一、Agent主流框架介绍

当前主流的 Agent 开发框架主要围绕 多 Agent 协作、工具调用、任务拆解、状态管理 等核心能力设计，适用于不同场景（如对话式 Agent、自动化任务 Agent、分布式协作 Agent 等）。以下是最流行的框架对比，涵盖核心特性、信息传递方式及异同点分析：

二、核心差异点分析

各框架的差异主要聚焦在 Agent 协作模式、信息传递机制、状态管理能力、适用场景 四个维度，以下是关键对比：

1. Agent 协作模式：“手动组合” vs “自动协作”

这是框架最核心的差异，决定了开发效率和适用场景

• 手动组合型：框架提供组件，需开发者手动定义 Agent 间的交互逻辑
  代表框架：LangChain、LangGraph
• LangChain：多 Agent 需通过 “Chain” 或 “AgentExecutor” 手动串联（如 “问答 Agent → 工具调用 Agent → 结果汇总 Agent”），无内置协作规则；
• LangGraph：通过 “图结构” 手动定义节点（Agent）的触发条件（如 “若任务未完成，跳转至工具调用 Agent；若完成，跳转至结果返回 Agent”），协作逻辑可视化但需手动设计。
• 自动协作型：框架内置协作机制，Agent 可自主对话或按规则交互
  代表框架：AutoGen、MetaGPT
• AutoGen：Agent 间通过 “对话轮次” 自动协作（如 UserProxy Agent 提出需求，Assistant Agent 生成方案，FunctionCaller Agent 执行工具调用，无需手动定义每一步），支持 “人类介入修正”；
• MetaGPT：按 “软件工程流程” 固化 Agent 协作顺序（产品经理 Agent 输出 PRD → 架构师 Agent 输出设计 → 工程师 Agent 写代码），Agent 职责固定，协作流程无需手动配置。

2. 信息传递机制：结构化 vs 非结构化，共享状态 vs 消息驱动

Agent 间的信息传递直接影响协作效率和灵活性，主要分为两类：

(1) 共享状态 / 内存（State/Memory Sharing）

• 原理：多个 Agent 读写同一个 “全局状态容器”（如键值对、数据库），通过修改或读取状态实现信息同步；
• 代表框架：LangGraph、LangChain（部分）、AutoGPT
• LangGraph：核心是 “Graph State”（如 {“task”: “写报告”, “data”: “…”, “result”: “…”}），所有节点（Agent）可读取或更新该状态，状态支持分支（如不同 Agent 处理不同子任务）和持久化；
• AutoGPT：通过 “Memory” 模块存储任务历史、中间结果，所有 Agent 共享该内存（如 “搜索 Agent” 将结果存入内存，“写作 Agent” 从内存读取数据生成内容）。

（2）结构化消息传递（Structured Message Passing）

• 原理：Agent 间通过 “定义好格式的消息” 通信，消息包含 “发送者、接收者、内容、指令类型” 等字段，类似 “Agent 间的邮件”；
• 代表框架：AutoGen、MetaGPT、MAF
• AutoGen：消息是 JSON 格式，包含 role（角色，如 user_proxy/assistant）、content（内容）、function_call（工具调用指令，如 {“name”: “search”, “parameters”: {“query”: “2024 GDP”}}），Agent 按角色解析消息并响应；
• MetaGPT：消息是 领域特定结构化数据（如产品经理 Agent 输出 “PRD 消息”，包含需求描述、功能列表；架构师 Agent 基于该消息输出 “架构设计消息”），消息格式与 Agent 职责绑定；
• MAF：基于 AMQP 消息队列 传递结构化消息，支持跨服务 / 跨语言 Agent 通信（如 C# 写的监控 Agent 向 Python 写的执行 Agent 发送任务消息）。

（3）轻量函数调用（Lightweight Function Calling）

• 原理：Agent 间通过 “函数参数” 传递信息，本质是 “同步函数调用”，无独立消息格式；
• 代表框架：LangChain（单 Agent 扩展）
• 例如：LangChain 的 Agent 调用 Tool 时，直接将 “工具参数”（如搜索关键词）作为函数参数传递，工具执行后将结果以 “函数返回值” 传递回 Agent，无多 Agent 间的复杂消息交互。

3. 状态管理能力：弱状态 vs 强状态

状态管理决定框架能否处理 “多步骤、分支、循环” 的复杂任务：

• 弱状态框架：无统一状态管理，依赖 LLM 记忆或简单变量传递，适合短流程任务；
  代表：AutoGen（默认）、AutoGPT、LangChain（基础版）
• AutoGen：默认不持久化状态，对话历史仅保存在内存中，任务结束后状态清空；若需持久化，需手动集成数据库；
• AutoGPT：状态（Memory）支持本地存储，但无分支 / 循环控制（如无法根据任务结果动态调整流程）。

• 强状态框架：内置状态持久化、分支、循环能力，适合长流程、多分支任务；
  代表：LangGraph、MetaGPT、MAF
• LangGraph：状态基于 “图结构” 存储，支持 “条件分支”（如 “若数据不足，分支到数据采集 Agent；若数据足够，分支到分析 Agent”）和 “循环”（如 “若结果不满足，重新调用工具”），状态可存入 Redis / 数据库；
• MetaGPT：状态与 “任务阶段” 绑定（如需求阶段、设计阶段），每个阶段的输出作为下一阶段的输入，状态自动持久化到本地文件或数据库，支持任务中断后恢复。

4. 适用场景：通用 vs 垂直领域

• 通用型框架：无固定领域，可灵活适配各类 Agent 开发；
  代表：LangChain（工具链灵活）、LangGraph（流程灵活）、AutoGen（协作灵活）
• 适合场景：对话机器人、文档问答、自定义工具调用（如 “查天气 + 订酒店” 组合任务）。

• 垂直领域框架：针对特定场景优化，内置领域知识；
  代表：MetaGPT（软件工程）、MAF（企业协作）、SuperAGI（个人自动化）
• MetaGPT：内置 “软件开发流程” 和 “专业 Agent 角色”，生成软件的效率远高于通用框架；
• MAF：集成微软 Azure/Teams 生态，适合企业内部 Agent 与现有系统（如 CRM、OA）对接。

三、总结：如何选择框架？

1. 若需快速实现多 Agent 自动协作（如代码生成、数据分析）：优先选 AutoGen（无需手动设计流程，支持人类介入）；
2. 若需开发软件生成、复杂任务拆解（如写报告、做方案）：优先选 MetaGPT（内置领域流程，减少重复开发）；
3. 若需灵活定义 Agent 流程（如多分支、循环任务）：优先选 LangGraph（图结构可视化，强状态管理）；
4. 若需轻量级单 Agent 开发（如简单工具调用、对话）：优先选 LangChain（组件丰富，学习成本低）；
5. 若需企业级部署与生态集成（如对接微软系统）：优先选 MAF（安全管控、大规模部署支持）；
6. 若需开源且可视化管理（如个人自动化任务）：优先选 SuperAGI（界面操作，无需深入代码）。

四、关键共识：所有框架的信息传递核心

无论框架差异如何，Agent 间传递信息的本质都是 “上下文 + 指令” 的结构化传递：

• 上下文：历史对话、中间结果、任务状态（确保 Agent 理解当前场景）；
• 指令：工具调用命令、任务类型、协作要求（确保 Agent 知道 “做什么”）。
  区别仅在于 “如何封装这些信息”（共享状态 vs 结构化消息）和 “如何触发传递”（手动定义 vs 自动协作）。