【AI原生开发实战专栏】3.4 多Agent协作框架：AutoGen、CrewAI与LangGraph实战对比

学习目标

通过本文的学习，读者将：

1. 理解多Agent协作的核心价值：为什么需要多个Agent协同工作
2. 掌握主流多Agent框架：AutoGen、CrewAI、LangGraph的架构设计
3. 实现不同协作模式：对话式、角色式、图式协作
4. 对比框架优劣：根据场景选择合适的框架
5. 构建实际应用：从客服到数据分析的多Agent系统

一、多Agent协作概述

1.1 为什么需要多Agent

单一Agent在处理复杂任务时面临诸多局限：

多Agent协作的优势：

• 专业化分工：每个Agent专注特定能力
• 并行执行：多Agent同时工作提高效率
• 分布式智能：复杂问题分解为多个简单子问题
• 可扩展性：按需添加新Agent扩展能力

1.2 协作模式分类

┌─────────────────────────────────────────────────────────────────┐ │ 多Agent协作模式 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ① 对话式协作 (Conversational) │ │ Agent A ←→ Agent B ←→ Agent C │ │ 例：AutoGen │ │ │ │ ② 角色式协作 (Role-based) │ │ Manager → Agent A, Agent B, Agent C │ │ 例：CrewAI │ │ │ │ ③ 图式协作 (Graph-based) │ │ Node A → Node B → Node C │ │ 例：LangGraph │ │ │ │ ④ 层级式协作 (Hierarchical) │ │ Manager │ │ ↙ ↘ │ │ Worker Worker │ │ ↙↘ ↙↘ │ │ Task Task Task Task │ │ │ └─────────────────────────────────────────────────────────────────┘

二、AutoGen：微软的对话式协作框架

2.1 核心概念

AutoGen是微软研究院开发的多Agent协作框架，其核心理念是**“对话即工作流”**。

核心组件：

2.2 基础使用

fromautogenimportAssistantAgent,UserProxyAgent,config_list_from_json# 加载配置config_list=config_list_from_json("OAI_CONFIG_LIST")# 创建助手Agentassistant=AssistantAgent(name="assistant",llm_config={"config_list":config_list,"temperature":0})# 创建用户代理user_proxy=UserProxyAgent(name="user_proxy",human_input_mode="NEVER",# 或 "ALWAYS" / "TERMINATE"max_consecutive_auto_reply=10,code_execution_config={"work_dir":"coding","use_docker":False})# 启动对话user_proxy.initiate_chat(assistant,message="帮我写一个快速排序算法")

2.3 群聊模式

fromautogenimportGroupChat,GroupChatManager# 创建多个Agentwriter=AssistantAgent(name="writer",system_message="你是一个专业的技术作家")reviewer=AssistantAgent(name="reviewer",system_message="你是一个严格的技术评审")coder=AssistantAgent(name="coder",system_message="你是一个Python开发专家")# 创建群聊group_chat=GroupChat(agents=[writer,reviewer,coder],messages=[],max_round=10)# 创建群聊管理器manager=GroupChatManager(groupchat=group_chat,llm_config={"config_list":config_list})# 启动群聊user_proxy.initiate_chat(manager,message="帮我写一篇关于深度学习的博客，要求：1. 专业性强 2. 代码示例 3. 审稿通过")

2.4 代码生成与执行闭环

AutoGen的经典应用是构建代码生成-执行-修复的闭环：

# 专门的代码生成Agentcode_writer=AssistantAgent(name="code_writer",system_message="""你是一个Python开发专家。 根据用户需求编写高质量的Python代码。 确保代码可运行、有注释、符合PEP8规范。""")# 代码执行Agentcode_executor=UserProxyAgent(name="code_executor",code_execution_config={"work_dir":"outputs"},human_input_mode="NEVER")# 代码评审Agentcode_reviewer=AssistantAgent(name="code_reviewer",system_message="""你是一个代码评审专家。 审查代码中的bug、性能问题和安全漏洞。 提出具体的改进建议。""")# 执行流程user_request="实现一个计算斐波那契数列的函数，并测试其性能"# 第一轮：生成代码code_executor.initiate_chat(code_writer,message=user_request)# 第二轮：执行代码code_writer.initiate_chat(code_executor,message=f"请执行以下代码并返回结果：\n{last_code}")# 第三轮：评审代码code_executor.initiate_chat(code_reviewer,message="请评审以下代码：\n{final_code}")

三、CrewAI：角色式协作框架

3.1 核心概念

CrewAI基于"团队协作"理念，强调角色分工和任务流程。

核心组件：

3.2 Agent定义

fromcrewaiimportAgentfromcrewai_toolsimportSerpApiWrapper,DirectoryReadTool# 创建研究员researcher=Agent(role="市场研究员",goal="深入研究目标市场的最新趋势和竞争格局",backstory="""你是一个资深的市場分析師，在科技行業有10年經驗。 擅長通過各種渠道收集信息，並從數據中提煉有價值的洞察。""",tools=[SerpApiWrapper()],verbose=True)# 创建作家writer=Agent(role="内容创作专家",goal="将研究洞察转化为高质量的商业报告",backstory="""你是一个专业的商业作家，擅長用清晰的語言表達複雜的概念。 曾為多個知名企業撰寫過行業報告。""",verbose=True)# 创建评审reviewer=Agent(role="质量评审",goal="确保报告内容准确、结构清晰、可读性强",backstory="""你是一个嚴格的質量把控專家， 對內容的準確性和專業性有很高的要求。""",verbose=True)

3.3 任务定义

fromcrewaiimportTask# 定义研究任务research_task=Task(description="""收集並分析目標市場的以下信息： 1. 市場規模和增長趨勢 2. 主要競爭對手和他們的市場份額 3. 目標客戶群的特徵和需求 4. 行業發展的關鍵驅動因素""",expected_output="一份結構化的市場研究報告，包含數據支持和可視化圖表",agent=researcher)# 定义写作任务writing_task=Task(description="""基於研究報告，撰寫一份商業建議書： 1. 執行摘要 2. 市場分析 3. 競爭對手分析 4. 建議和策略""",expected_output="一份完整的商業建議書文檔",agent=writer,context=[research_task]# 依赖研究任务)# 定义评审任务review_task=Task(description="""評審商業建議書的質量： 1. 數據準確性 2. 邏輯結構 3. 建議的可行性""",expected_output="評審報告和修改建議",agent=reviewer,context=[writing_task]# 依赖写作任务)

3.4 Crew编排

fromcrewaiimportCrew,Process# 创建团队crew=Crew(agents=[researcher,writer,reviewer],tasks=[research_task,writing_task,review_task],process=Process.sequential,# 或 Process.hierarchicalverbose=True)# 启动执行result=crew.kickoff(inputs={"topic":"2024年AI芯片市场分析","target_audience":"投资机构"})print("最终报告:",result)

3.5 层级流程

# 创建管理者manager=Agent(role="项目经理",goal="协调团队高效完成复杂任务",backstory="""你是一个经验丰富的项目经理， 擅长分解任务、分配资源和协调团队。""",verbose=True)# 创建层级团队hierarchical_crew=Crew(agents=[manager,researcher,writer,reviewer],tasks=[research_task,writing_task,review_task],process=Process.hierarchical,manager_agent=manager,# 指定管理者verbose=True)result=hierarchical_crew.kickoff(inputs={"topic":"市场分析"})

四、LangGraph：图式协作框架

4.1 核心概念

LangGraph是LangChain生态中的多Agent编排框架，基于图结构来表达Agent之间的协作关系。

核心概念：

4.2 基础使用

fromlanggraph.graphimportStateGraph,ENDfromtypingimportTypedDict,List# 定义状态classAgentState(TypedDict):messages:List[str]current_agent:strtask_status:strresults:dict# 创建图graph=StateGraph(AgentState)# 添加节点（Agent）graph.add_node("researcher",research_agent)graph.add_node("writer",writer_agent)graph.add_node("reviewer",reviewer_agent)# 定义边graph.add_edge("researcher","writer")graph.add_edge("writer","reviewer")graph.add_edge("reviewer",END)# 编译图app=graph.compile()

4.3 带条件的图

fromlanggraph.graphimportStateGraph# 带条件的图graph=StateGraph(AgentState)graph.add_node("router",router_agent)graph.add_node("researcher",research_agent)graph.add_node("coder",coder_agent)graph.add_node("writer",writer_agent)# 条件路由函数defroute_to_agent(state:AgentState)->str:task_type=state["task_type"]iftask_type=="research":return"researcher"eliftask_type=="code":return"coder"else:return"writer"# 添加条件边graph.add_conditional_edges("router",route_to_agent,{"researcher":"researcher","coder":"coder","writer":"writer"})# 添加后续边graph.add_edge("researcher",END)graph.add_edge("coder",END)graph.add_edge("writer",END)app=graph.compile()

4.4 完整示例：智能助手系统

fromlanggraph.graphimportStateGraph,END,STARTfromlangchain_openaiimportChatOpenAIfromtypingimportAnnotatedimportoperator# 增强状态定义classAssistantState(TypedDict):messages:Annotated[List,operator.add]intentions:List[str]available_tools:List[str]current_task:strtask_results:dict# Agent定义llm=ChatOpenAI(model="gpt-4")defintent_classifier(state:AssistantState)->AssistantState:"""意图分类Agent"""last_message=state["messages"][-1]["content"]response=llm.invoke(f"分析用户意图：{last_message}")return{"intentions":[response.content],"current_task":determine_task(response.content)}defdata_analyst(state:AssistantState)->AssistantState:"""数据分析Agent"""# 调用数据分析工具return{"task_results":{"analysis":"数据洞察..."}}defcontent_creator(state:AssistantState)->AssistantState:"""内容创作Agent"""return{"task_results":{"content":"创作内容..."}}defroute_intent(state:AssistantState)->str:"""根据意图路由"""intent=state["intentions"][0]if"分析"inintent:return"analyst"elif"创作"inintent:return"creator"else:return"general"# 构建图graph=StateGraph(AssistantState)graph.add_node("intent_classifier",intent_classifier)graph.add_node("analyst",data_analyst)graph.add_node("creator",content_creator)graph.add_edge(START,"intent_classifier")graph.add_conditional_edges("intent_classifier",route_intent,{"analyst":"analyst","creator":"creator"})graph.add_edge("analyst",END)graph.add_edge("creator",END)app=graph.compile()# 执行result=app.invoke({"messages":[{"role":"user","content":"分析一下最近的销售额趋势"}],"intentions":[],"available_tools":["data_analysis","content_creation"],"current_task":"","task_results":{}})

五、框架对比与选择

5.1 核心对比

5.2 选择建议

┌─────────────────────────────────────────────────────────────────┐ │ 框架选择决策树 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ 任务类型？ │ │ │ │ │ ├─ 代码生成/调试 │ │ │ └─ AutoGen (内置代码执行) │ │ │ │ │ ├─ 内容生产/数据分析 │ │ │ └─ CrewAI (角色分工清晰) │ │ │ │ │ ├─ 复杂推理/多步骤任务 │ │ │ └─ LangGraph (状态控制强) │ │ │ │ │ ├─ 需要人工介入 │ │ │ └─ AutoGen (UserProxy灵活) │ │ │ │ │ └─ 需要精确控制流程 │ │ └─ LangGraph (图结构可控) │ │ │ └─────────────────────────────────────────────────────────────────┘

5.3 性能对比

基于100个任务的实测数据：

六、实战案例：智能客服系统

6.1 需求分析

构建一个多Agent客服系统：

• 意图识别Agent
• 订单查询Agent
• 产品咨询Agent
• 投诉处理Agent
• 回复生成Agent

6.2 CrewAI实现

fromcrewaiimportAgent,Task,Crew,Processfromcrewai_toolsimportCRM search_tool# 定义Agentintent_classifier=Agent(role="客服主管",goal="准确分类客户问题并分配给合适的专员",backstory="你是一个经验丰富的客服主管，能准确判断客户需求。",verbose=True)order_specialist=Agent(role="订单专员",goal="快速准确地查询和处理订单相关问题",backstory="你是订单专家，熟悉订单系统和退换货流程。",tools=[CRM_search_tool],verbose=True)product_specialist=Agent(role="产品专员",goal="提供专业的产品信息和建议",backstory="你对产品有深入了解，能回答各种产品问题。",verbose=True)complaint_handler=Agent(role="投诉处理专员",goal="妥善处理客户投诉，维护客户关系",backstory="你擅长处理客户投诉，能化解矛盾并提供解决方案。",verbose=True)response_writer=Agent(role="回复撰写专家",goal="生成专业、友好的客服回复",backstory="你擅长用恰当的语气撰写客服回复，既专业又亲切。",verbose=True)# 定义任务classify_task=Task(description="分析客户消息，判断是订单问题、产品咨询还是投诉",agent=intent_classifier,expected_output="问题类型：order/product/complaint")handle_order_task=Task(description="处理订单查询或退换货请求",agent=order_specialist,expected_output="订单信息和处理结果",context=[classify_task])handle_product_task=Task(description="回答产品相关问题",agent=product_specialist,expected_output="产品信息和建议",context=[classify_task])handle_complaint_task=Task(description="处理客户投诉并提出解决方案",agent=complaint_handler,expected_output="投诉处理方案",context=[classify_task])write_response_task=Task(description="根据处理结果生成最终回复",agent=response_writer,expected_output="最终的客服回复")# 创建团队crew=Crew(agents=[intent_classifier,order_specialist,product_specialist,complaint_handler,response_writer],tasks=[classify_task,handle_order_task,handle_product_task,handle_complaint_task,write_response_task],process=Process.hierarchical,manager_agent=intent_classifier)# 执行result=crew.kickoff(inputs={"customer_message":"我上周买的那件衣服太大了，想换小一号的"})

七、最佳实践

7.1 Agent设计原则

# 好的Agent设计good_agent=Agent(role="角色明确",goal="具体可衡量的目标",backstory="丰富的背景设定，帮助LLM理解角色",verbose=True,allow_delegation=False# 避免过度委托)# 避免的设计bad_agent=Agent(role="助手",# 角色模糊goal="帮助用户",# 目标不具体backstory="你是一个AI"# 背景无意义)

7.2 任务定义原则

# 好的任务定义good_task=Task(description="""具体明确的任务描述： 1. 输入什么 2. 需要做什么 3. 输出什么格式""",expected_output="明确的输出格式和验收标准",agent=specific_agent,# 分配给合适的Agentcontext=[dependent_task]# 正确设置依赖)# 避免过度拆分bad_task=Task(description="做点什么"# 描述模糊)

7.3 错误处理

fromcrewaiimportCrewfromcrewai.tasksimportTaskOutputdefhandle_task_failure(task_output:TaskOutput)->TaskOutput:"""处理任务失败"""iftask_output.status=="failed":# 记录失败日志log_error(task_output)# 尝试修复或重试ifcan_retry(task_output):returnretry_task(task_output)else:returnescalate_to_human(task_output)returntask_output crew=Crew(agents=agents,tasks=tasks,process=Process.sequential,task_callbacks=[handle_task_failure])

八、总结

8.1 核心要点

1. AutoGen：对话驱动的协作，适合代码生成和人机交互
2. CrewAI：角色驱动的协作，适合内容生产和流程自动化
3. LangGraph：图驱动的协作，适合复杂推理和精确控制

8.2 未来趋势

8.3 选型总结

参考文献

1. Wu, Q., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. Microsoft Research.
2. CrewAI Documentation. (2024). https://docs.crewai.com/
3. LangGraph Documentation. (2024). https://langchain-ai.github.io/langgraph/
4. OpenAI. (2024). GPT-4 Technical Report.