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GitHub54.9K Star7.7K 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GitHub18.4K Star1.2K 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}frommotia-sdk;// 1. 定义搜索智能体负责查找最新文献constresearchernewAgent({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constwriternewAgent({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constresearchTasknewTask({description:搜索关于 Multi-Agent LLM 的最新5篇论文,agent:researcher});constwritingTasknewTask({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constacademicTeamnewMotia.Swarm({agents:[researcher,writer],tasks:[researchTask,writingTask],process:sequential// 顺序执行模式});// 启动constresultawaitacademicTeam.kickoff();JoyAgentJoyAgent-JDGenie京东开源5.3k Star866 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。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维度JoyAgent-JDGenieLangGraph一句话定位端到端、产品级的多智能体应用前后端都有开箱即用面向开发者的多智能体框架/库自由构建认知架构技术栈JavaSpring BootPython工具引擎Python异步优先核心架构内置计划-执行(Plan-Executor)等多种模式先规划再执行基于有向图状态机编排每个节点的动作和流程开发体验上手快对Java工程师极度友好深度定制需要跨语言极其灵活需要懂状态机和异步编程对新手有门槛调试工具自带WebUI交互直观。调试主要靠日志可集成LangSmith每一步思考路径都可视化调试神器部署运维主打本地化、私有化部署数据不出内网满足大企业安全合规要求部警方式灵活可用LangServe打包成API或用官方平台托管生态社区京东开源国内社区关注度高生态相对封闭刚起步背靠LangChain庞大社区工具教程插件多到用不完生态成熟调度模型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RPAJoyAgent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。LangroidCMU和威斯康星大学推出的开源GitHub4.1k Star381 Fork轻量级多智能体框架核心思想AgentTask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_cfglr.language_models.OpenAIGPTConfig(chat_modelgpt-4)agentlr.ChatAgent(lr.ChatAgentConfig(llmllm_cfg))tasklr.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 CallingToolMessage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AgentLeaseExtractor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。AgentUniverseAgentUniverse是蚂蚁集团开源GitHub2.3k Star402 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]:tokensget_memory_tokens(new_memories,agent_llm_name)iftokensself.max_tokens:returnnew_memories# 超出限制时从头部开始移除早期记忆whiletokensself.max_tokens:pruned_memorynew_memories.pop(0)# FIFO策略tokensget_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,outputsself.generate_chat_messages(self.messages[i],self.messages[i1])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。LangGraph4jLangGraph的Java版开源GitHub1.8K Star243 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:1.5.14Tinyflow官网GitHub572 StarGitee。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。MiroFlowGitHub398 Star31 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。CoAgentsGitHub224 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。