

掌握 CrewAI、AutoGen、LangChain Multi-Agent、LangGraph 四大主流框架的核心设计理念
理解角色（Role）、任务（Task）、流程（Process）三大核心概念在不同框架中的映射
能够依据任务复杂度、可控性要求、团队技术栈进行框架选型
使用 CrewAI 快速搭建一个可运行的多智能体协作示例
识别各框架在 token 成本、可观测性、可扩展性上的权衡

问题导入¶

某金融科技公司需要构建一个"投研报告自动化"系统，涉及行业分析、财务解读、风控评估、报告撰写四个职能。团队评估了多个框架：CrewAI 上手快但流程表达力有限；AutoGen 群聊灵活但难控；LangGraph 控制力强但学习曲线陡；LangChain Multi-Agent 与既有 LangChain 生态贴合但抽象层较重。究竟该如何取舍？框架选型不仅影响开发效率，更决定了系统上线后的可维护性与可扩展性。本章将系统对比主流多智能体框架，帮助你在选型时做到"心中有数"。

核心概念¶

1. 四大主流框架对比¶

框架	出品方	核心抽象	流程表达	上手难度	适用场景
CrewAI	CrewAI Inc.	Crew + Agent + Task	顺序/层级（Hierarchical）	低	角色明确的协作流水线
AutoGen	Microsoft	ConversableAgent + GroupChat	对话驱动、群聊	中	研究、多轮讨论、代码执行
LangChain Multi-Agent	LangChain	AgentExecutor + LangGraph 编排	基于链与图	中	与 LangChain 生态深度集成
LangGraph	LangChain	StateGraph + Node + Edge	显式状态图、循环、分支	高	复杂流程、需精细控制

2. 核心概念映射¶

角色（Role）：每个 Agent 承担的职责身份。CrewAI 用 role 字段显式定义；AutoGen 通过 system_message 描述；LangGraph 中角色由节点函数的职责体现。

任务（Task）：Agent 需完成的工作单元。CrewAI 的 Task 对象有 description 与 expected_output；AutoGen 把任务隐含在对话发起消息中；LangGraph 把任务拆解为图节点。

流程（Process）：Agent 间的执行顺序与数据流。CrewAI 支持 sequential 与 hierarchical；AutoGen 用 GroupChat 的发言规则控制；LangGraph 通过图的边与条件分支精确控制。

3. 框架设计哲学¶

CrewAI：以"团队角色"为第一公民，模拟人类团队协作，强调易用性与默认行为的合理性。
AutoGen：以"对话"为核心，Agent 通过多轮对话协同，研究友好、可执行代码。
LangGraph：以"状态机"为核心，把多 Agent 协作建模为带状态的有向图，强调可控、可回放、可调试。
LangChain Multi-Agent：基于 LangChain 的 LCEL 与 LangGraph，提供与 LangChain 工具、检索器无缝集成的多 Agent 编排能力。

4. 框架选型决策¶

选 CrewAI 当：任务可清晰拆为线性/层级角色流水线，团队希望快速出原型，对底层控制要求不高。

选 AutoGen 当：任务需要多 Agent 自由讨论、代码执行与多轮迭代，偏研究探索场景。

选 LangGraph 当：流程含条件分支、循环、人工介入（human-in-the-loop），需可观测、可回放、可恢复。

选 LangChain Multi-Agent 当：团队已深度使用 LangChain 的工具/检索器，希望复用既有资产。

5. 适用场景速查¶

场景	推荐框架	理由
内容生产流水线（调研→撰写→校对）	CrewAI	角色清晰、顺序明确
多 Agent 研讨开放问题	AutoGen	群聊机制天然适合
复杂审批/人工介入流程	LangGraph	状态图支持中断与恢复
集成既有 LangChain RAG	LangChain Multi-Agent	复用检索器与工具
软件研发流水线（PM→Dev→Test→Review）	CrewAI / LangGraph	角色明确，可选层级或图
客服多 Agent 路由	LangGraph	条件分支清晰

原理图¶

flowchart TB
    subgraph CrewAI[CrewAI 角色驱动]
        C1[Agent: 研究员] --> C2[Agent: 撰稿人]
        C2 --> C3[Agent: 校对]
    end

    subgraph AutoGen[AutoGen 对话驱动]
        A1[Agent X] <--> A2[GroupChat Manager]
        A3[Agent Y] <--> A2
        A4[Agent Z] <--> A2
    end

    subgraph LangGraph[LangGraph 状态图驱动]
        L1[Start] --> L2{路由节点}
        L2 -->|分支A| L3[Agent A]
        L2 -->|分支B| L4[Agent B]
        L3 --> L5[汇总]
        L4 --> L5
        L5 --> L6[End]
    end

    subgraph LangChain[LangChain 编排]
        LC1[LCEL Chain] --> LC2[AgentExecutor]
        LC2 --> LC3[LangGraph SubGraph]
    end

图：四大主流多智能体框架的核心协作模式对比

示例代码¶

使用 CrewAI 快速搭建"调研 + 撰写"两 Agent 协作，并切换为层级流程演示主管分派。

import os
from crewai import Agent, Task, Crew, Process

os.environ.setdefault("OPENAI_API_KEY", "sk-xxx")


def build_crew(topic: str, hierarchical: bool = False) -> Crew:
    """构建调研+撰写 Crew。

    Args:
        topic: 调研主题。
        hierarchical: 是否使用层级流程（由主管分派）。
    """
    researcher = Agent(
        role="资深研究员",
        goal=f"围绕 '{topic}' 收集 3 条关键事实",
        backstory="你擅长快速检索与归纳，输出结构化要点。",
        allow_delegation=False,
    )

    writer = Agent(
        role="技术撰稿人",
        goal="基于研究要点撰写 200 字科普短文",
        backstory="你擅长把技术内容转化为通俗中文。",
        allow_delegation=False,
    )

    manager = Agent(
        role="内容主管",
        goal="协调研究员与撰稿人，按时交付高质量短文",
        backstory="你是资深内容主编，擅长分工与质量把关。",
        allow_delegation=True,
    )

    research_task = Task(
        description=f"调研主题：{topic}，输出 3 条关键事实。",
        expected_output="包含 3 条事实的要点列表",
        agent=researcher,
    )

    write_task = Task(
        description="根据研究要点写一段 200 字科普短文。",
        expected_output="一段通顺的中文科普短文",
        agent=writer,
        context=[research_task],
    )

    if hierarchical:
        # 层级流程：manager 自动分派任务给合适的 Agent
        return Crew(
            agents=[manager, researcher, writer],
            tasks=[research_task, write_task],
            process=Process.hierarchical,
            manager_agent=manager,
        )

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


if __name__ == "__main__":
    crew = build_crew("多智能体框架对比", hierarchical=False)
    result = crew.kickoff()
    print("最终产出：\n", result)

AutoGen 群聊对比示例：

import os
from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

os.environ.setdefault("OPENAI_API_KEY", "sk-xxx")

config_list = [{"model": "gpt-4o-mini", "api_key": os.environ["OPENAI_API_KEY"]}]

researcher = AssistantAgent(
    "researcher",
    system_message="你是研究员，负责收集事实。",
    llm_config={"config_list": config_list},
)
writer = AssistantAgent(
    "writer",
    system_message="你是撰稿人，基于事实写短文。",
    llm_config={"config_list": config_list},
)
user = UserProxyAgent("user", human_input_mode="NEVER", code_execution_config=False)

groupchat = GroupChat(agents=[user, researcher, writer], messages=[], max_round=6)
manager = GroupChatManager(groupchat=groupchat, llm_config={"config_list": config_list})

user.initiate_chat(manager, message="请围绕'多智能体框架对比'调研并写一段 200 字短文。")

企业案例¶

案例 1：某券商投研系统的框架选型¶

某券商投研团队需要自动化生成行业研报。初期用 AutoGen 群聊，发现 Agent 发言顺序难控、token 浪费严重。后改用 CrewAI 的层级流程，由"研究主管"Agent 统筹行业、财务、风控三个子 Agent，最终汇总。改版后单篇研报 token 成本下降 40%，产出质量更稳定。

案例 2：电商客服的 LangGraph 选型¶

某电商平台客服系统需根据用户问题路由到售前/售后/退款 Agent，并支持人工接管。团队选择 LangGraph，用条件边实现路由，用 interrupt 实现人工介入。相比 CrewAI，LangGraph 的状态图让"路由→执行→必要时人工→回到 Agent"的流程可视化、可回放，故障排查效率提升 50%。

案例 3：研发团队的 LangChain 生态复用¶

某团队已有成熟的 LangChain RAG 知识库与工具集。新建多 Agent 系统时，选择 LangChain Multi-Agent（基于 LangGraph 编排），直接复用既有检索器与工具，省去重新封装成本，2 周内完成上线。

常见问题¶

Q1：CrewAI 和 LangGraph 哪个更适合生产环境？ A：取决于可控性需求。CrewAI 适合流程相对固定的场景，开发快；LangGraph 适合需要分支、循环、人工介入的复杂流程，可观测性与可恢复性更强，更适合关键生产链路。

Q2：AutoGen 的群聊会不会很贵？ A：会。群聊中每个 Agent 都会看到所有历史消息，token 随轮次平方级增长。建议设置 max_round、用小模型承担非关键 Agent、或改用 AutoGen 的 Manager 显式控制发言。

Q3：能不能混用多个框架？ A：可以但需谨慎。常见做法是把 LangGraph 作为顶层编排，内部子任务用 CrewAI 或 AutoGen 实现。混用会增加依赖复杂度，需统一日志与错误处理。

Q4：框架升级会不会破坏既有代码？ A：CrewAI 与 AutoGen 都经历过较大版本变更（如 CrewAI 0.4→0.5 API 变动）。建议锁定版本、编写集成测试，并在升级前查阅迁移指南。

面试题¶

1. 对比 CrewAI、AutoGen、LangGraph 三者的核心抽象与适用场景。 参考答案：CrewAI 以"角色 + 任务"为核心，适合线性/层级流水线；AutoGen 以"对话 + 群聊"为核心，适合多轮研讨与代码执行；LangGraph 以"状态图"为核心，适合含分支、循环、人工介入的复杂流程。选型需权衡开发效率、可控性与可扩展性。

2. 为什么 LangGraph 更适合生产环境的关键链路？ 答题要点：显式状态图让流程可可视化、可回放、可恢复；支持条件边与中断；状态持久化便于断点续跑；与 LangSmith 集成提供全链路追踪。

3. 多 Agent 框架的 token 成本主要来自哪里？如何优化？ 参考答案：主要来自 Agent 间消息传递与上下文累积。优化手段：职责单一化、上下文最小化、简单 Agent 用小模型、群聊限制轮次、缓存中间结果、必要时回到单 Agent。

练习题¶

框架对比实操：用 CrewAI 与 LangGraph 分别实现"调研→撰写→校对"三 Agent 流水线，对比代码量、可观测性与产出质量，写一份对比报告。
选型设计：为"自动化合同审查"场景（含法务审查、风险提示、人工复核）选择框架并说明理由，画出架构图。
思考题：如果一个任务既需要自由讨论又需要严格审批，如何在一个系统中融合 AutoGen 的群聊与 LangGraph 的状态机？

小结¶

多智能体框架各有侧重：CrewAI 重角色与易用、AutoGen 重对话与探索、LangGraph 重状态与控制、LangChain Multi-Agent 重生态复用。选型应从任务特征、可控性需求、团队技术栈出发，避免"为用而用"。框架是脚手架，真正决定系统成败的是角色设计、通信协议与成本控制——这些将在后续章节深入。延伸阅读：CrewAI 官方文档、AutoGen 论文《AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation》、LangGraph 文档。

第1章 多智能体框架概览¶