AutoGen 与 CrewAI
多 Agent 协作是 Agent 应用的高级形态——多个具有不同能力或角色的 Agent 共同完成一个复杂任务。AutoGen 和 CrewAI 是这一领域的两个代表性框架，它们从不同的设计哲学出发解决同一个问题：如何让多个 Agent 有效协作而非互相干扰。
AutoGen：对话驱动的多 Agent 协作
AutoGen 由微软研究院开发，其核心设计理念是对话即编排。Agent 之间的协作通过多轮对话自然展开，而非通过预定义的流程图硬性规定。
核心概念
- ConversableAgent：所有 Agent 的基类，每个 Agent 有系统消息、LLM 配置和人类交互模式。Agent 可以发送和接收消息，消息是协作的基本单元。
- AssistantAgent：内置的 LLM 驱动 Agent，默认使用 GPT-4 模型，负责推理和代码生成。它接收其他 Agent 的消息，生成回复或代码。
- UserProxyAgent：代表人类用户的 Agent，可以执行代码、提供反馈或确认操作。它的存在让人类介入成为协作流程的自然部分，而非外部中断。
- GroupChat：多 Agent 群聊管理器，维护参与 Agent 列表、消息历史和发言顺序策略。支持自动选择下一个发言者（基于 LLM 判断）或轮询等模式。
对话流程
AutoGen 的典型工作流程：
- 用户通过 UserProxyAgent 发起任务描述
- AssistantAgent 接收任务，生成解决方案或代码
- UserProxyAgent 执行代码，将执行结果反馈给 AssistantAgent
- 如果结果有问题，AssistantAgent 修正方案，重复 2-3
- 任务完成，对话结束
在群聊模式下，多个 AssistantAgent 可以围绕同一个任务展开讨论——一个负责代码生成，一个负责代码审查，一个负责测试验证。发言顺序由 GroupChat 管理器的选择策略决定，最灵活的策略是让 LLM 根据当前对话内容判断最适合发言的 Agent。
优势与局限
AutoGen 的对话驱动模式具有极高的灵活性——Agent 之间可以自由讨论、质疑、修正，协作过程像专家团队的头脑风暴。但这种灵活性也带来挑战：对话可能偏离主题、Agent 可能陷入无意义的争论、流程的可预测性较低。调试长对话链的失败原因也比较困难。
CrewAI：角色驱动的多 Agent 编排
CrewAI 的设计哲学是结构化协作——通过显式定义角色、目标和任务，让多 Agent 协作像组织中的项目团队一样运转。
核心概念
- Agent：具有角色（Role）、目标（Goal）和背景故事（Backstory）的 Agent 定义。角色决定 Agent 的专业领域，目标定义 Agent 的职责方向，背景故事为 LLM 提供行为约束的上下文。
- Task：具有描述、预期输出和负责 Agent 的任务定义。每个 Task 可以指定由哪个 Agent 执行，也可以让 Agent 自主选择。
- Crew：将多个 Agent 和多个 Task 组合在一起的项目团队。Crew 定义了任务执行流程（顺序或并行）和协作模式。
- Process：Crew 的执行流程类型。
sequential模式下任务按顺序逐一完成；hierarchical模式下有一个 Manager Agent 负责分配和监督任务。
任务流程
CrewAI 的典型工作流程：
- 定义 Agent 角色集合（例如：研究员、分析师、撰稿人）
- 定义任务列表（例如：调研 → 分析 → 撰写）
- 组建 Crew，指定执行流程
- Crew 按流程驱动任务执行，Agent 之间通过上下文共享传递中间成果
- 最终任务完成，输出汇总结果
在 sequential 模式下，每个任务的输出自动成为下一个任务的上下文输入——研究员的调研笔记传递给分析师，分析师的报告传递给撰稿人。在 hierarchical 模式下，Manager Agent 像项目经理一样协调任务分配和进度跟踪。
优势与局限
CrewAI 的角色驱动模式提供了清晰的结构和可预测的流程——每个 Agent 知道自己的职责，每个任务有明确的输出预期。这种结构化设计降低了调试难度，也让非技术人员更容易理解和配置协作流程。但结构化的代价是灵活性：Agent 之间的交互被任务流程约束，难以像 AutoGen那样展开自由讨论和即兴协作。
对比分析
| 维度 | AutoGen | CrewAI |
|---|---|---|
| 编排哲学 | 对话驱动，灵活自然 | 角色驱动，结构清晰 |
| 协作模式 | 自由对话，LLM 决定发言顺序 | 任务流程驱动，顺序或层级管理 |
| 人类介入 | UserProxyAgent 天然支持 | 通过人类输入工具支持 |
| 流程可控性 | 较低，对话可能偏离 | 较高，任务顺序显式定义 |
| 灵活性 | 高，适合探索性任务 | 中，适合流程明确的任务 |
| 学习曲线 | 中等，需理解对话管理 | 较低，角色与任务的直觉式定义 |
| 适用场景 | 代码生成与验证、探索性研究 | 内容创作流水线、标准化业务流程 |
选择建议：如果任务需要 Agent 之间反复讨论和迭代修正（如代码开发），AutoGen 更合适；如果任务有明确的阶段划分和输出要求（如内容生产流程），CrewAI 的结构化编排更高效。两者都在快速演进中，未来可能互相借鉴对方的优点。
本章小结
| 维度 | AutoGen | CrewAI |
|---|---|---|
| 协作模式 | 对话驱动（对话管理器路由） | 角色驱动（任务依赖图） |
| 灵活性 | 高，适合探索性任务 | 中，适合流程明确任务 |
| 学习曲线 | 中等 | 较低 |
| 最佳场景 | 代码生成、探索性研究 | 内容生产、标准化业务流程 |
选型建议：需要反复迭代讨论选 AutoGen，有明确阶段划分选 CrewAI。
📖 延伸阅读
- AutoGen 官方文档 —— Microsoft 开源多 Agent 框架
- CrewAI 官方文档 —— 角色驱动多 Agent 框架
- AutoGen 论文 —— 对话驱动多 Agent 协作原论文
- CrewAI GitHub —— 开源代码与社区示例