Architecture Deep Dive

主流 Agent 框架对比

LangGraph · Anthropic Agent SDK · AutoGen · CrewAI · Eino · Mastra — 架构线框图与选型指南

LG

LangGraph

有状态图模型。将 agent 工作流建模为显式 DAG/状态机，每个节点是一次 LLM 推理或工具调用，边定义状态转移条件。生产最成熟，表达力最强。

语言Python
范式图状态机
厂商LangChain

Architecture Diagram

TypedDict State 共享状态对象（贯穿全图） START 入口 Node A LLM Inference + Tool Call Node B Conditional Router Node C Tool Node 执行工具 Node D Final Output 生成最终回复 END 出口 确定性边（代码控制） 条件边（LLM 决策） Checkpointer 持久化 / 断点恢复 * 所有节点共享同一 State，通过 Reducer 合并更新
核心抽象
StateGraph + Node + Edge
流程控制
代码定义 DAG，LLM 只在节点内推理
确定性
高（主干拓扑固定）
适合场景
复杂多步骤、需要 human-in-the-loop、生产级工作流
AS

Anthropic Agent SDK

Handoff 驱动的对话流模型。Agent 是带 instructions + tools 的推理单元，通过 Handoff 动态转移控制权。无显式 DAG，流程由 LLM 在运行时决定。

语言Python
范式Handoff 流
厂商Anthropic

Architecture Diagram

Runner（事件循环） Triage Agent 入口路由 instructions: "分析意图，分配" tools: [handoff_A, handoff_B] Agent A 专业能力 A tool_1 · tool_2 handoff → Agent C Agent B 专业能力 B tool_3 · tool_4 handoff → Agent C Agent C 输出整合 生成最终响应 无 handoff = 终止 Guardrails 输入/输出校验（并行） * Handoff 时传递完整 messages[] 上下文，下一个 Agent 继承全部历史
核心抽象
Agent + Handoff + Guardrail
流程控制
LLM 动态决定 handoff 到谁
确定性
低（运行时决策）
适合场景
多 agent 协作、灵活路由、客服/助手类产品
AG

AutoGen（Microsoft）

对话驱动的多 Agent 协作。Agent 之间通过消息对话协商，形成 GroupChat 或双向对话。适合需要 Agent 相互辩论、验证、迭代的场景。

语言Python
范式对话协作
厂商Microsoft

Architecture Diagram

GroupChat Manager 控制发言权 · 轮次管理 · 终止判断 UserProxy 代表人类输入 可执行代码 human_input_mode Assistant LLM 推理 生成代码/计划 system_message: "你是编程专家..." code_execution_config Critic 评估/验证 检查输出质量 system_message: "你是代码审查员..." Executor 执行代码 返回结果 Docker / Local Shared Message History（所有 Agent 共享全部对话历史） * 核心特点：Agent 互相"看到"彼此的发言，通过对话自然协商
核心抽象
ConversableAgent + GroupChat
流程控制
对话驱动，GroupChat Manager 仲裁
确定性
低（对话自然涌现）
适合场景
代码生成+验证、辩论式推理、多角色协作
CR

CrewAI

角色化团队模型。定义有角色、目标、背景的 Agent，组成 Crew，由 Process（sequential/hierarchical）驱动执行 Task。最贴近"人类团队分工"的隐喻。

语言Python
范式角色团队
厂商CrewAI Inc

Architecture Diagram

Crew Process sequential | hierarchical Manager Agent role: "项目经理" goal: "协调团队完成目标" Researcher role: 研究员 tools: [search, scrape] backstory: "..." Writer role: 文案作者 tools: [file_write] backstory: "..." Reviewer role: 审核员 tools: [quality_check] backstory: "..." Publisher role: 发布员 tools: [publish_api] backstory: "..." * 每个 Agent 有 role/goal/backstory，Task 包含 description/expected_output/agent 绑定
核心抽象
Agent(role+goal+backstory) + Task + Crew + Process
流程控制
Sequential 或 Hierarchical，Process 决定
适合场景
内容生成流水线、研究报告、结构清晰的多步骤任务
EI

Eino（字节跳动）

Go 语言的静态图编排框架。显式定义 DAG，组件包括 ChatModel、Tool、Lambda、Retriever 等。编译期确定拓扑，运行时 goroutine 并发执行，适合高吞吐生产场景。

语言Go
范式静态 DAG
厂商字节跳动

Architecture Diagram

编译期（Graph Definition） ChatModel LLM节点 ToolsNode 工具执行 Retriever 向量检索 Lambda 自定义函数 Branch 条件分支 Prompt 模板渲染 运行时（Graph.Compile → Run） goroutine Node A goroutine Node B goroutine Node C chan Data（节点间通信） 并行节点自动 fan-out / fan-in 典型 RAG Agent 拓扑示例 Input Prompt Retriever ChatModel ToolsNode (loop back) Output tool call → loop back
核心抽象
Graph + Node（ChatModel/Tool/Lambda/Retriever）+ Edge
并发模型
goroutine + channel，并行节点自动 fan-out
适合场景
高吞吐生产、Go 技术栈团队、确定性工作流
MA

Mastra

TypeScript-first 全栈 Agent 框架。内置工作流状态机、RAG pipeline、集成层。前后端统一，适合面向用户的实时 agent 产品，Streaming 体验优秀。

语言TypeScript
范式全栈状态机
厂商Mastra

Architecture Diagram

Client Layer React / Next.js Streaming UI useChat Hook AI SDK UI Agent Layer Agent instructions + model memory + tools Workflow 状态机 step 条件 / 循环 RAG Pipeline chunk + embed vector search Memory semantic search thread history Integration Layer (200+ 内置集成) GitHub Slack Stripe Notion Google Airtable +190 more... Infra Vector DB (Pinecone / PgVector) Thread Storage (LibSQL / Upstash) Telemetry (OTel)
核心抽象
Agent + Workflow(状态机) + RAG + Memory + Integration
全栈整合度
最高，前后端统一 TypeScript
适合场景
面向用户的实时 agent 产品、全栈 TS 团队、SaaS 集成场景

横向对比矩阵

维度 LangGraph Anthropic SDK AutoGen CrewAI Eino Mastra
语言 Python Python Python Python Go TypeScript
核心范式 有状态图 Handoff 流 对话协作 角色团队 静态 DAG 全栈状态机
流程确定性 ★★★★★ ★★☆☆☆ ★★☆☆☆ ★★★☆☆ ★★★★★ ★★★★☆
多 Agent 协作 支持（图节点） 原生 Handoff 原生 GroupChat Crew 团队 需自建 有限支持
并发性能 asyncio asyncio asyncio asyncio goroutine ⚡ Node.js async
Human-in-loop ✅ 原生 ⚠️ 需自建 ✅ 原生 ⚠️ 有限 ⚠️ 需自建 ⚠️ 有限
持久化/断点 Checkpointer 需自建 需自建 需自建 需自建 Thread Storage
工具生态 最丰富（LC） MCP 原生 丰富 较丰富 MCP 支持 200+ 内置集成
可观测性 LangSmith 内置 Trace 需接入 需接入 需接入 OTel 内置
生产成熟度 ★★★★★ ★★★★☆ ★★★★☆ ★★★☆☆ ★★★★☆ ★★★☆☆
学习曲线 陡 平缓 中等 平缓 中等（Go） 平缓（TS）

🎯 针对你的项目选型推荐

你的场景：Go 技术栈 + 高吞吐 + 生产级
Eino（主力）
goroutine 并发天然适合 agent 调度，与你现有 Go 服务无缝集成，MCP 工具接入已验证。调度核心不引入 Python 依赖。
Go 团队 高并发 MCP
快速验证复杂多步骤工作流
LangGraph（PoC）
最成熟的图模型，可以快速跑通复杂 agent 逻辑后再评估是否用 Go 重写调度层。两者概念可互相映射。
原型验证 复杂 DAG
多 Agent 相互协作、辩论验证
AutoGen
对话驱动让 agent 互相检查彼此输出，适合代码生成+自动测试场景，无需精确定义流程。
代码生成 自动验证
面向用户的实时 Agent 产品
Mastra
全栈 TypeScript，Streaming UI 体验最佳，200+ 内置集成开箱即用，适合快速出 MVP 产品。
前端产品 Streaming