ARTICLE / ai

Multi-Agent 框架生态:AutoGen、CrewAI、Dify 对比与选型

一、多智能体协作设计模式

单个 Agent 在面对复杂任务时存在明显的能力天花板:上下文窗口有限、专业视角单一、无法并行处理异构子任务。Multi-Agent 系统通过让多个专长化的 Agent 协作,突破了这些限制。但"多个 Agent 一起工作"远非把它们丢进一个聊天室那么简单——不同的协作模式决定了系统的可控性、效率和故障边界。

1.1 四种核心协作模式

┌──────────────────────────────────────────────────────────────────┐
│                   Multi-Agent 协作模式谱系                       │
│                                                                  │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐           │
│  │   分工协作    │  │   协商谈判    │  │   竞争淘汰    │           │
│  │ Division of  │  │ Negotiation  │  │ Competition  │           │
│  │   Labor      │  │              │  │              │           │
│  │              │  │  A ←→ B      │  │  A ─┐        │           │
│  │ A → Sub1     │  │      ↕       │  │  B ─┼→ Best  │           │
│  │ B → Sub2     │  │  C ←→ D      │  │  C ─┘        │           │
│  │ C → Sub3     │  │              │  │              │           │
│  └──────────────┘  └──────────────┘  └──────────────┘           │
│                                                                  │
│  ┌──────────────────────────────────────────────────────────┐   │
│  │                    层级委派                               │   │
│  │                  Hierarchical                             │   │
│  │                  ┌───────┐                                │   │
│  │                  │ Boss  │                                │   │
│  │                  └───┬───┘                                │   │
│  │              ┌───────┼───────┐                            │   │
│  │            ┌───┐   ┌───┐   ┌───┐                         │   │
│  │            │ A │   │ B │   │ C │                         │   │
│  │            └───┘   └───┘   └───┘                         │   │
│  └──────────────────────────────────────────────────────────┘   │
└──────────────────────────────────────────────────────────────────┘

分工协作(Division of Labor):将任务拆分为互不重叠的子任务,每个 Agent 负责一个专长领域。这是最常见的模式——一个 Agent 写代码,另一个做代码审查,第三个运行测试。适用于子任务边界清晰、依赖关系可预知的场景,如软件开发流水线、文档生成管道。

协商谈判(Negotiation):多个 Agent 围绕同一个问题各自给出方案,通过多轮对话达成共识。典型应用是多角色辩论——一个 Agent 扮演乐观分析师,另一个扮演风险审计师,通过辩论产出更稳健的决策。适用于需要多视角审视、降低单一偏见的场景。

竞争淘汰(Competition):多个 Agent 独立完成同一任务,由裁判 Agent 或评分机制选出最优解。类似"投标"机制,适用于对结果质量要求极高、可以承受多次执行成本的场景,如代码生成中的 pass@k 策略。

层级委派(Hierarchical):一个"管理者"Agent 负责任务分解、分配和监督,“执行者"Agent 各司其职。这是最接近人类组织结构的模式,也是 AutoGen 和 CrewAI 最常用的默认模式。适用于任务复杂度高、需要全局协调的场景。

1.2 模式选择的经验法则

场景特征推荐模式原因
子任务可并行且独立分工协作最大化并行度,减少等待
需要多角度审视决策协商谈判通过对抗性讨论降低偏见
对结果质量要求极高竞争淘汰多次尝试取最优,降低随机性
任务复杂且有层次结构层级委派管理者统筹全局,避免混乱
流程固定、步骤明确顺序流水线简单可控,调试方便

在实际工程中,这些模式经常混合使用。例如一个 Multi-Agent 系统内部可能在顶层使用层级委派,在某个子任务内部使用协商谈判。框架的选择决定了你实现这些模式的难易程度。


二、AutoGen 深度解析

AutoGen(现演进为 AG2)是微软研究院推出的 Multi-Agent 对话框架,其核心理念是通过 Agent 间的对话来协作完成任务。AutoGen 是最早系统化解决 Multi-Agent 编排问题的框架之一,也是目前社区规模最大、生态最丰富的选择。

2.1 架构核心

AutoGen 的架构围绕三个核心抽象构建:

┌─────────────────────────────────────────────────────────┐
│                    AutoGen 架构                          │
│                                                         │
│  ┌───────────────────────────────────────────────────┐  │
│  │              ConversableAgent                     │  │
│  │  ┌─────────────┐  ┌──────────────┐               │  │
│  │  │  LLM Config │  │  Message     │               │  │
│  │  │  (model,    │  │  History     │               │  │
│  │  │   api_key)  │  │  (messages)  │               │  │
│  │  └─────────────┘  └──────────────┘               │  │
│  │  ┌─────────────┐  ┌──────────────┐               │  │
│  │  │  Code       │  │  Human       │               │  │
│  │  │  Execution  │  │  Input       │               │  │
│  │  │  (sandbox)  │  │  Mode        │               │  │
│  │  └─────────────┘  └──────────────┘               │  │
│  └───────────────────────────────────────────────────┘  │
│        ▲                        ▲                        │
│   UserProxyAgent          AssistantAgent          GroupChat│
│  (人类代理/代码执行)     (LLM 代理)        (多会话编排) │
└─────────────────────────────────────────────────────────┘

2.2 最小可运行示例

from autogen import AssistantAgent, UserProxyAgent

coder = AssistantAgent("coder", llm_config={"model": "gpt-4o"})
runner = UserProxyAgent(
    "runner",
    human_input_mode="NEVER",
    code_execution_config={"executor": docker_executor},  # 沙箱执行
)

runner.initiate_chat(
    coder,
    message="写一个 Python 脚本统计当前目录各类型文件数量并输出 CSV",
)

对话循环自动推进:coder 产出代码块 → runner 在 Docker 里执行 → 报错原样回喂 coder → coder 修复 → 直到回复 “TERMINATE”。代码执行闭环是 AutoGen 最锋利的差异化能力。

2.3 v0.4 重构与 AgentChat

2025 年 AutoGen 分裂为两条线:核心重写为异步事件驱动的 actor 模型(v0.4+,并有 .NET 跨语言实现);上层 autogen-agentchat 提供开箱模式(RoundRobinGroupChat、SelectorGroupChat、Swarm、Magentic-One)。微软还基于它推出了低代码工作台 AutoGen Studio。选型注意:v0.2 的 ConversableAgent API 与新体系不兼容,社区大量教程已过期。

2.4 优劣势

  • 强:对话式协作表达力最强、代码执行闭环完整、学术/研究友好、微软背书
  • 弱:自由对话轮次不可控(发散与费用风险)、非确定性流程难做生产 SLA、API 迁移阵痛大

三、CrewAI:角色分工派

3.1 核心抽象

CrewAI 把"团队"做成一等公民:Agent(角色+目标+背景)→ Task(描述+期望输出+负责 Agent)→ Crew(流程模式+成员)。

from crewai import Agent, Task, Crew, Process

researcher = Agent(role="行业研究员", goal="找出该赛道前三名玩家",
                   backstory="资深 TMT 分析师,重视数据来源", llm="gpt-4o")
writer = Agent(role="报告撰写人", goal="把发现转成结构化报告",
               backstory="技术编辑,输出克制不吹捧", llm="gpt-4o")

t1 = Task(description="调研 {topic} 的市场格局",
          expected_output="三家公司对比表", agent=researcher)
t2 = Task(description="基于调研结果写 800 字报告",
          expected_output="Markdown", agent=writer, context=[t1])

crew = Crew(agents=[researcher, writer], tasks=[t1, t2],
            process=Process.sequential)
report = crew.kickoff(inputs={"topic": "AI 代码助手"})

3.2 Flows:从"放养"到可控管道

纯 Crew 的痛点与 AutoGen 相同——多 Agent 自由对话不可预测。CrewAI 0.40+ 的答案是 Flows:事件驱动的状态机管道,用 @start/@listen/@router 装饰器显式编排步骤,Crew 可作为 Flow 的节点嵌入。官方定位从此明确:Flow 定骨架,Crew 填智能。

3.3 优劣势

  • 强:上手最快、角色模型直觉好、任务依赖注入简单、文档友好
  • 弱:复杂协商/辩论模式不如 AutoGen 灵活、企业版与开源版能力分层明显、深度定制会撞框架边界

四、Dify:平台化的另一种解法

Dify 不是 Agent 库,而是 LLM 应用平台:可视化 Workflow/Agent 编排、内置 RAG 流水线(解析→分段→索引→召回)、多供应商模型路由、插件市场与数据集标注,自带 API 发布与用量看板。

  • 强:非工程角色可参与维护、RAG 质量工具链完整、密钥/配额/日志等运维件开箱即用
  • 弱:复杂 Agent 拓扑(多 Agent 协商、自定义 memory)受限,深度逻辑最终要写代码插件绕开 GUI
  • 适合:企业知识库问答、审批助手、客服机器人这类"80% 标准 RAG+工作流"需求

五、横向对比与选型

维度AutoGenCrewAIDify
抽象层对话/actor 事件角色-任务-团队 + Flows可视化平台
控制流自由对话(弱控制)顺序/分层 + Flow 强控显式工作流
代码执行内置沙箱闭环依赖工具封装插件/代码节点
学习曲线中高(API 迁移中)低极低(对非工程)
生产确定性低中(Flows 后改善)中高
生态微软研究院系增速最快的框架平台类最大开源项目之一

选型决策:研究复杂协作机制 → AutoGen;业务自动化、多角色流水线、工程速度优先 → CrewAI;平台化交付、非工程协作方参与、标准 RAG 场景 → Dify。三者不互斥——常见形态是 Dify 做入口与知识层,CrewAI/自研 Agent 承担复杂子任务。


六、总结

Multi-Agent 框架竞争的本质是控制流所有权之争:AutoGen 把编排权交给对话,CrewAI 交给角色剧本与 Flow,Dify 交给可视化 DAG。工程实践的一贯教训是:自由对话适合发现,显式编排适合交付——所以 2025-2026 年三者殊途同归地补确定性(Selector 收敛、Flows、代码节点)。落地建议:先用单 Agent+工具跑通流程,确认多角色确有增益再拆 Agent;拆的时候先定协作模式(分工/协商/竞争/层级),再按上表选框架——模式决定框架,而不是反过来。

(注:框架特性与版本信息整理自 AutoGen/CrewAI/Dify 官方文档与 2025-2026 公开 release notes,代码为教学示意;各框架 API 迭代较快,以当前版本为准。)

本文面向授权安全研究与防御建设,未经授权对任何系统实施文中技术属违法行为。