最近在做一个新的独立开发产品，核心功能里涉及到 多智能体协作。
在调研阶段，我发现相关框架和工具特别多：有的强调团队角色分工，有的走可视化无代码路线，还有的专注研究“涌现行为”。
于是我干脆整理了一份 Agent 框架全景图，按时间和特点做了分类。
如果要做 B2B/B2C 的 Agent 产品，可以判断该走 可视化无代码（Flowise、n8n）、多角色分工（Meta-GPT、ChatDev）、还是 通用框架（AutoGen、Agno、CrewAI）路线。
结合框架生态热度（Star 数、厂商背景）做市场判断，避免选型踩坑。


AgentUniverse（2023，开源 1.6k⭐）：支持多智能体协作，具备完整的规划、工具使用和内存管理能力，部署以本地为主，角色定义包括 PEER、DOE 等。
Agentverse（2023，开源 4.7k⭐）：聚焦多智能体协同与涌现行为，角色涵盖专家、决策者等，采用基于阶段的控制流架构，支持跨平台部署。
Agno（2024，开源 32.5k⭐）：轻量级多模态智能体框架，支持 “团队模式” 的多智能体协作，采用混合流（数据 + 控制）架构，基于 Python 实现工具调用。
AutoGen（2023，开源 49.2k⭐）：以多智能体对话为核心，角色包括指挥官、工作者、评论家等，采用控制流架构和 DAG（有向无环图）表示，支持代码执行和人机协作。
CAMEL（2023，开源 14.2⭐）：专注于智能体间 “心智探索” 的协作，角色分为规划者、执行者等，基于 MCP 协议通信，支持模块化任务分解。
ChatDev（2023，开源 27.4k⭐）：模拟软件开发团队协作，角色包括 CEO、CTO、程序员等，采用类 DAG 的控制流，侧重代码生成与调试。
Coze（2024，开源 16.7k⭐）：支持对话式智能体工作流，角色以会话型为主，采用节点式表示和 API 协议，可部署于 Web、移动端等多平台。
CrewAI（2024，开源 38k⭐）：强调角色化协作（规划者、团队成员），基于 Python DSL 定义流程，采用控制流架构和任务规划图，支持多 LLM 集成。
DeepResearch（2025，闭源）：聚焦协作推理任务，角色包括搜索者、分析者等，依赖 OpenAI 生态，支持部分自我反思能力。
Dify（2023，开源 114k⭐）：以提示链为核心的单智能体框架，采用控制流和 JSON 配置，支持函数调用，部署方式包括 SaaS 和本地。
DSPy（2023，开源 28.1k⭐）：通过声明式语言定义工作流，角色涵盖规划者、检索者等，采用混合流架构，支持模块化图表示。
ERNIE-SDK（2024，开源 370⭐）：百度推出的智能体框架，角色设计较隐式，采用流程图表示，支持多模态交互和本地部署。
Flowise（2023，开源 43.5k⭐）：基于 LangChain 的可视化工具，以数据流为核心，采用 DAG 表示，适合无代码构建工作流。
LangGraph（2023，开源 18.5k⭐）：LangChain 生态的扩展，以节点为单位定义智能体角色，采用 DAG 和状态共享机制，支持复杂循环与条件路由。
Magnetic-One（2024，开源 49.7k⭐）：多智能体通用框架，角色包括编排者、编码者等，基于 AutoGen 对话协议，采用 DAG 架构。
Meta-GPT（2023，开源 58.4k⭐）：模拟软件开发的元编程框架，角色包括产品经理、工程师等，采用类定义的控制流，支持命令行部署。
n8n（2019，开源 137k⭐）：非 LLM 驱动的工作流自动化工具，按节点定义功能，支持 Webhook、REST 等协议，部署灵活（云、本地）。
OmAgent（2024，开源 2.5k⭐）：专注视频理解的多模态框架，角色包括规划者、检索者等，采用文本计划表示，适用于特定系统集成。
OpenAI Swarm（2024，开源 20.4k⭐）：OpenAI 推出的多智能体框架，角色包括工作者、路由器，采用封装式表示，支持 Python/YAML 配置。
Qwen-agent（2024，开源 11.4k⭐）：阿里推出的智能体框架，支持自定义角色，基于 MCP 协议，采用代码驱动的控制流，部署灵活。
ReAct（2022，开源 239k⭐）：早期提示框架，无明确角色划分，以 “推理 - 行动” 循环为核心，是现代智能体工作流的基础。
Semantic Kernel（2023，开源 26.1k⭐）：微软推出的 SDK，角色设计隐式，采用 DAG 表示和函数调用协议，支持多语言与跨平台部署。


🤔 如果让你来选，你更倾向哪一类路线？

  • 无代码可视化
  • 多角色团队协作
  • 通用框架
  • 厂商生态

👇评论留言