博客

源码版本：microsoft/autogen (main branch, 2025)

框架定位：微软研究院出品的多智能体AI应用框架，基于消息传递与事件驱动架构

当前状态：已进入维护模式，由 Microsoft Agent Framework (MAF) 接替

1. 分层架构设计

AutoGen 采用三层分层架构，每一层有明确的职责边界，上层构建在下层之上：

• Core API (autogen-core)：消息传递、事件驱动 Agent、本地/分布式运行时
• AgentChat API (autogen-agentchat)：面向快速原型的高级 API，支持群聊等多 Agent 模式
• Extensions API (autogen-ext)：LLM 客户端、代码执行等扩展能力

从 README 中可以看到架构概览：

The autogen framework uses a layered and extensible design. Layers have clearly
divided responsibilities and build on top of layers below. This design enables
you to use the framework at different levels of abstraction, from high-level
APIs to low-level components.

- Core API implements message passing, event-driven agents, and local and
  distributed runtime for flexibility and power.
- AgentChat API implements a simpler but opinionated API for rapid prototyping.
- Extensions API enables first- and third-party extensions continuously
  expanding framework capabilities.

这种分层设计使得用户可以从不同抽象层级切入——直接用 Core API 构建底层消息驱动系统，或者用 AgentChat API 快速搭建多 Agent 协作原型。

（更多…）

基于 crewAIInc/crewAI 源码（2025年最新版本），10维度深度剖析

GitHub: https://github.com/crewAIInc/crewAI | Stars: 58,000+ | License: MIT

1. 整体架构概览

CrewAI 是一个角色扮演式多Agent协作框架，核心设计理念是将AI Agent组织成”船员”(Crew)来协作完成复杂任务。架构分为两大范式：

• Crews（自主协作）：基于角色的Agent团队，优化自主性和协作智能
• Flows（事件驱动控制）：事件驱动的工作流，提供精确的流程控制

源码目录结构（lib/crewai/src/crewai/）：

crewai/
├── agent/          # Agent核心实现
├── agents/         # Agent构建器、缓存、执行器
├── crews/          # Crew输出等辅助类
├── flow/           # Flow框架（DSL、运行时、定义）
├── tasks/          # Task子类（条件任务等）
├── tools/          # 工具系统（BaseTool、AgentTools）
├── memory/         # 统一记忆系统
├── knowledge/      # 知识源和知识存储
├── events/         # 事件总线和监听器
├── llms/           # LLM提供者适配层
├── mcp/            # MCP协议集成
├── a2a/            # A2A协议集成
├── security/       # 安全配置和指纹
├── state/          # 检查点和运行时状态
├── crew.py         # Crew核心类（2490行）
├── task.py         # Task核心类（1566行）
├── process.py      # 流程枚举
└── llm.py          # LLM封装

2. Agent 设计 — 抽象基类与角色系统

2.1 BaseAgent（抽象基类）

所有Agent的根基类，使用 Pydantic BaseModel + ABC 多重继承：

（更多…）

项目: langchain-ai/langgraph

Stars: 41,548 | Forks: 7,018 | License: MIT

定位: 面向长时间运行、有状态 Agent 的底层编排框架

灵感来源: Google Pregel、Apache Beam、NetworkX

一、核心设计哲学：Pregel 计算模型

LangGraph 的核心是一个 Bulk Synchronous Parallel (BSP) 执行引擎，称为 Pregel。每个执行步骤分为三个阶段：

1. Plan（规划）: 确定本轮需要执行哪些 Actor（节点）
2. Execute（执行）: 并行执行所有选中的 Actor，直到全部完成、失败或超时
3. Update（更新）: 用 Actor 写入的值批量更新 Channel

# pregel/main.py — Pregel 类的文档字符串（摘录）
class Pregel(PregelProtocol[StateT, ContextT, InputT, OutputT]):
    """Pregel manages the runtime behavior for LangGraph applications.

    Pregel combines **actors** and **channels** into a single application.
    **Actors** read data from channels and write data to channels.
    Pregel organizes the execution of the application into multiple steps,
    following the **Pregel Algorithm**/**Bulk Synchronous Parallel** model.

    Each step consists of three phases:
    - **Plan**: Determine which **actors** to execute in this step.
    - **Execution**: Execute all selected **actors** in parallel.
    - **Update**: Update the channels with the values written by the **actors**.
    """

这种设计意味着：同一轮执行中，节点写入的 Channel 值对其他节点不可见，只有进入下一轮时才生效。这从根本上避免了并发写入的竞争条件，是 LangGraph 保证确定性执行的关键。

二、Channel 体系：有状态通信原语

Channel 是 LangGraph 的核心抽象，所有节点间通信都通过 Channel 进行。BaseChannel 定义了统一的接口：

（更多…）

基于 langchain-ai/langchain 源码分析，覆盖 langchain-core 与 langchain 两个核心包

1. 架构哲学：可组合的 Runnable 抽象

LangChain 的核心设计哲学是 “一切皆 Runnable”。所有组件——LLM、Prompt、OutputParser、Tool、Retriever——都继承自同一个泛型基类 Runnable[Input, Output]，从而获得统一的调用接口和组合能力。

class Runnable(ABC, Generic[Input, Output]):
    """A unit of work that can be invoked, batched, streamed, transformed and composed."""

    name: str | None
    """The name of the `Runnable`. Used for debugging and tracing."""

    @abstractmethod
    def invoke(self, input: Input, config: RunnableConfig | None = None, **kwargs: Any) -> Output:
        """Transform a single input into an output."""

    async def ainvoke(self, input: Input, config: RunnableConfig | None = None, **kwargs: Any) -> Output:
        return await run_in_executor(config, self.invoke, input, config, **kwargs)

关键设计决策：

• LCEL（LangChain Expression Language）：通过 | 管道运算符实现声明式链式组合，RunnableSequence、RunnableParallel 是核心组合原语
• 同步/异步双模：每个 Runnable 同时提供 invoke/ainvoke、stream/astream、batch/abatch，异步默认通过线程池桥接同步实现
• Pydantic 驱动的 Schema：输入/输出类型通过泛型参数自动推导，生成 JSON Schema 用于验证和文档

def __or__(self, other) -> RunnableSerializable[Input, Any]:
    """Compose this Runnable with another object to create a RunnableSequence."""
    return RunnableSequence(self, coerce_to_runnable(other))

def pipe(self, *others, name=None) -> RunnableSerializable[Input, Other]:
    """Equivalent to RunnableSequence(self, *others) or self | others[0] | ..."""
    return RunnableSequence(self, *others, name=name)

2. Agent Loop：观察-行动循环

LangChain 的 Agent 采用经典的 ReAct（Reasoning + Acting） 模式。核心循环定义在 langchain_core/agents.py 中，通过两个关键数据结构驱动：

（更多…）