多智能体，MAS测评榜单：GAIA。

上篇参考Multi-Agent多智能体系统。

CrewAI

官网，Python生态开源（GitHub，54.9K Star，7.7K Fork）多智能体系统。

架构设计：通过模拟团队协作，将多个AI智能体组织成不同角色，协同完成多步骤推理、决策或执行任务。

在多智能体协作的基础上，更进一步抽象出角色（Role）、任务（Task）、工作流（Process） 和团队（Crew） 的概念，更像是在组装一个目标明确的AI公司或项目团队。

核心能力：

• 角色分工机制，支持研究员、编辑、校对员等不同角色的Agent协同
• 可视化任务编排，便于理解复杂工作流
• 高度灵活性和定制能力，适合复杂业务场景
• 与开源语言模型兼容性良好

适用场景：最适合需要多角色Agent协作的复杂任务自动化场景，如内容创作、数据分析和跨系统任务处理等。其角色分工机制使其在需要多步骤协作的场景中具有独特优势。

局限性：对多模态任务或硬件为中心的场景支持较弱；文档资料不够详尽，上手有难度；社区活跃度和生态支持相对有限。

iii/Motia

官网，层用名Motia，开源（GitHub，18.4K Star，1.2K Fork）基于Rust和TypeScript、企业级AI编排平台，旨在简化自主多智能体集群（Autonomous Multi-Agent Swarms）的部署与管理，侧重于编排与企业级落地。提供一套完整的工具链，允许开发者定义不同的智能体，并规定它们如何在一个系统中通过协作来完成复杂的任务。

特性

• 自主多智能体集群 (Autonomous Swarms)：支持创建多个专注于特定任务的Agent，并让它们自动协商、传递信息，形成工作流闭环；
• 深度编排能力：支持线性的链式调用、复杂逻辑分支、循环和条件判断，模拟真实的人类决策过程；
• TypeScript原生：对于前端开发者和全栈工程师极度友好，类型安全，易于集成到现有Web生态系统中；
• 企业级架构：设计之初就考虑扩展性、安全性和可观测性，适合构建生产环境级别的AI应用；
• 智能记忆与上下文管理：内置高效的记忆机制，确保Agent在长链路协作中不会健忘。

声明式配置方式来定义Agent，让代码既具有可读性，又具备强大的逻辑表达能力：

import{Motia,Agent,Task}from'motia-sdk';// 1. 定义搜索智能体：负责查找最新文献constresearcher=newAgent({role:'Researcher',goal:'深入挖掘指定领域的最新顶会论文',backstory:'你是一名严谨的学术研究员，擅长使用搜索引擎和学术数据库。',tools:['SearchEngine','ArXivAPI']// 赋予工具能力});// 2. 定义总结智能体：负责撰写摘要constwriter=newAgent({role:'Writer',goal:'将复杂的学术内容转化为通俗易懂的中文综述',backstory:'你是一名资深的科技专栏作家，擅长提炼核心观点。',});// 3. 定义任务链constresearchTask=newTask({description:'搜索关于 "Multi-Agent LLM" 的最新5篇论文',agent:researcher});constwritingTask=newTask({description:'基于搜索结果，写一篇 500 字的技术博客',agent:writer,context:[researchTask]// 依赖上一个任务的输出});// 4. 编排并启动集群constacademicTeam=newMotia.Swarm({agents:[researcher,writer],tasks:[researchTask,writingTask],process:'sequential'// 顺序执行模式});// 启动！constresult=awaitacademicTeam.kickoff();

JoyAgent

JoyAgent-JDGenie，京东开源（5.3k Star，866 Fork），基于Java语言，首个高完成度轻量化通用多智能体产品，作为完整的端到端智能体系统，无需二次开发即可直接使用，支持多种任务处理，如生成报告、分析数据等。具备多智能体设计模式、跨任务记忆和工具进化机制等创新技术。

原理

• 多智能体设计模式：支持多层级的规划和思考。层级包括work和task。能够更好地应对复杂多变的任务场景，提升系统的灵活性和适应性。
• 跨任务记忆：能够记住之前处理过的相似任务的信息和经验，在处理新的相似任务时更加高效和准确。这一机制显著提高了系统的任务处理效率，减少重复工作。
• 工具进化机制：基于已有工具迭代生成新工具，自动拆解已有工具为原子工具，并结合LLM自动组合成新工具。减少工具错误生成，提高开发效率。
• 高并发DAG执行引擎：系统支持高并发的有向无环图（DAG）执行引擎，优化任务调度和资源分配，确保系统在高负载下仍能高效运行。
• 上下文管理：管理多个智能体之间的上下文信息，确保智能体之间的协同工作流畅高效。
• 全链路流式输出：系统支持全链路的流式输出，确保任务处理过程中的实时反馈和动态调整。

功能

• 开箱即用的任务处理：能够直接处理用户输入的复杂任务，如生成报告、分析数据等，无需二次开发。用户只需输入任务描述，系统即可自动完成任务处理并输出结果。
• 通用性强的框架设计：该系统支持用挂载子智能体或工具快速扩展功能，适应不同应用场景。开发者可以根据需求灵活添加或替换子智能体和工具，满足多样化的业务需求。
• 多智能体协同工作：多个子智能体协同完成复杂任务，提升效率。
• 多文件交付样式：支持网页版、PPT、Markdown等多种文件交付格式。用户可根据自己的使用习惯选择合适的输出格式。
• 工具进化机制：基于已有工具迭代生成新工具，自动拆解和重组原子工具，减少错误工具生成，提高开发效率。
• 跨任务记忆：记住相似任务信息，在处理新任务时更加高效准确。

安装

gitclone https://github.com/jd-opensource/joyagent-jdgenie.gitdockerbuild-tgenie:latest.dockerrun-d-p3000:3000-p8080:8080-p1601:1601-eOPENAI_BASE_URL=""-eOPENAI_API_KEY=""--namegenie-app genie:latest# 方法2pipinstalluvcdgenie-tool uvsyncsource.venv/bin/activateshcheck_dep_port.shshGenie_start.sh

二次开发

1. 添加自定义工具：
   • 在genie-backend/src/main/resources/application.yml中添加MCP服务地址；
   • 实现BaseTool接口，声明工具的名称、描述、参数和调用方法；
   • 在com.jd.genie.controller.GenieController#buildToolCollection中添加自定义工具。
2. 添加自定义子智能体：
   • 实现BaseTool接口，声明子智能体的名称、描述、参数和调用方法；
   • 在com.jd.genie.controller.GenieController#buildToolCollection中添加自定义子智能体。

对比LangGraph

调度模型

JoyAgent：内置两种经典模式

• ReAct：不断进行感知-思考-行动的循环，会自己决定是调用工具查资料，还是直接给出答案，直到任务完成。灵活，适合开放式的探索任务。
• Plan-Executor：引入规划Agent负责全局规划，把一个复杂任务拆解成一个个小任务，再把这些小任务分发给不同的执行Agent去完成。分工清晰，能确保复杂任务有条不紊地进行。

LangGraph：不预设模式，核心是状态机/有向图，支持自定义Agent的决策流程。每一个操作都是图上的节点，而流程方向就是边。支持组装为各种模式：

• ReAct：工具选择Router+自循环；
• Plan-Executor：可设计一个嵌套子图的结构。如让两个Agent节点来回传递消息，模拟对话或辩论。

小结：JoyAgent提供验证有效的主流模式，方便快速上手；LangGraph则提供自由，但对架构设计能力要求更高。

并发与异步

JoyAgent：天生高并发，自带DAG（有向无环图）执行引擎，能自动把规划好的任务里没有依赖关系的分支并行执行。通过SSE实现全链路流式输出，能实时看到任务的中间进展。

LangGraph：异步优先，基于asyncio，天然支持非阻塞操作。

大坑预警 ❗️ 很多人以为用了LangGraph就能自动并行，其实不是。默认情况下，它还是会按图的顺序执行。 你必须显式地设计分支节点，才能让多个任务真正并行起来。 可实现非常细粒度的并发控制，比如同时调用多个外部API，然后在下游节点汇总结果。

小结：JoyAgent的并发依赖于底层框架，对开发者透明；LangGraph则需要明确地在图中设计并行流程，更灵活但也更考验人。

工具集成与协作

JoyAgent：自带豪华工具箱，即插即用。预置代码解释器、深度搜索、文件操作等多种常用工具，报告生成Agent、PPT生成Agent等智能体。扩展新工具也很方便：简单的，写个Python脚本放进tools/目录注册一下就行；复杂的，在Java后端实现一个BaseTool接口即可。

LangGraph：万物皆可为工具，生态就是力量。优势是背靠LangChain庞大的工具生态，100多种工具（搜索、计算、数据库、爬虫…）开箱即用。集成能力极强，任何REST API、Python函数，甚至一个OpenAPI规范，都能被轻松包装成一个工具节点。

在多智能体协作上，JoyAgent更偏向集中的经理-工人模式，而LangGraph可构建复杂网络，如对等Agent对话、市场竞价分配任务等（需要编码实现）。

小结：JoyAgent的工具体系只能满足常见需求；LangGraph则能把任何外部服务都整合进你的Agent系统。

数据流与记忆

Agent在执行多步任务时，如何记住上下文和传递信息至关重要。

JoyAgent：隐式的中央上下文管理。内部维护一个共享的内存/工作记忆，包含用户请求、任务列表、中间结果等。整个任务流程中，所有Agent都从记忆模块读取信息并更新结果。跨任务级别的记忆，能保存相似任务的解决方案，下次遇到时可参考。

LangGraph：显式的分布式状态管理。开发者需要明确定义一个State结构（通常是Python字典），列出Agent需要追踪的所有变量。整个流程就是对这个State对象不断进行读写和转换的过程。透明可控，每一步的数据变化都一清二楚。引入Checkpoint机制，可以将Agent的中间状态持久化到数据库，即使系统重启也能恢复。这对于构建需要长期运行的学习型Agent来说，是核弹级的功能。

小结：JoyAgent的记忆管理是中央数据库；LangGraph的记忆管理则需要你亲手设计，但提供完全的控制权和更强的持久化能力。

真实场景大比拼

文档理解与报告生成

• JoyAgent：非常擅长，有专门的报告生成智能体。
• LangGraph：更通用。可用于轻松构建各种RAG流程，对接PDF、数据库、网页等知识源，从合同分析到论文总结都能做。

流程自动化（RPA）

• JoyAgent：任务执行强，通过配置不同的persona（人格）和工具组合来实现。
• LangGraph：灵活编排判断和循环，非常适合构建逻辑分支明确的业务流程，如采购审批流。

跨系统复杂任务

• JoyAgent：能拆分出多个子任务，并行交给不同的工具完成再整合。擅长跨域任务整合。
• LangGraph：自由度更高。可让两个跨系统任务并行，互相通信，动态决定执行顺序。代价是需要处理数据格式转换、错误处理等细节。

Langroid

CMU和威斯康星大学推出的开源（GitHub，4.1k Star，381 Fork）轻量级多智能体框架，核心思想：Agent+Task+消息传递。每个Agent可装备LLM、向量数据库和工具函数，然后通过Task来管理和编排它们之间的交互，官方文档。

类似框架：AutoGen、LangChain。

Agent作为一等公民，Task负责编排，消息传递机制很清晰。支持hierarchical task delegation，复杂的多智能体系统也能轻松搭建。

示例：

importlangroidaslr llm_cfg=lr.language_models.OpenAIGPTConfig(chat_model="gpt-4")agent=lr.ChatAgent(lr.ChatAgentConfig(llm=llm_cfg))task=lr.Task(agent,name="助手",system_message="你是一个有用的助手")task.run("你好")

技术亮点

• 工具调用支持：支持OpenAI的Function Calling，ToolMessage机制，兼容任何LLM。用Pydantic定义工具接口，类型安全又简洁。
• 向量数据库集成：支持Qdrant、Chroma、LanceDB等主流向量库。
• LLM支持：OpenAI，本地模型、Ollama、oobabooga等各种服务，基本上所有兼容OpenAI API的模型都能用。
• 缓存机制：支持Redis缓存LLM响应，开发调试时能节省不少API费用。

实例：文档信息提取场景，可设置两个Agent：

• LeaseExtractor：负责生成问题和整理结果
• DocAgent：负责从文档中检索答案

通过消息传递协作，LeaseExtractor提出问题，DocAgent从向量数据库中检索相关信息回答，最后LeaseExtractor用Function Call输出结构化结果。

需要文档解析功能就装doc-chat扩展，数据库功能装db扩展。

AgentUniverse

AgentUniverse是蚂蚁集团开源（GitHub，2.3k Star，402 Fork）的MAS框架，实现分层的记忆管理系统，支持短期和长期记忆，支持多种存储后端（内存、向量、关系数据库）。

短期记忆基于Langchain ConversationTokenBufferMemory实现，主要限制是对token限制进行截断且不进行压缩。核心Token管控机制实现如下：

defprune(self,memories:List[Message])->List[Message]:tokens=get_memory_tokens(new_memories,agent_llm_name)iftokens<=self.max_tokens:returnnew_memories# 超出限制时，从头部开始移除早期记忆whiletokens>self.max_tokens:pruned_memory=new_memories.pop(0)# FIFO策略tokens=get_memory_tokens(new_memories,agent_llm_name)

记忆构建过程：

defbuild_memory(self):# 1. 丢弃系统消息formessageinself.messages:ifmessage.type.lower()==ChatMessageEnum.SYSTEM.value:self.messages.remove(message)# 2. 成对生成Human-AI对话foriinrange(0,len(self.messages),2):inputs,outputs=self.generate_chat_messages(self.messages[i],self.messages[i+1])self.save_context(inputs,outputs)

长期记忆实现比较简单，基于压缩提示词实现

逐步总结所提供对话内容，压缩记忆信息。 基于先前的记忆概要，返回新的记忆概要，必须使用中文回答。 先前的记忆概要为: {summary} 新一轮对话: {new_lines} 要求: 生成的新的概要，总体字数不超过{max_tokens}个字符。

LangGraph4j

LangGraph的Java版开源（GitHub，1.8K Star，243 Fork）移植，旨在为Java开发者提供一种更加直观和易于使用的方式来构建复杂的智能体交互图，支持开发者构建有状态多智能体应用，并能够与LLMs无缝集成，官方文档。

特点

• 流程管理：提供强大的流程控制能力，允许开发者定义包含循环、条件分支和并行执行等复杂逻辑的工作流，灵活地处理各种业务需求，并确保流程的高效性和准确性。
• 状态管理：支持状态对象贯穿整个图的执行过程，提供对流程状态的精细控制。每个节点执行前后都会创建检查点，这些检查点不仅保存当前的状态信息，还包括版本号和回溯关系等重要数据。这意味着即使在长时间运行或可能中断的应用场景下，也可以轻松恢复到之前的状态，增强应用的健壮性和用户体验。
• 模块化设计：采用模块化设计，即每个节点专注于完成单一职责，好处是简化开发流程，提高代码复用性，并降低维护成本。模块之间的耦合度较低，更容易进行扩展和优化。促进团队协作，不同成员可以独立负责不同的模块，最后再整合成完整的系统。
• 人机协作：支持Human-in-Loop（人在环路）模式，这使得在关键决策点上将控制权交还给用户成为可能，非常适合那些既需要自动化又离不开人类判断力的任务，实现人与机器的有效协同工作。
• 可视化工具：提供PlantUML和Mermaid支持，使得图形化展示和编辑图结构成为可能。
• IDE：与Spring Boot、Jetty和Quarkus等流行框架无缝集成，简化开发流程。

概念

• 状态图：StateGraph，一种数据结构，其生命周期存在于整个LangGraph过程中，所有节点的执行过程和结构都可以被记录到状态图中；而且每个节点也都可以随时访问状态图中的数据，来获取其当时的执行过程和结果；
• 节点：Node，就是一个个的智能体或功能函数；用来执行具体任务；
• 边：Edge，如果说节点是一个函数，那么边就相当于判断逻辑中的分支，边决定当前节点执行完毕之后，下一个执行的节点；当然，还有一种边叫做条件边，意思就是可以根据条件判断来动态决定应该执行哪个节点；
• 检查点：State，存档点。程序在状态图中进行流转，每一次进入新节点前，都会存档一次，后续用户再来访问此Agent时，就会读取存档。也是用这种能力，实现的人机交互、时光回溯。本质都是往前找检查点的版本号就行。检查点和状态图的区别是：状态图只是一个属性，在运行阶段可以读取的部分数据。而检查点是存储当前节点的所有信息，包括状态图，也有检查点版本号，回溯关系之类的信息。

引入依赖：implementation 'org.bsc.langgraph4j:langgraph4j-core:1.5.14'

Tinyflow

官网，GitHub，572 Star，Gitee。

技术：

• 前端：基于Web Component，支持React、Vue、Angular、Svelte等任何框架，包括原生的HTML、CSS、JS；
• 后端：支持Java、Python、Node.js等语言。

MiroFlow

GitHub，398 Star，31 Fork。

MiroFlow是一款经过实战检验的模块化AI智能体框架，旨在可靠地完成复杂的工具使用任务，并为MiroThinker等模型生成高质量的智能体轨迹数据。其主要功能包括持续SOTA且高度可复现的性能，具备高并发和强大的容错能力以高效扩展数据收集，内置用于可视化和调试智能体轨迹数据的可观测性及评估工具。通过意图识别、智能规划、将任务委派给专业子智能体以及通过MCP服务器访问多种工具等多阶段流程来处理用户查询。核心要点在于其卓越的性能表现、对可复现性的严格承诺、持续的社区共创以及从基准测试到生产环境的无缝过渡能力。

CoAgents

GitHub，224 Star。
一个专注于合作与交互式代理的框架，其核心在于使代理能够通过协作学习和使用工具。通过定义接地代理生成工具使用指令、执行代理执行选定工具以及观察代理从执行结果中提取关键值等角色，实现多代理间的协同工作。其关键特性在于执行代理和观察代理能够根据工具环境的反馈进行迭代适应，从而提升工具使用的效率与准确性，该框架已通过与TMDB平台API的互动进行能力演示。