如果您不是平台会员但仍希望阅读本文，请查阅 此处的好友链接。
大家想必都已听说过 CrewAI 与 AutoGen，但您是否知道，目前已有数十种开源智能体框架，其中许多是在过去一年内发布的？
我挑选了一些较为流行的框架进行了初步测试，以了解它们的工作原理及上手难度。接下来，我将带您逐一探索这些工具的特色。
我们将重点关注 LangGraph、Agno、SmolAgents、Mastra、Pydantic AI 和 Atomic Agents，并将它们与 CrewAI 和 AutoGen 进行对比。
如何比较不同的框架
智能体 AI 的核心在于构建以大型语言模型（LLM）为基础的系统，使其能够获取准确知识、访问数据并执行操作。简而言之，就是利用自然语言实现流程与任务的自动化。
利用自然语言处理实现自动化并非全新概念——多年来我们一直使用 NLP 技术进行数据提取与处理。其新颖之处在于，我们现在可以赋予语言模型更高的自主性，使其能够处理模糊信息并动态做出判断。
使用自然语言进行动态路由——LLM 能够解析模糊指令
然而，大型语言模型虽然能够理解语言，却并不具备自主决策能力——甚至可能并不理解您希望自动化的任务内容。正因如此，构建可靠的智能体系统需要大量的工程设计与调试。
如果您希望获得一份面向初学者的概述，我在 这篇文章 中对智能体 AI 进行了更详尽的介绍。
2、框架的作用是什么？从根本上说，智能体框架能够帮助您高效地进行工程化设计，并实现数据在大型语言模型（LLM）与外部系统之间的流转。更重要的是，它们提供了更高层次的抽象，让您能够更轻松地构建和部署智能体系统。
假设您需要从头搭建一个系统，让 LLM 能够调用不同的 API（即工具），您首先需要在系统提示中明确定义这些 API。然后，您需要请求 LLM 在生成回复的同时，指出它希望调用哪一个工具，以便系统能够解析并执行相应的 API 调用。
发送给 LLM 的提示内容（实际内容远比图中复杂）
简而言之，这本质上属于提示工程（prompt engineering）的范畴——它构成了所有智能体框架的基础。
框架通常从两个方面提供支持：一是正确构建提示，确保 LLM 以标准格式返回响应；二是将响应准确路由至对应的工具、API 或文档等资源。
在构建知识系统时，框架通常支持将相关知识库作为上下文持续注入提示中，这与我们构建标准 RAG（检索增强生成）系统的方式类似。
此外，框架还能协助处理错误处理、结构化输出、数据验证、系统可观测性、部署运维等问题，并帮助您更好地组织代码结构，从而支持构建更复杂的系统，例如多智能体协作场景。
不过，也有不少开发者认为使用完整的框架可能过于“重量级”。
关键在于，如果 LLM 无法正确使用工具，或系统出现异常，框架的抽象层可能会增加调试难度。此外，当您切换至不同模型时，原本为特定模型优化的系统提示可能无法顺利迁移，这也可能带来挑战。
正因如此，部分开发者会选择重写框架的某些核心组件（例如 LangGraph 中的 create_react_agent）以获取更精细的控制权。
市面上的框架各有侧重：有的轻量灵活，有的功能丰富且提供额外扩展。无论选择哪种，它们通常都拥有活跃的社区，能帮助您快速上手。一旦掌握了一个框架（包括其底层原理），学习其他框架也会变得事半功倍。
三、主流开源框架概览我们确实希望借助社区经验来评估各框架的实际表现。然而，流行度最高的框架未必总是最佳选择。
目前广为人知的两个代表是 CrewAI 与 AutoGen。
CrewAI 作为高度封装的框架，通过隐藏底层实现细节，助力开发者快速搭建智能体系统。AutoGen 则专注于实现自主、异步的智能体协作机制，允许智能体按自身逻辑自由交互——这一特性使其更适用于实验性研究场景。
热门主流框架对比
LangGraph 仍是业界公认的核心框架之一。其采用图结构设计，支持通过节点构建与智能体连接。相较于前两者，该框架赋予开发者更严格的流程控制权，且不预设智能体的自主决策权限。
需注意的是，不少开发者认为 LangGraph 的抽象层级较高，调试复杂度较大。虽然学习曲线较为陡峭，但掌握核心概念后使用效率将显著提升。
此外，我们还需关注一批新兴框架的崛起。
Agno（原名 Phi-Data）致力于打造极致的开发者体验，其文档体系以清晰简洁著称。该框架具备开箱即用的特性，内置大量功能模块，并通过逻辑分明的抽象层帮助用户快速入门。
SmolAgents 以轻量化见长，创新性地推出通过代码（而非 JSON）进行数据路由的 CodingAgent。该框架还支持直接调用整个 Hugging Face 模型库，极大降低了使用门槛。
CodingAgent 采用代码路由数据（突破传统 JSON 模式）
在相对小众的开源框架中，以下项目值得关注：
PydanticAI 基于 Pydantic 构建，采用极简抽象设计，提供高度透明的轻量级框架。特别适合需要严格类型安全、可预测输出验证的场景，助力实现精细化控制与便捷调试。
Atomic Agent 由独立智能体开发者创建，采用模块化构建模式，像乐高积木般灵活组合组件，强调架构规范与控制力。其开发初衷是填补现有框架在实践中的功能空白。
PydanticAI 与 Atomic Agent 的共同目标是打破智能体作为黑箱运行的局限。
Mastra 由 Gatsby 核心团队打造，是专为前端开发者设计的 JavaScript 框架，可便捷地在其生态系统中构建智能体应用。
小众框架及其发布时间轴
接下来我们将深入解析各框架的特性与差异化优势。
4、不同框架的共性多数框架都具备相似的核心构建模块：支持多样化模型、工具调用、记忆机制与检索增强生成（RAG）能力。
绝大多数开源框架在设计上都力求模型无关性，这意味着它们致力于兼容不同供应商的模型服务。然而如前所述，每个框架都拥有独特的系统提示词结构——这种结构可能对某些模型的适配效果优于其他模型。
因此，理想情况下您需要能够访问并灵活调整系统提示词，以满足特定场景的需求。
所有智能体框架均支持工具集成，因为工具是实现可操作系统的关键要素。它们还通过简洁的抽象接口，让开发者能够轻松定义自定义工具。目前，多数框架已支持模型上下文协议（MCP），无论是通过官方集成还是社区解决方案实现。
生动呈现智能体框架常见功能组件的示意图
需要特别注意的是，并非所有模型都原生支持函数调用功能——而这是使用工具的前提条件。若要筛选适合作为基础大语言模型（LLM）的候选模型，可参考 Hugging Face 发布的智能体性能排行榜。
为实现智能体在多次 LLM 调用间的短期记忆保持，所有框架均采用状态管理机制。状态帮助 LLM 记忆先前步骤或对话片段中的关键信息。
多数框架还提供便捷的 RAG 配置方案，支持连接各类数据库为智能体注入领域知识。
最后，几乎所有框架都具备异步调用、结构化输出、流式响应以及可观测性集成等现代化特性。
5、各框架的独特特性不同框架在特定功能上存在差异，例如对多模态输入、长期记忆以及多智能体系统的支持。部分框架内置了这些能力，而另一些则需要开发者自行集成。
首先，部分框架原生支持多模态数据处理（如文本、图像及语音）。当然，只要底层模型具备相应能力，开发者也可自行实现相关功能。
如前所述，短期记忆（即状态管理）是所有框架的基础功能——缺乏这一机制，便无法构建有效的工具调用系统。然而，长期记忆的实现则更具挑战性，这也成为各框架差异化的关键点。有些框架提供了内置解决方案，而其他框架则需要用户自行集成外部记忆模块。
请参阅此处的 GitHub 仓库介绍部分及完整功能列表
各框架在多智能体功能的支持程度上也有所不同。 多智能体系统支持构建协作型或层级式架构，通过主管节点连接多个智能体形成团队。
多数框架建议保持单个智能体的专注度——即在有限范围内使用少量工具。这意味着处理复杂工作流时，可能需要组建智能体团队。虽然所有框架都支持组建团队，但部分框架在扩展至多层级的复杂系统时会显得力不从心。
这正是 LangGraph 的突出优势所在——它允许用户构建节点、将其连接至不同主管，并能可视化呈现团队间的交互方式。在构建大规模多智能体系统时，它无疑是灵活性最高的选择。
Agno 近期新增了对团队协作（包括协作团队与分层团队）的支持，但目前针对更复杂的多层架构示例尚不丰富。
SmolAgents 支持将智能体连接至主管节点，但随着系统规模扩大，复杂度会显著上升。 其团队构建方式令人联想到 CrewAI。Mastra 在此方面的设计思路也较为相似。
若使用 PydanticAI 或 Atomic Agents，则需要手动链接智能体团队，因此整体编排工作完全由开发者承担。
我已将大量研究数据整理至这份 Google 表格，如需获得更清晰的概览，也可查阅 此资源库中的功能对比表格。
6、不同框架的差异点框架之间的主要区别体现在抽象层级、赋予Agent的自主控制权，以及实现功能所需的代码量。
首先，部分框架内置了大量功能，旨在帮助用户快速上手。
例如，Mastra、CrewAI 以及在一定程度上 Agno 都属于开箱即用型框架。
各框架的高抽象与低抽象对比
LangGraph 也提供了较高的抽象层级，但其基于图的架构需要手动连接各个节点。这种方式赋予开发者更多控制权，但也意味着必须自行配置和管理每个连接，从而带来更高的学习门槛。
另一类是低抽象层框架，如 PydanticAI、SmolAgents 和 Atomic Agents。
这类框架强调透明性和可控性，但通常需要开发者自行构建任务编排逻辑。 虽然能实现完全的控制并便于调试，但也会显著增加开发时间。
此外，不同框架对Agent自主性的预设也存在差异。一些框架认为大语言模型（LLM）具备足够智能，能自主寻找解决方案；而另一些则倾向于严格管控，为Agent设定明确步骤和任务范围。
AutoGen 和 SmolAgents 属于前一类，其他多数框架则更偏向后者。
不同框架的高自主性与低自主性对比
值得思考的是，开发者设计强控制型框架，往往是因为目前尚未找到让Agent完全自主可靠运行的方法。
这一领域正日益工程化。
构建此类系统确实需要扎实的编程基础。关键在于，不同框架对技术能力的要求究竟有多大差别。
构建各框架所需的经验水平
若您经验尚浅，CrewAI、Agno 或 Mastra 可能是较稳妥的选择。
对于简单应用场景，SmolAgents 也较为易用。
而使用 PydanticAI、Atomic Agents 或 LangGraph 时，则需要编写更多底层逻辑。不过，借助Agent辅助编写代码也是可行的路径。
若您完全不具备编程基础，可考虑使用 Flowise 或 Dify 等低代码平台。
最后，有必要谈谈各框架的开发者体验。
据观察，多数开发者反映 CrewAI 和 AutoGen 在调试方面较为困难。SmolAgents 的 CodeAgent 采用了一种新颖思路——通过输出代码来路由数据，概念虽酷但实际效果未必稳定。
LangGraph，尤其是与 LangChain 结合使用时，学习曲线陡峭，抽象层设计有时令人困惑，可能需拆解重构才能理清。
PydanticAI 和 Atomic Agents 普遍受到开发者好评，但二者均需自行构建任务流编排。
Agno 和 Mastra 是不错的选项，但可能会遇到如循环调用等难以排查的问题。
7、补充说明最有效的入门方式莫过于亲手实践。但希望本文能帮助你建立对当前开源框架的整体认知，并初步判断哪些框架更契合你的需求。
需要说明的是，本文对各维度的探讨相对宏观，尚未深入涉及企业级可扩展性、运维稳定性等高级议题。若你的目标在于此，建议针对这些方面展开专项研究。
部分开发者认为，AI Agent 框架堪称最糟糕的抽象形式之一——它们往往比直接调用官方 LLM 服务商的 SDK 更为复杂。
这个问题，留待你自行评判。
随时随地看视频
