Agent框架对比与边界思考

严格意义上说，这篇不算传统的读书笔记。

上一篇我写了 AutoGen，越看越觉得有意思：如果把它当成一个“多智能体协作框架”，那到底能做出哪些更有趣的 Agent？带着这个问题，我顺手把视野扩展到 5 个常见框架。

不过说实话，真正深入研究的我目前只有 CrewAI——因为我正在尝试用它做一个 Agent。你们当然可以直接去读原文；但如果用一张表把这 5 个框架的“气质”和“适用场景”快速对齐，我会这样理解：

对了，我还让 Nano Banana 画了张图，大家笑一笑就好（图略）。

从这个角度看，AgentScope 和 LangGraph 更偏“工程严肃”；AutoGen 和 CAMEL 更强调 LLM 的自足与涌现。这也会是我下一步更想投入的方向——因为我确实很想知道：把 Agent 放飞一点，会是一种什么体验。

但也正是 CrewAI 的定位，让我再次对“Agent 的边界”产生了疑虑。

我之前提过一个判断：

Workflow 的本质，是让系统按部就班执行预设路径； Agent 的核心价值，则在于自主决策与涌现行为。

如果 CrewAI 主打“流程导向的办公自动化”，优势场景又是流程化任务、标准化交付物（比如研报、代码库），那它和我直接用 Python 写个 pipeline 脚本、或者用 n8n 搭一个工作流去调用 LLM，本质差别到底在哪里？

于是我做了和研究 AutoGen 时类似的事：我 git clone 了 CrewAI 的仓库和 crewAI-examples，让 Claude Code 去读代码、总结它真正解决的问题；同时我也把这个疑问丢给了 Gemini：

有人介绍 CrewAI 的时候说：适合追求高效率、流程导向的团队办公自动化应用，优势场景是流程化任务、标准化交付物（如研报、代码库）。这种情况下，我用 Python 写 pipeline 调用 LLM，或者干脆用 n8n 搭建工作流来调用 LLM 完成任务也可以——那 CrewAI 的差异是什么？

Gemini 的回答，基本印证了我最初的直觉。我不想水一篇文章，这里尽量用自己的话把核心转述成两点：

用 Python pipeline 或 n8n 做复杂判断时，分支逻辑往往需要你“硬写”出来；而 CrewAI 提供了三种组织模式：
- Sequential：顺序执行，适合存在依赖关系的任务
- Hierarchical：管理者/协调者模式，适合需要统筹与分配的场景
- Flow：事件驱动，更适合复杂决策逻辑与状态流转
即使是 Sequential，CrewAI 也帮你省掉不少“重复造轮子”的工作：比如上下文管理、工具选择/调用、任务衔接等，让你更像是在“搭团队”而不是“写脚本”。

Claude Code 读完代码后，也给了一个很“落地”的结论：CrewAI 目前最适合的场景大致是这些——

所以我决定做个小实验：做一个“一句话小说生成”的 Agent。

让几个 Agent 分别扮演“大纲作者 / 正文作者 / 编辑”，模拟一个内容生产流程，最终产出一篇可读的短篇小说。

我知道现在 AI 写作工具已经很多了，不论收费还是免费；但那些工具本质上是为“写作者”准备的。而我理想里的这个 Agent，是为“读者”准备的：每天给一句 100 字左右的主题，让 AI 写一篇上下班路上就能看完的中篇小说。

你们觉得这事有意思吗？

留言