6 款主流 Agent Framework 的源码/文档级对比。仅 AgentScope 是本地源码级分析，其他 5 款基于官方文档和 README。
开发者 / 许可证 / 语言
| Framework | 开发者 | 许可证 | 语言 | 主版本 | 论文 |
|---|
| AgentScope | 阿里 Tongyi Lab | Apache-2.0 | Python ≥3.10 | 0.x | arXiv:2402.14034 |
| LangGraph | LangChain | MIT | Python + TypeScript | 0.2.x | — |
| CrewAI | CrewAI Inc | MIT | Python | 0.x | — |
| AG2 (AutoGen) | AG2 社区（原 Microsoft AutoGen 分叉） | Apache-2.0 | Python | 0.x | arXiv:2308.08155 |
| Microsoft Agent Framework | Microsoft | MIT | C# + Python | 预览 | — |
| LangChain | LangChain | MIT | Python + TypeScript | 0.3.x | — |
核心抽象风格
| Framework | 主抽象 | 适合场景 |
|---|
| AgentScope | 显式 ReAct loop + hooks + MsgHub 广播 | 需要细粒度控制 + 生态完整 |
| LangGraph | StateGraph 状态图 + 节点 + 条件边 | 复杂工作流 + 可视化 + checkpoint |
| CrewAI | Crew + Agent (role) + Task + Process | Role-based 业务场景 |
| AG2 | GroupChat conversation + Agent 角色 | 模拟对话 + 多 Agent 讨论 |
| MAF | ChatHandler + FunctionInvocation + .NET 生态 | 微软技术栈集成 |
| LangChain | Chain + Runnable + LCEL 管道 | LLM 管线 + 大量 provider |
主循环模型
| Framework | 主循环结构 | 退出条件 |
|---|
| AgentScope | for _ in range(max_iters) 显式循环，_reasoning() → _acting() | 无 tool_use block |
| LangGraph | 状态图遍历，节点返回下一状态 | 到达 END 节点 |
| CrewAI | Task 依次执行（Sequential / Hierarchical Process） | 所有 task 完成 |
| AG2 | GroupChat.run() 轮询下一发言人 | 终止条件或 max_round |
| MAF | ChatHandler.Invoke() 循环 | 模型输出无 tool call |
| LangChain | AgentExecutor._call() | AgentFinish 输出 |
| Framework | 多 Agent 模式 | 特点 |
|---|
| AgentScope | MsgHub 广播 | 简单、灵活、无结构化状态 |
| LangGraph | StateGraph 节点 = agent | 强结构、可 checkpoint 恢复 |
| CrewAI | Crew + Role 分工 | 业务层面最直观 |
| AG2 | GroupChat + Selector | 自然对话流 |
| MAF | Connected Agents API | 微软风格 |
| LangChain | 通过 LangGraph 扩展 | 本体无原生支持 |
| Framework | MCP Client | MCP Server | 备注 |
|---|
| AgentScope | ✓ 官方 mcp>=1.13 | ✗ | tools/_toolkit.py:23 直接 import mcp |
| LangGraph | ✗ 本体无 | ✗ | 需第三方包 |
| CrewAI | 通过 crewai-tools 插件 | ✗ | |
| AG2 | ✗ | ✗ | |
| MAF | 预览支持 | ✗ | |
| LangChain | 通过 langchain-mcp-adapters | ✗ | |
| Framework | A2A 支持 | 实现方式 |
|---|
| AgentScope | ✓ 原生 | 集成官方 a2a-sdk + Nacos 服务发现 |
| LangGraph | ✗ | 无 |
| CrewAI | ✗ | 无 |
| AG2 | ✗ | 无 |
| MAF | 概念提及 | 无源码实现 |
| LangChain | ✗ | 无 |
AgentScope 是 6 款 framework 中唯一原生集成 A2A 的。
| Framework | Working Memory | Long-Term Memory | 后端 |
|---|
| AgentScope | ✓ InMemory/Redis/SQLAlchemy/TableStore | ✓ Mem0 + ReMe | 4 种 |
| LangGraph | ✓ Checkpointer (Memory / Postgres / Redis / SQLite) | ⚠️ 需自建 | 4 种 |
| CrewAI | ✓ ShortTerm / LongTerm / Entity | ✓ mem0 集成 | RAG + SQLite |
| AG2 | 会话内 | ⚠️ 手工 | — |
| MAF | ChatHistory | ⚠️ | 自定义 |
| LangChain | ConversationBufferMemory 等 | ⚠️ | — |
微调 / 学习支持
| Framework | Agentic RL | Fine-tune 接口 |
|---|
| AgentScope | ✓ Trinity-RFT | tune() 函数，trajectory 反哺训练 |
| LangGraph | ✗ | ✗ |
| CrewAI | ✗ | ✗ |
| AG2 | ✗ | ✗ |
| MAF | ✗ | ✗ |
| LangChain | ✗ | ✗ |
AgentScope 独有。
| Framework | Realtime WebSocket | TTS Provider 数 |
|---|
| AgentScope | ✓ OpenAI / DashScope / Gemini Realtime | 4 |
| LangGraph | ⚠️ 需自建 | — |
| CrewAI | ✗ | — |
| AG2 | ✗ | — |
| MAF | ✗ | — |
| LangChain | 通过 LangChain-experimental | — |
AgentScope 独有。
| Framework | OTel 原生 | Tracing 粒度 |
|---|
| AgentScope | ✓ 5 类 × 3 extractor | Agent / LLM / Tool / Formatter / Embedding |
| LangGraph | ✓ LangSmith 集成 | 节点级 |
| CrewAI | ✓ Langtrace / OpenLLMetry | Task 级 |
| AG2 | ⚠️ 手工 | — |
| MAF | ✓ Application Insights | — |
| LangChain | ✓ LangSmith | Chain 级 |
| Framework | Hook 类型 | 数量 |
|---|
| AgentScope | Python callable（class + instance level） | 10 个 hook 点（pre/post × reply/print/observe/reasoning/acting） |
| LangGraph | interrupt_before / interrupt_after + checkpointer | 节点级 |
| CrewAI | Task callback | 任务级 |
| AG2 | register_hook | 有限 |
| MAF | IFilter | C# 风格 |
| LangChain | CallbackHandler | 细粒度 |
| Framework | 计划原语 | 实现 |
|---|
| AgentScope | First-class PlanNotebook + Plan + SubTask | 源码 src/agentscope/plan/ |
| LangGraph | 隐式（状态图即计划） | — |
| CrewAI | Task 自动分解（可选） | — |
| AG2 | ✗ | — |
| MAF | ✗ | — |
| LangChain | Plan-and-Execute experimental | 实验性 |
代码规模（估算）
| Framework | 代码量（Python） | 依赖数 |
|---|
| AgentScope | 43K 行 / 215 文件 | 中 |
| LangGraph | ~15-20K 行 | 少 |
| CrewAI | ~25K 行 | 中 |
| AG2 | 60-80K 行 | 多 |
| MAF | - (C# 为主) | - |
| LangChain core | 100K+ 行 | 极多 |
| Framework | GitHub Stars | 增长速度 |
|---|
| LangChain | ~100k+ | 放缓 |
| LangGraph | ~10k | 快速增长 |
| AutoGen/AG2 | ~35k | 稳定（AG2 是 fork） |
| AgentScope | 23.7k | 快速增长 |
| CrewAI | ~30k | 稳定 |
| MAF | 预览中 | — |
决策指南：什么时候选哪款？
- 想要完整生态（MCP + A2A + 微调 + 实时语音）
- 需要 production-grade OTel tracing
- 构建中文场景 agent（DashScope + CosyVoice）
- 研究 agentic RL（Trinity-RFT）
- 要跨多个 agent 做松耦合广播（MsgHub）
- 需要可恢复的长流程（checkpointer）
- 流程结构已知且复杂（可绘图）
- 要做多 agent 编排 + 状态机风格
- 已经在用 LangChain 生态
- 场景是业务角色分工（产品 → 设计 → 开发 → 测试）
- 想要直观的 role-based API
- 不想写太多底层逻辑
- 想做多 Agent 对话模拟
- 研究讨论/辩论场景
- 需要学术一致性（参考 AutoGen 论文）
- 团队是 .NET / C# 栈
- 需要 Azure 深度集成
- 在企业 Azure 环境部署
- 需要最大的 provider 覆盖
- 构建简单的 LLM 管道（非复杂 agent）
- 已有 LangChain 代码库
一个都不选的理由
如果你的目标是构建一个 Code Agent（编程助手），这 6 款 framework 都不合适 —— Claude Code / Qwen Code / Codex CLI 都是自研的，因为：
- UX 要求高：TUI、流式渲染、快捷键、实时 diff —— framework 提供的抽象无法直接实现
- 启动速度：framework 都有几百 ms 的 import 延迟
- 定制深度：code agent 需要改 prompt cache 策略、compaction 算法、tool schema —— framework 的抽象是负担
- 性能：Rust / Bun 实现比 Python framework 快 10 倍
结论：framework 适合**"我要构建一个特定业务场景的 agent"，不适合"我要构建下一个 Claude Code"**。
延伸阅读