6. 源码分析

一句话理解：主流 Multi-Agent 框架的核心差异在于“抽象层级”与“状态共享方式”——AutoGen 系强调对话即编排，LangGraph 用图显式建模状态，CrewAI 用角色任务流程降低样板，OpenAI Agents SDK 用 Handoff 做轻量切换，Google ADK 用代码优先的工作流 Agent 组合子 Agent，CAMEL 用角色扮演数据集驱动，MetaGPT 则用 SOP 模拟软件公司。

分析对象选择

项目	仓库/文档	定位	分析重点
AutoGen / AG2 / Microsoft Agent Framework	microsoft.github.io/autogen / docs.ag2.ai / learn.microsoft.com/agent-framework	多 Agent 对话编排先驱及其两条演进线	GroupChat、AG2 Network hub、MAF Workflows
LangGraph multi-agent	langchain-ai.github.io/langgraph	生产级图编排，1.0 已 GA	StateGraph、Supervisor/Swarm 库、Command + active_agent
CrewAI	docs.crewai.com	角色驱动的低样板框架	Agent、Task、Process、Flows、工具委派
OpenAI Agents SDK	openai.github.io/openai-agents-python	厂商原生轻量切换（Swarm 的正式继任）	Agent、Runner、Handoff、Guardrails、Tracing
Google ADK	adk.dev	Google 代码优先多 Agent 框架，A2A 原生	LlmAgent、Workflow Agents、session.state
CAMEL	docs.camel-ai.org	角色扮演与数据合成	RolePlaying、Agent Society、数据飞轮
MetaGPT	docs.deepwisdom.ai	软件公司模拟	Role、Action、Environment、SOP

注：开源项目迭代极快，本节基于 2026 年 10 月主流分支状态分析。近两年 Multi-Agent 框架格局发生了数次洗牌（AutoGen 归档、AG2 v1.0 重写、LangGraph 1.0 GA、ADK 2.0/MAF 1.0 发布），选型时务必核实项目当前状态，不要只看 star 数。

AutoGen、AG2 与 Microsoft Agent Framework

AutoGen 把 Multi-Agent 抽象成“对话（Conversation）”，是这一领域的先驱，但它的故事在 2025-2026 年分成了三条线：

AutoGen（原库）：已进入维护尾声，2026 年 10 月正式 归档（archived）——微软在仓库公告中明确不再提供 bug 修复、安全修复与新功能，仓库仅作历史参考，最终版本停在 v0.7.5（2025 年 9 月）。
AG2：原创始团队离开微软后创建的分叉（Apache 2.0），保持活跃。v1.0 是一次彻底重写——用 Network hub + 类型化 channel 取代了 GroupChat 与 ConversableAgent，不向后兼容；经典 API 保留在 ag2-classic 包中。2026 年 10 月时已迭代到 v1.2.x。
Microsoft Agent Framework（MAF）：微软官方继任者，合并 AutoGen 与 Semantic Kernel，2026 年 4 月发布 1.0 GA（production-ready 承诺），提供 typed-graph Workflows、Handoff 编排、原生 MCP/A2A 支持，覆盖 Python 与 .NET（Go 版处于 public preview）。2026 年 7 月起又发布 agent-framework-hosting-a2a 包，可直接把 Agent / Workflow 以 A2A 服务端点对外暴露（原生 Agent Card 生成、技能发现）；2026 年 10 月 Python 版已迭代到 1.22.x。

AutoGen 核心抽象（历史版本）

python

from autogen import AssistantAgent, UserProxyAgent, GroupChat

assistant = AssistantAgent(name="coder", llm_config=llm_config)
user_proxy = UserProxyAgent(name="user", code_execution_config={"work_dir": "coding"})

groupchat = GroupChat(agents=[assistant, user_proxy], messages=[], max_round=12)

ConversableAgent：所有 Agent 的基类，能收发消息。
GroupChat：多 Agent 的群聊容器，内置发言人选择策略。
UserProxyAgent：代表人类用户，可执行代码。

关键设计

发言人选择（speaker selection）：GroupChat 通过 LLM 或规则决定下一轮谁发言。
代码执行器：Agent 生成代码后，UserProxyAgent 可在沙箱中执行并返回结果。
状态即消息历史：共享状态主要体现在 messages 列表，所有 Agent 可见。

演进启示

版本线	核心变化	启示
AG2 v1.0	Network hub + 类型化 channel 取代自由群聊	自由对话式编排难以治理，向显式通信拓扑收敛
MAF 1.0	Workflows（typed graph）+ Handoff + MCP/A2A	企业级编排 = 确定性工作流 + LLM 决策点 + 标准协议

LangGraph multi-agent

LangGraph 把 Multi-Agent 表达为“图”，每个 Agent 是一个节点，共享 State。2025 年 10 月 17 日 LangGraph 1.0 GA（与 LangChain 1.0 同日发布），把 durable execution（自动持久化、崩溃恢复）变成内置能力，成为生产级 Agent 编排的主流选项之一（Uber、LinkedIn、Klarna 等有公开采用）。此后持续高频迭代，2026 年 10 月已到 1.2.x（如 1.2.16），durable execution 能力持续增强（例如跨主机崩溃的 durable error-handler resume）。

核心抽象

python

from langgraph.graph import StateGraph, END

def agent_a(state): ...
def agent_b(state): ...

def router(state):
    return "agent_b" if state["needs_b"] else END

graph = StateGraph(State)
graph.add_node("agent_a", agent_a)
graph.add_node("agent_b", agent_b)
graph.add_conditional_edges("agent_a", router)
app = graph.compile(checkpointer=checkpointer)

关键设计

显式 State：所有 Agent 读写同一个 State，状态变更可审计。
条件边：通过函数决定下一步流转到哪个 Agent。
Checkpoint / Durable Execution：支持中断、恢复、time-travel，进程重启后可从上次状态继续。
Handoff 原语：Agent 节点返回 Command(goto=..., update={"active_agent": ...}) 移交控制权。
Supervisor 与 Swarm 独立库：langgraph-supervisor 提供集中式 Manager，langgraph-swarm 提供去中心化 handoff（需配合 checkpointer 记住当前活跃 Agent）。

优点与局限

优点	局限
状态显式、可持久化	学习曲线陡
适合复杂生产工作流	简单任务样板代码多
可观测强、生态成熟	依赖 LangChain 生态

CrewAI

CrewAI 把 Multi-Agent 抽象为“团队（Crew）= 角色（Agent）+ 任务（Task）+ 流程（Process）”，2025-2026 年持续高频迭代，当前为 1.15.x 系列（2026 年 10 月）；v1.14 起移除了 LangChain 依赖独立运行（官方 README 已将其定位为 standalone 框架），并补齐了运行时 checkpointing、可插拔 memory/RAG 后端。

核心抽象

python

from crewai import Agent, Task, Crew

researcher = Agent(role="研究员", goal="收集资料", backstory="...")
writer = Agent(role="撰稿人", goal="生成报告", backstory="...")

task1 = Task(description="搜索主题", agent=researcher)
task2 = Task(description="撰写报告", agent=writer, context=[task1])

crew = Crew(agents=[researcher, writer], tasks=[task1, task2], process=Process.sequential)
result = crew.kickoff()

关键设计

角色驱动：Agent 必须定义 role、goal、backstory。
任务依赖：Task 通过 context 声明前置任务输出。
Process：支持 sequential、hierarchical、consensual 等协作模式。
Flows：事件驱动的状态机，支持条件路由与持久化状态，弥补 Crew 在复杂分支流程上的不足。
工具委派：Agent 可以把子任务动态委派给其他 Agent 或工具。

优点与局限

优点	局限
API 简洁、样板少	复杂状态管理不如 LangGraph
角色概念清晰、迭代活跃	高度依赖 Prompt 工程
Flows 支持事件驱动流程	深度自定义需理解其内部约定

OpenAI Agents SDK（Swarm 的正式继任）

OpenAI 早期开源的 Swarm 只是一个教学级实验（Agents + Handoffs + Routines，官方明确“不用于生产”）。2025 年其能力被正式的 OpenAI Agents SDK 继承并大幅扩展：Guardrails（输入/输出/工具校验）、内置 Tracing（OTel 兼容）、Sessions 状态管理。SDK 保持活跃迭代，2026 年 10 月已发布到 v0.24.x。

核心抽象

python

from agents import Agent, Runner

triage = Agent(
    name="Triage",
    instructions="判断问题类型并转交",
    handoffs=[sales, support],
)

result = await Runner.run(triage, "我想退款")

关键设计

handoff 是特殊 tool call：模型决定切换到哪个 Agent，Runner 负责更新当前 Agent 与 instructions。
context 透传：对话历史在切换时保留；可用 input filter 控制移交时携带的上下文量。
Guardrails + Tracing 内置：生产所需的护栏与可观测开箱即用。
轻量：几行代码即可实现客服分诊等场景。

优点与局限

优点	局限
极简 API、上手最快	深度绑定 OpenAI 生态
原生 guardrails/tracing	复杂状态机编排能力弱于 LangGraph
适合快速落地	缺乏显式共享状态

Google ADK

Google ADK（Agent Development Kit）是 Google 的代码优先 Agent 框架，2025 年 4 月在 Google Cloud Next 发布、同年 5 月发布 Python v1.0.0；2026 年 5 月 19 日 Python 版 2.0.0 GA，随后 Go 2.0（2026 年 6 月）、TypeScript 2.0（2026 年 8 月）相继 GA，2026 年 10 月 Python 版已迭代到 v2.12.x。ADK 与 A2A 协议绑定：同一套 Agent 定义既能进程内编排，也能通过 A2A 暴露给外部 Agent。

核心抽象

python

from google.adk.agents import LlmAgent, SequentialAgent, ParallelAgent

researcher = LlmAgent(name="researcher", model="gemini-2.5-flash", instruction="...")
writer = LlmAgent(name="writer", model="gemini-2.5-pro", instruction="...")

crew = SequentialAgent(
    name="content_team",
    sub_agents=[ParallelAgent(sub_agents=[researcher_a, researcher_b]), writer],
)

关键设计

LlmAgent 为基本推理单元：负责推理、工具调用与下一步决策。
Workflow Agents 为确定性编排：SequentialAgent / ParallelAgent / LoopAgent 本身不含 LLM，只做子 Agent 的有序、并发、循环调度，形成树状 Agent 结构。
session.state 共享状态：子 Agent 通过 output_key 把结果写入会话状态，下游读取。
A2A 原生：Agent 可直接以 A2A 服务端点暴露；ADK 的 Event Compaction（事件压缩）用 LLM 把旧会话事件压缩为摘要状态而非直接截断——Google 官方公布的基准称长会话 token 消耗降低约 38%、延迟降低约 18%（该数字为官方口径，尚缺少独立第三方复现）。

优点与局限

优点	局限
编排确定性与 LLM 决策分离得干净	生态集中在 Google Cloud / Gemini
多语言（Python/Java/Go/TS）	动态图能力弱于 LangGraph
与 A2A 协议天然一体	国内网络与合规接入成本高

CAMEL

CAMEL 强调“角色扮演（Role-Playing）”与数据合成。

核心抽象

python

from camel.agents import ChatAgent
from camel.societies import RolePlaying

society = RolePlaying(
    task_prompt="设计一个股票交易机器人",
    user_role_name="量化交易员",
    assistant_role_name="Python 工程师",
)

关键设计

角色扮演数据集：通过两个 Agent 对话自动生成任务导向的数据。
Agent Society：支持更复杂的多 Agent 社会结构。
数据飞轮：对话数据可用于训练与评估。

优点与局限

优点	局限
数据合成能力强	工程化部署相对薄弱
角色扮演研究价值高	不适合直接做生产编排

MetaGPT

MetaGPT 用软件公司 SOP 模拟 Multi-Agent 协作。

核心抽象

python

from metagpt.roles import Architect, Engineer, ProductManager
from metagpt.team import Team

team = Team()
team.hire([ProductManager(), Architect(), Engineer(n_borg=3)])
team.run_project(idea="写一个命令行 Todo 应用")

关键设计

Role + Action + Environment：每个角色有固定动作集，在共享环境中读写文档。
SOP 编码：把软件开发的流程（需求 → PRD → 架构 → 代码 → 测试）硬编码进系统。
共享环境：所有 Agent 通过文件/文档共享状态。

优点与局限

优点	局限
对软件开发场景极强	通用性受限
SOP 可解释性强	流程固化，难做动态调整

综合对比

维度	AutoGen/AG2	LangGraph	CrewAI	OpenAI SDK	Google ADK	MetaGPT/CAMEL
核心抽象	对话/Network	状态图	角色+任务+Flow	Agent/Runner/Handoff	LlmAgent+Workflow	Role/Action/SOP、角色扮演
状态共享	消息历史/channel	显式 State	Task context/session.state	对话历史/Sessions	session.state	文档/共享环境
调度方式	发言人选择/hub	图边 + 条件路由	Process/Flow 事件	Handoff tool	编排 Agent 组合子 Agent	SOP/角色协商
持久化	较弱（AG2/MAF 较强）	强（durable execution）	中（checkpointing）	中（Sessions）	中（session 服务）	较弱
可观测	中	强	中	强（内置 tracing）	强（Google Cloud 集成）	较弱
最佳场景	对话式探索/遗留系统	复杂生产工作流	快速原型/业务流程	OpenAI 生态快速落地	GCP 生态/A2A 互联	软件开发/数据合成

共同模式总结

无论哪种框架，生产级 Multi-Agent 都需要解决四个问题：

角色与能力如何声明（Role/Skill/Agent，对外即 Agent Card）。
状态在哪里共享（消息历史、State、Blackboard、session.state、文档）。
下一步由谁执行（Coordinator、条件边、发言人选择、Handoff、编排 Agent）。
结果如何聚合与终止（Aggregator、终止条件、冲突解决）。

另一个 2026 年的共识：框架间的边界正在溶解。LangGraph、CrewAI、ADK、MAF 都已支持 A2A/MCP，一个 LangGraph 编排的 Agent 可以把任务 handoff 给通过 A2A 暴露的第三方 Agent。选型时越来越应关注协议兼容性而非框架私有特性。

本章小结

AutoGen/AG2、Microsoft Agent Framework、LangGraph、CrewAI、OpenAI Agents SDK、Google ADK、CAMEL、MetaGPT 代表了 Multi-Agent 的多种设计取向。2025-2026 年的主线是：AutoGen 系完成“社区分叉 + 官方重写”的更替，LangGraph 以 1.0 GA 确立图编排的生产地位，OpenAI 与 Google 分别用 Agents SDK 和 ADK 把 handoff 与 A2A 做成厂商标准，而 A2A v1.0 让不同框架的 Agent 第一次可以跨组织协作。理解它们的抽象层级与状态共享方式，有助于在自己的场景中做出合理选型。

参考来源

6. 源码分析 ​

分析对象选择 ​

AutoGen、AG2 与 Microsoft Agent Framework ​

AutoGen 核心抽象（历史版本） ​

关键设计 ​

演进启示 ​

LangGraph multi-agent ​

核心抽象 ​

关键设计 ​

优点与局限 ​

CrewAI ​

核心抽象 ​

关键设计 ​

优点与局限 ​

OpenAI Agents SDK（Swarm 的正式继任） ​

核心抽象 ​

关键设计 ​

优点与局限 ​

Google ADK ​

核心抽象 ​

关键设计 ​

优点与局限 ​

CAMEL ​

核心抽象 ​

关键设计 ​

优点与局限 ​

MetaGPT ​

核心抽象 ​

关键设计 ​

优点与局限 ​

综合对比 ​

共同模式总结 ​

本章小结 ​

6. 源码分析

分析对象选择

AutoGen、AG2 与 Microsoft Agent Framework

AutoGen 核心抽象（历史版本）

关键设计

演进启示

LangGraph multi-agent

核心抽象

关键设计

优点与局限

CrewAI

核心抽象

关键设计

优点与局限

OpenAI Agents SDK（Swarm 的正式继任）

核心抽象

关键设计

优点与局限

Google ADK

核心抽象

关键设计

优点与局限

CAMEL

核心抽象

关键设计

优点与局限

MetaGPT

核心抽象

关键设计

优点与局限

综合对比

共同模式总结

本章小结