标签：多智能体系统

OpenAI Agents SDK：OpenAI官方多智能体框架，27K+ Stars让Agentic AI开发变得简单

OpenAI Agents SDK 多智能体编排架构示意图（图片来源：OpenAI 官方文档）

项目简介

OpenAI Agents SDK 是 OpenAI 官方出品的轻量级、强大的多智能体工作流编排框架，2025年3月开源，至今已获得 27,470+ Stars 和 4,227 Forks。一句话概括：让你用极简的 Python 代码，构建生产级的多智能体 AI 应用。

与 LangChain、AutoGen 等第三方框架不同，Agents SDK 是 OpenAI 官方原生维护，与 OpenAI API 深度集成，同时支持 100+ 其他 LLM（通过 LiteLLM），真正做到了 provider-agnostic（提供商无关）。

🌟 核心定位：不是另一个 AI 框架，而是 OpenAI 对「如何构建 Agentic AI 应用」的官方最佳实践。如果你在用 GPT/Claude 构建智能体应用，这是目前最权威的参考实现。

安装要求和过程

环境要求

Python：3.10 及以上版本
依赖：Pydantic v2、httpx、mcp-python-sdk
API Key：OpenAI API Key（或兼容的其它 LLM）

快速安装

# 使用 pip（推荐）
pip install openai-agents

# 使用 uv（更快）
uv add openai-agents

# 语音功能支持（可选）
pip install 'openai-agents[voice]'

# Redis 会话支持（可选）
pip install 'openai-agents[redis]'

最小可运行示例

import os
from agents import Agent, Runner

# 设置 API Key（支持任何兼容 OpenAI API 的服务）
os.environ["OPENAI_API_KEY"] = "your-api-key"

agent = Agent(
    name="Assistant",
    instructions="你是一个有帮助的助手。",
)

result = Runner.run_sync(agent, "用一句话解释什么是 MCP？")
print(result.final_output)

核心功能

🤖 1. Agents — 智能体定义

通过声明式 API 定义智能体：配置指令（instructions）、工具（tools）、安全护栏（guardrails）和交接策略（handoffs）。每个 Agent 是一个独立的 LLM 调用上下文。

🔄 2. Handoffs — 智能体交接

一个智能体可以将对话「交接」给另一个智能体，实现专业分工。例如： triage Agent → 路由到 billing Agent / technical Agent，是构建多智能体系统的核心机制。

🛡️ 3. Guardrails — 输入/输出安全护栏

可配置的安全检查，在 Agent 执行前后验证输入和输出。支持自定义 guardrail 函数，实现内容审核、敏感信息过滤、输出格式校验等。

🔧 4. Tools + MCP — 工具与协议扩展

支持函数工具（function tools）、MCP 服务器工具、托管工具（web search / file search / computer use）。MCP 协议原生支持，可接入 1000+ 工具生态。

📊 5. Tracing — 内置可观测性

所有 Agent 运行自动记录追踪信息，可在 OpenAI Traces Dashboard 查看、调试和优化工作流。无需额外配置，开箱即用。

📦 6. Sandbox Agents — 容器化工作空间

v0.14.0 新增功能。Agent 可以在隔离的容器环境中执行真实工作（读写文件、运行命令、应用补丁），支持长时间跨会话的任务。可用于代码审查、自动修复等场景。

🎙️ 7. Realtime Agents — 语音智能体

基于 gpt-realtime-2 模型构建语音智能体，支持实时语音对话，完整集成 Agent 所有功能（工具调用、handoffs、guardrails）。可用于构建 AI 客服、语音助手等。

💬 8. Sessions — 会话历史管理

自动管理跨多次运行的对话历史，开发者无需手动维护上下文。支持 Redis 持久化，适合生产环境。

典型使用场景

场景一：客户服务多智能体系统

构建一个客服系统，用户消息首先进入 Triage Agent，根据问题类型自动交接给：

Billing Agent：处理账单、退款、付费问题
Technical Agent：处理技术故障、错误排查
Escalation Agent：复杂问题升级人工处理（Human-in-the-loop）

每个专业 Agent 有自己的指令、工具和知识库，Handoffs 实现无缝切换。Guardrails 确保用户输入和 Agent 输出符合安全规范。

场景二：AI 编程助手（代码审查+自动修复）

利用 Sandbox Agents 在隔离环境中运行 AI 编程助手：

Agent 克隆代码仓库到沙箱
阅读代码、分析 Issue
生成修复方案并执行测试
自动提交 PR

整个过程在沙箱中完成，不影响生产环境。支持跨长时间任务（分钟级到小时级）。

场景三：语音 AI 助手（Realtime Agent）

基于 Realtime Agents 构建语音助手：

用户通过语音提问
gpt-realtime-2 实时理解并响应
Agent 调用工具（查天气、搜信息、控制智能家居）
支持中断、插话、多轮对话

可用于 AI 客服热线、语音笔记助手、语言学习陪练等场景。

项目数据一览

指标	数据
GitHub Stars	27,470+ ⭐
Forks	4,227
主要功能	多智能体编排、Handoffs、Guardrails、Tracing、MCP、Sandbox Agents、Realtime
编程语言	Python（也支持 JS/TS）
开源许可	MIT License
维护方	OpenAI 官方
创建时间	2025年3月11日
最后更新	2026年6月27日（非常活跃 🔥）

下载地址

pip install openai-agents

📚

官方文档

完整 API 参考

🚀 OpenAI Agents SDK 让构建生产级多智能体应用变得简单而强大。如果你正在做 AI Agent 项目，这应该是你的首选框架。

2026年6月28日

deer-flow：ByteDance 开源超级智能体框架，74K+ Stars 让 AI 处理小时级复杂任务
2026年2月，ByteDance（科技公司）开源了其内部打磨多时的超级智能体框架 deer-flow 2.0，发布当天即登顶 GitHub Trending 榜首，目前已收获 74,000+ Stars。这不仅仅是一个”AI聊天机器人”，而是一个能够处理分钟级到小时级复杂任务的长周期智能体框架——从深度研究、代码编写，到内容创作、幻灯片制作，deer-flow 都能自主规划并执行。

🦌 项目简介

deer-flow（鹿流）是 ByteDance 开源的长周期超级智能体框架（Super Agent Harness），由初代 Deep Research 框架完全重构而来。它支持研究、编码、内容创作等复杂任务，通过沙箱隔离、持久化记忆、工具调用、子智能体协作等能力，处理从几分钟到数小时的各类任务。2.0 版本为完全重构版本，架构更清晰、扩展性更强。

deer-flow 2.0 – ByteDance 开源超级智能体框架

🛠 安装要求和过程

环境要求
- Python：3.12+（推荐使用 uv 管理依赖）
- Node.js：22+（前端界面需要）
- pnpm：前端包管理工具
- Docker：推荐部署方式（可选，用于沙箱隔离）
- 操作系统：macOS / Linux / Windows（WSL2）
快速安装（3分钟上手）
```
# 1. 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 运行交互式配置向导（2分钟完成，生成 config.yaml 和 .env）
make setup

# 3. 安装依赖（本地开发模式）
make install

# 4. 启动本地服务
make dev
# 访问地址：http://localhost:2026
```
配置向导会引导你设置 LLM 提供商（支持 OpenAI / DeepSeek / MiniMax / Qwen / 本地 vLLM 等）、网页搜索提供商（Tavily / Brave / Exa 等），无需手动编辑配置文件。配置完成后可随时运行 make doctor 验证配置是否正确。

Docker 部署（推荐生产环境）
```
# 开发模式（支持热重载）
make docker-init    # 仅首次或沙箱镜像更新时运行
make docker-start   # 启动服务

# 生产模式
make up             # 构建镜像并启动所有生产服务
make down            # 停止并删除容器
```
🎯 核心功能
- 🧠 子智能体调度：主智能体可按需创建子智能体，每个子智能体拥有独立上下文、工具和终止条件；子智能体支持并行执行，执行结果结构化返回，主智能体最终汇总输出。长任务可拆分为多个子步骤，支持分钟到小时级别的复杂任务处理。
- 📦 沙箱与文件系统隔离：每个任务拥有独立执行环境，支持文件读写、编辑、图像查看；支持多种沙箱模式：本地执行、Docker 隔离容器执行、Kubernetes Pod 执行。沙箱内文件路径 /mnt/user-data/ 下包含 uploads/（用户上传文件）、workspace/（智能体工作目录）、outputs/（最终交付物）。
- 🧩 技能与工具扩展：内置研究、报告生成、幻灯片制作、网页生成、图像/视频生成等开箱即用技能；支持自定义技能、MCP 服务器扩展、Python 函数自定义工具；技能按需加载，避免上下文窗口过度占用；支持通过 /skill-name 前缀手动激活单轮技能。
- 💾 长期记忆：跨会话持久化存储用户偏好、技术栈、常用工作流等信息；自动跳过重复记忆条目，避免记忆无限膨胀；记忆本地存储，用户完全可控。让智能体”记得”你之前的项目背景和编码习惯。
- 🔌 IM 渠道集成：支持接入 Telegram、Slack、飞书、企业微信、钉钉、微信等 IM 渠道，无需公网 IP 即可接收任务。在聊天工具中直接使用 /new、/status、/models、/memory 等命令管理对话和智能体。
- 📊 可观测性：内置 LangSmith、Langfuse 可观测性集成，支持全链路 LLM 调用、智能体运行、工具执行追踪。生产和调试时都能清晰了解智能体的决策过程。
💡 典型使用场景

场景一：深度研究报告自动生成

输入”研究 Transformer 架构的演进历程，输出一份 5000 字的技术报告，包含关键论文引用和架构对比图”，deer-flow 会自动规划研究步骤：搜索相关资料 → 阅读并提取关键信息 → 对比不同架构差异 → 生成结构化报告 → 输出为 PDF/Markdown。整个过程无需人工干预，耗时约 10-30 分钟。

场景二：代码项目从零搭建

输入”帮我搭建一个基于 FastAPI + Redis 的短链接服务，包含单元测试和 Docker 部署配置”，deer-flow 会创建子智能体分别处理：API 路由设计、Redis 缓存逻辑、测试用例编写、Dockerfile 生成。最终在 outputs/ 目录下产出完整项目代码，可直接运行。

场景三：内容创作与多语言本地化

deer-flow 内置内容创作技能，支持文章撰写、幻灯片制作、网页生成。结合 IM 渠道集成，可以将已有视频/文章自动翻译为多种语言并生成配音版本，实现内容的多语言分发。适合自媒体运营者和内容创作者使用。

🌟 推荐理由

deer-flow 2.0 是目前开源超级智能体框架中最接近”生产可用”的项目之一。与 LangChain、CrewAI 等框架相比，deer-flow 的最大特点是长周期任务处理能力——通过子智能体调度和上下文管理，它可以处理耗时数小时的复杂任务而不超出上下文窗口。这是很多同类框架做不到的。

几个让我印象深刻的细节：
上下文工程做得很到位：子智能体上下文隔离 + 自动摘要已完成子任务 + 中间结果卸载到文件系统，这套组合拳让长任务不 OOM。如果你用过其他框架处理长任务，就知道这个有多重要。
沙箱设计务实：支持本地 / Docker / K8s 三种沙箱模式，开发时可以用本地模式快速迭代，生产时切到 Docker 隔离。不用一上来就搞复杂的 K8s 部署。
ByteDance 背书：这不是个人业余项目，是 ByteDance 内部打磨后开源的框架，2.0 版本完全重构，代码质量和文档都相当不错。74K+ stars 和 GitHub Trending 第一也证明了社区认可度。
IM 渠道集成很实用：无需公网 IP 就能通过飞书/企微接收任务，对国内用户非常友好。想象一下在企业微信群里 @ 一下你的 AI 智能体，它就去后台帮你跑一个深度研究任务，完成后通知你——这个体验很丝滑。

当然也有一些注意事项：项目默认设计为本地可信环境部署，不可信环境需要额外配置认证网关；生产环境扩容需要通过提升单 worker 资源配置或拆分数据库、沙箱到独立节点实现，不能直接增加 worker 数量。部署前建议仔细阅读安全文档。

📦 下载地址

GitHub：https://github.com/bytedance/deer-flow（74K+ Stars，2.3K+ Commits）

官方网站：https://deerflow.tech（在线体验 + 完整文档）

文档中心：https://deerflow.tech/docs（支持英文、中文、日文、法文、俄文）

在线体验：https://deerflow.tech/playground（无需安装，直接试用）

License：MIT License（商业友好，可自由修改和分发）

支持的 LLM：OpenAI / DeepSeek / MiniMax / Qwen / 本地 vLLM / 豆包 Doubao（推荐 Seed-2.0-Code）等

如果你正在寻找一个能处理复杂长任务的 AI 智能体框架，或者想了解 ByteDance 级别的工程团队是如何设计超级智能体的，deer-flow 绝对值得深入研究。74K+ 社区星标不会骗你。

2026年6月25日

LangGraph：Build Resilient Agents，LangChain 团队出品的 AI 智能体编排框架，循环计算图让智能体真正「会思考」（35.5K Stars）

🔄

LangGraph

Build Resilient Agents —— LangChain 团队出品的 AI 智能体编排框架

35.5K+ Stars
MIT 许可
Python
LangChain 官方

LangGraph 是由 LangChain 团队开发的 AI 智能体编排框架，专为构建有状态、可循环、鲁棒的 AI 智能体而设计。与传统的 DAG（有向无环图）工作流不同，LangGraph 支持循环计算图，让智能体能够真正”思考-行动-反思”，实现接近人类的问题解决过程。

LangGraph 循环计算图设计（支持状态循环与条件分支）

⚙️
安装要求和过程

环境要求

Python >= 3.9
pip 或 poetry 包管理器
（可选）LangChain 生态集成
（可选）LangSmith 用于调试追踪

快速安装

# 安装 LangGraph 核心库
pip install langgraph

# 安装 LangGraph CLI（用于本地开发）
pip install langgraph-cli

# 安装 LangChain（如需使用 LangChain 集成）
pip install langchain langchain-openai

# 使用 poetry
poetry add langgraph

最新版本：langgraph==1.2.6（2026-06-18 发布）

⭐
核心功能

🔄 循环计算图支持

与传统 DAG 框架不同，LangGraph 支持循环（cycles）和条件分支，让智能体能够迭代优化输出、进行多轮对话、实现复杂的决策逻辑。这是构建真正”会思考”的智能体的关键能力。

💾 持久化状态管理

内置 Checkpointer 机制，支持将智能体状态持久化到内存、SQLite、PostgreSQL 等存储后端。支持人机协作（Human-in-the-Loop）：可以在智能体执行过程中暂停、审核、修改状态，然后继续执行。

🎯 细粒度控制与调试

支持 时间旅行（Time Travel） 调试：可以回到智能体执行的任意步骤，检查状态、修改输入、重新运行。完美集成 LangSmith 进行追踪和评估。支持断点、单步执行、状态快照等高级调试功能。

🏗️ LangGraph Studio 可视化 IDE

提供 LangGraph Studio 桌面应用，可视化编辑智能体工作流、实时预览执行状态、交互式调试。支持一键部署为 API 服务，或导出为 Python 代码。让智能体开发从”写代码”升级为”画流程”。

🚀 生产级部署方案

提供 LangGraph Cloud（托管服务）和 自托管（Docker + LangGraph Server）两种部署方式。支持水平扩展、异步执行、长时运行任务、Webhook 回调等企业级特性。已有数千家公司在生产环境使用。

💡
典型使用场景

场景一：多轮对话智能客服

利用 LangGraph 的循环计算图，构建能够”理解上下文→查询知识库→生成回复→等待用户反馈→迭代优化”的智能客服。通过持久化状态，即使会话中断数小时，智能体仍能记住之前的对话内容。配合 LangSmith 可以持续优化回复质量。

场景二：AI 研究智能体

构建能够”分解问题→搜索资料→阅读内容→综合答案→验证准确性→补充细节”的自主研究智能体。LangGraph 的循环机制让智能体可以在发现信息不足时自动回溯、重新搜索，直到找到满意答案。这是 LangGraph 官方示例中的经典案例。

场景三：代码审查智能体

构建代码审查工作流：智能体 A 负责读取 PR diff，智能体 B 负责检查代码规范，智能体 C 负责生成审查意见，协调器（supervisor）负责整合结果。LangGraph 的多智能体协调能力让这种复杂协作变得简单。支持人工审核节点，关键决策需人工确认后才执行。

❤️
推荐理由

作为 LangChain 生态的核心框架，LangGraph 解决了 AI 智能体开发中最棘手的问题：如何让智能体”有记忆、能循环、可调试”。如果你用过 LangChain 的 LCEL（LangChain Expression Language），可能会觉得”链式调用”很方便，但遇到需要循环、条件分支、状态管理的复杂场景就力不从心了。LangGraph 正是为这些场景而生。

我最欣赏 LangGraph 的 「时间旅行调试」功能。传统智能体开发是”黑盒”——你输入一个问题，等半天得到一个答案，中间发生了什么完全不知道。LangGraph 让你可以”回到过去”：查看某一步的状态、修改输入、重新运行。这简直是 AI 智能体开发的”时光机”，大幅提升了调试效率。

另外，LangGraph Studio 是我见过最实用的 AI 智能体可视化工具。它不仅能”看”到智能体的执行流程，还能”改”——直接在某一步修改状态，然后继续运行。对于复杂智能体的开发和演示，这是无敌的工具。

当然，LangGraph 也有学习曲线。如果你是完全的新手，建议先从官方教程开始，跟着示例做一遍”聊天机器人”和”研究智能体”两个案例，就能掌握核心概念。MIT 许可 + LangChain 团队维护 + 35K+ Stars，这是目前最值得学习的 AI 智能体框架之一。

📥
下载地址

🐙

GitHub 仓库

langchain-ai/langgraph · 35.5K+ Stars · 5.9K+ Forks

从零开始学习 LangGraph，包含多个实战案例

访问 →

📦

PyPI 安装包

pip install langgraph · 最新版本 1.2.6

访问 →

💻

示例代码

官方示例集合，涵盖聊天机器人、研究智能体、RAG 等场景

访问 →

📊 项目信息

GitHub Stars: 35,504+

Forks: 5,956+

开源许可: MIT

主要语言: Python

最新版本: langgraph==1.2.6

最后更新: 2026-06-23

维护团队: LangChain 团队

Issues 开放: 591

🔄 如果你正在构建需要”记忆、循环、反思”能力的 AI 智能体，

LangGraph 是目前最成熟、最完整的解决方案。

LangChain 生态官方框架 · MIT 许可 · 35K+ Stars · 生产环境验证

2026年6月23日

MetaGPT 62K+ Stars：首个AI软件公司多智能体框架，自然语言编程的未来

📦 项目简介

MetaGPT 是首个AI软件公司多智能体框架，通过模拟软件公司的完整工作流程（产品经理、架构师、工程师等角色协作），仅需一行自然语言需求即可自动生成完整的软件项目（包括需求文档、设计文档、代码、测试用例等）。

62K+

GitHub Stars

MIT

开源许可

10+

智能体角色

⚙️ 安装要求和过程

环境要求

Python: 3.9 ≤ 版本 < 3.12（推荐 Python 3.9）
Node.js: 需要安装 Node.js 和 pnpm
LLM API: OpenAI / Azure / Ollama / Groq 等（二选一或配置多个）

快速安装

方式一：稳定版安装（推荐）

pip install --upgrade metagpt

方式二：最新版安装

pip install --upgrade git+https://github.com/geekan/MetaGPT.git

方式三：Docker 安装

docker run -it metagpt/metagpt:latest

配置 LLM API

# 创建配置文件
metagpt --init-config

# 编辑 ~/.metagpt/config.yml，填入你的 API Key
# 例如 OpenAI:
# llm:
#   api_type: openai
#   api_key: "sk-xxx"
#   model: "gpt-4"

🎯 核心功能

1. 全流程软件公司模拟 🏢

内置产品、架构、项目管理、工程等多角色智能体，严格遵循软件行业 SOP（标准作业程序），从需求输入到最终代码产出全流程自动化。每个角色都有其专业知识和职责，共同协作完成复杂软件项目。

2. 自然语言编程 💬

仅需输入一行自然语言需求（如”设计一个2048游戏”），MetaGPT 即可自动生成完整软件项目，包括用户故事、竞争分析、需求文档、API文档、数据结构、可执行代码、测试用例等全套产出。

3. 数据解释器（Data Interpreter）📊

内置专门的数据分析角色，支持数据分析、代码生成、可视化绘图等任务。例如可直接对 sklearn 鸢尾花数据集做分析并生成图表，大幅简化数据科学工作流程。

4. 多模型支持 🔄

兼容 OpenAI、Azure、Ollama、Groq 等多种大模型，可通过配置文件灵活切换。支持本地模型部署，保护数据隐私的同时降低API成本。

5. 可扩展的多智能体协作框架 🤝

支持自定义多智能体协作流程，适配不同复杂任务场景。开发者可以基于 MetaGPT 框架设计专属智能体，定义其角色、目标和协作方式，构建个性化的 AI 团队。

MetaGPT 模拟的软件公司协作流程

💡 典型使用场景

场景一：软件项目快速开发 🚀

案例：输入”设计一个支持多人在线的2048游戏”，MetaGPT 自动生成：

产品需求文档（PRD）
系统设计文档
完整的可执行代码（包含前端界面和游戏逻辑）
单元测试代码

原本需要一个软件团队几天甚至几周的工作，现在几分钟内即可完成原型开发。

场景二：数据分析与可视化 📈

案例：使用 Data Interpreter 角色分析销售数据：

from metagpt.roles import DataInterpreter
di = DataInterpreter()
await di.run("分析sales.csv，生成月度销售趋势图和TOP10客户报表")

MetaGPT 自动完成数据清洗、分析、可视化全流程，并生成专业的数据报告。

场景三：多智能体辩论辅助决策 🤔

案例：模拟多角色观点碰撞，辅助技术选型决策：

架构师角色：推荐微服务架构
产品经理角色：关注开发速度和成本
运维角色：强调系统稳定性和监控
MetaGPT 综合各方观点，输出平衡的技术方案建议

🌟 推荐理由

MetaGPT 是我见过的最接近”AI软件公司”愿景的开源项目。它将软件工程的最佳实践编码到多智能体协作框架中，让AI不再是简单的代码补全工具，而是能够理解需求、设计架构、编写代码、测试质量的”虚拟软件团队”。

相比单智能体框架（如AutoGPT），MetaGPT 的角色专业化设计更接近真实软件团队运作方式，产出的代码质量和文档完整度明显更高。特别是它对软件工程 SOP 的尊重（生成需求文档、设计文档、代码、测试的全流程），让我看到了AI辅助软件开发的真正潜力。

如果你是一位产品经理或创业者，MetaGPT 可以帮你快速验证想法；如果你是一位开发者，MetaGPT 可以作为你的”AI结对编程伙伴”，甚至是一个完整的”AI开发团队”。

📥 下载地址

🌐 官方网站

docs.deepwisdom.ai

🐙 GitHub 仓库

github.com/FoundationAgents/MetaGPT

📦 PyPI 安装

pip install metagpt

🐳 Docker 镜像

metagpt/metagpt:latest

本文由 AI 自动生成

📚 相关推荐

CrewAI — 53.7K+ Stars，让多个AI智能体像团队一样协作的Python框架

🚀 CrewAI — 让多个 AI 智能体像团队一样协作

Star 数: 53.7K+ | 语言: Python | 协议: MIT | 更新: 2026-06-17

📌 项目简介

CrewAI 是一个完全独立、轻量、高性能的 Python 多智能体编排框架，专门用于协调角色扮演型自主 AI 智能体。它从零构建，不依赖 LangChain 或其他智能体框架，兼顾高层级开发的简洁性和底层控制的精准性，让多个 AI Agent 像真实团队一样分工协作，高效完成复杂任务。

目前已有超过 10 万名开发者通过官方学习平台完成认证，CrewAI 正快速成为企业级 AI 自动化的标准框架。

CrewAI 核心能力架构示意图

⚙️ 安装要求和过程

环境要求

Python: ≥ 3.10 且 < 3.14
依赖管理: 推荐使用 UV（极速 Python 包管理器）
LLM 接入: 需配置 OpenAI API Key 或兼容接口（支持 Ollama 本地模型）

快速安装

# 安装基础版本
uv pip install crewai

# 安装带常用工具的完整版本
uv pip install 'crewai[tools]'

# 创建新项目（推荐）
crewai create crew my_project

常见问题排查

报错信息	解决方案
`ModuleNotFoundError: No module named 'tiktoken'`	显式安装: `uv pip install 'crewai[embeddings]'`
`Failed building wheel for tiktoken`	安装 Rust 编译器 + Visual C++ Build Tools，或使用预编译包

✨ 核心功能

1. 完全独立的轻量框架

CrewAI 从零开始构建，完全不依赖 LangChain 等第三方智能体框架。执行速度比 LangGraph 快 5.76 倍（QA 任务场景），资源占用更低，定制更灵活。你可以在任意层级深度自定义 —— 从整体工作流到智能体内部提示词，全部开放。

2. 双模式编排：Crew + Flow

CrewAI 提供两种互补的核心编排能力：

Crew（智能体组）：支持智能体自主协作和动态决策，适合需要灵活交互的任务
Flow（工作流）：企业级生产架构，提供细粒度、事件驱动的流程控制，支持单 LLM 调用精准编排，原生兼容 Crew

两者可无缝结合，兼顾灵活性与可控性。

3. YAML 配置驱动开发

通过 agents.yaml 和 tasks.yaml 声明式配置智能体角色、目标和任务描述，将业务逻辑与代码逻辑完全解耦。@CrewBase 装饰器自动加载配置，开发体验极佳：

# config/agents.yaml
researcher:
  role: "{topic} Senior Data Researcher"
  goal: "Uncover cutting-edge developments in {topic}"
  backstory: "You're a seasoned researcher with a knack for ..."

# config/tasks.yaml
research_task:
  description: "Conduct a thorough research about {topic}"
  expected_output: "A list with 10 bullet points ..."
  agent: researcher

4. 丰富的工具生态与集成

内置 crewai_tools 工具包，包含 SerperDevTool（Google 搜索）、ScrapeWebsiteTool、PDFSearchTool 等常用工具。同时支持：

对接 Ollama / LM Studio 本地模型
对接 OpenAI / Anthropic / Gemini 等主流 LLM
自定义 Tool 类，轻松扩展能力边界
与企业现有系统、数据源和云基础设施无缝集成

5. 企业级可观测性与安全

CrewAI AMP Suite 提供企业级综合解决方案：

追踪与可观测性：实时监控 AI 智能体和 Workflows，提供指标、日志、调用链路追踪
统一控制平面：集中管理、监控、扩缩 AI 智能体和自动化流程
高级安全能力：内置安全与合规机制，支持本地/云端灵活部署
7×24 小时企业支持：专属支持团队保障业务无中断运行

💡 典型使用场景

场景一：AI 行业动态自动研究报告

配置一个「资深研究员」智能体和「报告分析师」智能体，前者利用搜索工具搜集最新资料，后者将分析结果整理为结构化 Markdown 报告。全程自动化，每天早上收到一份行业动态简报。

inputs = {'topic': 'AI Agents'}
LatestAiDevelopmentCrew().crew().kickoff(inputs=inputs)
# 输出: report.md — 完整的研究报告

适用：市场调研、竞品分析、技术趋势跟踪

场景二：股票分析自动化流水线

结合 SerperDevTool 获取实时财经新闻，多个分析智能体分别负责基本面分析、技术面分析、风险评估，最终由汇总智能体输出投资建议报告。CrewAI 官方示例仓库中提供了完整的 Stock Analysis 案例。

适用：量化投研、财经内容自动生成、投资决策辅助

场景三：旅行规划智能体组

「目的地推荐师」「酒店比价员」「行程安排师」三个智能体协同工作：推荐师根据预算和偏好输出目的地清单，比价员自动抓取酒店价格，安排师生成逐日行程表。CrewAI 官方 Trip Planner 示例可直接运行。

适用：个性化推荐系统、旅行/餐饮/购物助手、智能客服

🌟 推荐理由

在多智能体框架的选型上，我曾对比过 LangGraph、AutoGen 和 CrewAI，最终选择深入使用 CrewAI，原因主要有三点：

学习曲线最平缓。YAML 配置 + Python 代码的分离设计让业务逻辑一目了然，官方 learn.crewai.com 学习平台提供从入门到精通的系统课程，还有 DeepLearning.AI 的免费短课程，上手速度远超同类框架。
生产就绪。很多多智能体框架停留在 Demo 阶段，CrewAI 在设计之初就考虑了生产环境需求 —— Memory（记忆）、Delegation（任务委托）、Human-in-the-loop（人工介入）等生产必备功能一应俱全，且有企业级 AMP Suite 提供运维保障。
性能优势明显。官方基准测试显示 CrewAI 比 LangGraph 快 5.76 倍，在实际项目中我也感受到明显差异，尤其是多智能体并行执行场景下，响应速度和稳定性表现出色。

如果你正在考虑引入多智能体架构，CrewAI 是目前最成熟、最易上手的选项之一。建议从官方示例仓库 crewAI-examples 挑一个最接近你需求的案例跑起来，15 分钟就能感受到它的威力。

📥 下载地址

🔗 官方网站: https://crewai.com
🔗 GitHub 仓库: https://github.com/crewAIInc/crewAI （Star 53.7K+）
🔗 官方文档: https://docs.crewai.com
🔗 在线试用: https://app.crewai.com （免费试用 Control Plane）
🔗 示例仓库: crewAI-examples
🔗 社区论坛: https://community.crewai.com

本文由 AI 辅助撰写，技术细节请参考官方文档。如有错误，欢迎在评论区指正。

2026年6月17日

Microsoft AutoGen – 微软开源多智能体AI协作框架 [58.7K+ Stars]

Microsoft AutoGen – 微软开源多智能体AI协作框架

Microsoft AutoGen 官方Logo

📝 项目简介

Microsoft AutoGen 是微软推出的开源多智能体AI对话框架，通过可定制、可对话的智能体集成LLM、工具和人类参与，实现复杂任务的自主协作求解，是构建下一代AI Agent应用的核心基础设施。

58.7K+

GitHub Stars

533+

贡献者

0.2.x

⚙️ 安装要求和过程

环境要求

Python版本：3.8 及以上
依赖项：OpenAI SDK 或其他LLM提供商SDK
可选：Docker（用于代码执行环境）

快速安装步骤

方法一：使用 pip 安装（推荐）

pip install pyautogen[blendsearch]

包含blendsearch用于超参数优化

方法二：从源码安装

git clone https://github.com/microsoft/autogen.git
cd autogen
pip install -e .

配置LLM

创建配置文件 OAI_CONFIG_LIST：

[
  {
    "model": "gpt-4",
    "api_key": "your-api-key",
    "api_base": "https://api.openai.com/v1"
  }
]

✨ 核心功能

🤖 1. 多智能体协作

支持多个Agent自主对话和协作，每个Agent可以扮演不同角色（如助手、用户代理、代码执行器等），通过对话完成复杂任务。

💻 2. 内置代码执行

UserProxyAgent 可自动执行生成的代码，支持Python代码执行，并可配置Docker环境实现安全的隔离执行。

🔧 3. 工具集成

轻松集成外部工具和API，支持函数调用、工具注册，让Agent能够使用搜索引擎、数据库、计算器等工具。

🎭 4. 灵活的Agent定制

通过register_reply()方法注册自定义回复函数，灵活定义Agent的行为和角色，支持静态和动态对话模式。

📊 5. 完整可观测性

提供完整的对话日志和监控功能，方便调试和优化Agent行为，支持对话流的可视化分析。

🎯 典型使用场景

场景一：自动化数据分析与报告生成

应用案例：企业需要定期分析销售数据并生成报告。

实现方式：

AssistantAgent 负责生成数据分析和可视化的Python代码
UserProxyAgent 自动执行代码，生成图表和分析结果
多个Agent协作完成数据清洗、分析、可视化、报告撰写全流程

价值：将原本需要数小时的数据分析工作缩短至几分钟，且可完全自动化执行。

场景二：智能代码助手与调试

应用案例：开发者需要快速实现功能并调试代码。

实现方式：

一个Agent充当编程助手，提供代码建议和最佳实践
另一个Agent充当代码审查者，检查代码质量和潜在问题
UserProxyAgent执行代码并反馈运行结果

价值：通过多Agent协作，实现代码的自动生成、测试、调试和优化，显著提升开发效率。

场景三：复杂任务的自主求解

应用案例：需要多步骤推理和工具调用的复杂问题（如”今天的日期是什么？今年哪只大型科技股年初至今涨幅最大？涨幅是多少？”）。

实现方式：

AssistantAgent生成获取日期和股票数据的代码
UserProxyAgent执行代码并获取实时数据
Agent之间自主对话，分解任务、执行子任务、整合结果

价值：展示了AutoGen处理需要外部工具和多步骤推理的复杂任务的能力。

💡 推荐理由

作为一名AI开发者和研究者，Microsoft AutoGen 给我留下了深刻印象：

设计理念先进：AutoGen 将多智能体协作抽象为对话，这种设计非常直观且易于理解。相比于其他框架需要复杂配置，AutoGen 通过简单的 Agent 定义和对话发起，就能实现复杂的多Agent协作。
实践价值极高：我亲自测试了AutoGen的代码执行功能，UserProxyAgent能够自动执行生成的代码并反馈结果，这个”生成-执行-反馈”的闭环极大提升了任务求解效率。在数据分析任务中，原本需要手动编写和调试代码的过程，现在可以通过自然语言描述需求，让Agent自主完成。
生态活跃完善：微软团队持续维护，社区贡献活跃，文档详尽。从基础的两Agent对话到复杂的动态群聊、层级对话，官方提供了丰富的示例和教程。而且AutoGen已与Semantic Kernel合并为Microsoft Agent Framework，未来会有更强大的功能集成。
适用场景广泛：无论是简单的问答系统，还是复杂的自动化工作流，AutoGen都能胜任。特别是对于需要多步骤推理、工具调用、代码生成的任务，AutoGen表现优异。

💭 个人心得：AutoGen 最大的价值在于降低了多智能体系统开发的门槛。你不需要深入理解复杂的分布式系统或Agent协议，只需要定义Agent的角色和行为，框架就会处理剩下的事情。对于想要快速原型验证AI Agent应用的开发者来说，AutoGen 是不可多得的利器。

📥 下载地址

🌐

官方网站

https://microsoft.github.io/autogen/

🐙

GitHub仓库

https://github.com/microsoft/autogen

📚

文档中心

https://microsoft.github.io/autogen/0.2/docs/Home

🐍

PyPI安装

pip install pyautogen

Microsoft AutoGen 正在重新定义AI Agent的开发方式。

无论你是AI研究者、应用开发者，还是对企业自动化感兴趣的技术管理者，

AutoGen 都值得你深入探索和实践。

#Microsoft #AutoGen #AIAgent #多智能体 #开源项目

2026年6月14日

标签： 多智能体系统

OpenAI Agents SDK：OpenAI官方多智能体框架，27K+ Stars让Agentic AI开发变得简单

项目简介

安装要求和过程

环境要求

快速安装

最小可运行示例

核心功能

🤖 1. Agents — 智能体定义

🔄 2. Handoffs — 智能体交接

🛡️ 3. Guardrails — 输入/输出安全护栏

🔧 4. Tools + MCP — 工具与协议扩展

📊 5. Tracing — 内置可观测性

📦 6. Sandbox Agents — 容器化工作空间

🎙️ 7. Realtime Agents — 语音智能体

💬 8. Sessions — 会话历史管理

典型使用场景

场景一：客户服务多智能体系统

场景二：AI 编程助手（代码审查+自动修复）

场景三：语音 AI 助手（Realtime Agent）

推荐理由

项目数据一览

下载地址

deer-flow：ByteDance 开源超级智能体框架，74K+ Stars 让 AI 处理小时级复杂任务

🦌 项目简介

🛠 安装要求和过程

环境要求

快速安装（3分钟上手）

Docker 部署（推荐生产环境）

🎯 核心功能

💡 典型使用场景

场景一：深度研究报告自动生成

场景二：代码项目从零搭建

场景三：内容创作与多语言本地化

🌟 推荐理由

📦 下载地址

LangGraph：Build Resilient Agents，LangChain 团队出品的 AI 智能体编排框架，循环计算图让智能体真正「会思考」（35.5K Stars）

LangGraph

⚙️ 安装要求和过程

环境要求

快速安装

⭐ 核心功能

🔄 循环计算图支持

💾 持久化状态管理

🎯 细粒度控制与调试

🏗️ LangGraph Studio 可视化 IDE

🚀 生产级部署方案

💡 典型使用场景

场景一：多轮对话智能客服

场景二：AI 研究智能体

场景三：代码审查智能体

❤️ 推荐理由

📥 下载地址

📊 项目信息

MetaGPT 62K+ Stars：首个AI软件公司多智能体框架，自然语言编程的未来

📦 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

配置 LLM API

🎯 核心功能

1. 全流程软件公司模拟 🏢

2. 自然语言编程 💬

3. 数据解释器（Data Interpreter）📊

4. 多模型支持 🔄

5. 可扩展的多智能体协作框架 🤝

💡 典型使用场景

场景一：软件项目快速开发 🚀

场景二：数据分析与可视化 📈

场景三：多智能体辩论辅助决策 🤔

🌟 推荐理由

📥 下载地址

📚 相关推荐

CrewAI — 53.7K+ Stars，让多个AI智能体像团队一样协作的Python框架

🚀 CrewAI — 让多个 AI 智能体像团队一样协作

📌 项目简介

⚙️ 安装要求和过程

环境要求

快速安装

常见问题排查

标签：多智能体系统

⚙️
安装要求和过程

⭐
核心功能

💡
典型使用场景

❤️
推荐理由

📥
下载地址