開源 AI Agent 框架比較研究筆記¶

資料來源¶

項目	連結
Langfuse — AI Agent 比較	langfuse.com/blog
Firecrawl — 最佳開源框架	firecrawl.dev/blog
Galileo — AutoGen vs CrewAI vs LangGraph	galileo.ai/blog
Fungies — 2026 框架比較	fungies.io
知乎 — 2025 開源 AI Agent 全景圖	zhuanlan.zhihu.com
Shakudo — Top 9 AI Agent Frameworks	shakudo.io/blog

專案概述¶

2025-2026 年，開源 AI Agent 框架已從早期的「能動就好」進入功能分化與生產就緒的階段。全球 Agent 市場在 2025 年達到 78.4 億美元，預計 2030 年成長至 526.2 億美元。Gartner 預測 2026 年底 40% 企業應用將內建 Agent 功能。

本筆記橫向比較目前最具代表性的開源框架，從架構風格、功能完整度、社群活躍度到適用場景，協助判斷不同需求下的最佳選擇。

核心框架一覽¶

GitHub 即時數據（2026-04-14）¶

框架	⭐ Stars	語言	License	架構風格
Dify	137,626	TypeScript	Custom	Low-code 視覺化平台
AutoGen	57,055	Python	CC-BY-4.0	事件驅動多 Agent 對話
CrewAI	48,813	Python	MIT	角色扮演協作
Agno	39,404	Python	Apache-2.0	無狀態高效能 Runtime
LangGraph	29,172	Python	MIT	有向圖狀態機
Mastra	22,971	TypeScript	—	TypeScript-first 工作流
Google ADK	18,954	Python	Apache-2.0	模組化階層式 Agent

框架深度比較¶

架構與設計哲學¶

Dify        ─── 視覺化拖拉 → 適合非工程師快速建構
CrewAI      ─── 角色 + 任務 → 20 行啟動，最低門檻
Agno        ─── 無狀態 Runtime → 529x faster than LangGraph（官方宣稱）
LangGraph   ─── 有向圖 + 檢查點 → 最精細的流程控制
AutoGen     ─── GroupChat 對話 → 多 Agent 即時協作
Google ADK  ─── 階層式組合 → 多語言 + Google 生態整合
Mastra      ─── .then().branch().parallel() → JS/TS 團隊首選

功能矩陣¶

功能	Dify	CrewAI	Agno	LangGraph	AutoGen	Google ADK	Mastra
Multi-Agent	✅	✅	✅	✅	✅	✅	✅
視覺化 UI	✅ 核心	❌	✅ 控制台	❌	✅ Studio	✅ Web UI	❌
記憶系統	✅	✅	✅ 多層	✅ 檢查點	⚠️ 記憶體	✅ Session	✅ 四層
RAG 內建	✅	⚠️	✅	❌ 需整合	❌ 需整合	⚠️	✅
Human-in-the-Loop	✅	✅	✅	✅	✅	✅	✅
MCP 支援	✅	✅	✅	✅	⚠️	✅	✅
串流輸出	✅	✅	✅	✅	✅	✅ 雙向	✅
Model-Agnostic	✅ 數百	✅	✅ 23+	✅	✅	✅ LiteLLM	✅ 81+
生產部署	✅ Docker	⚠️	✅ FastAPI	✅ LangServe	⚠️	✅ Vertex AI	✅
Observability	✅ 內建	⚠️	✅ 內建	✅ LangSmith	⚠️	✅	✅ OTel

✅ = 原生支援　⚠️ = 需額外設定或第三方整合　❌ = 不支援

效能與基準測試¶

框架	Task Success Rate	平均延遲	備註
LangGraph	87%	—	GAIA benchmark 表現穩定
CrewAI	82%	1.8s	宣稱比 LangGraph 快 5.76x
Agno	—	—	宣稱比 LangGraph 快 529x（啟動速度）
AutoGen	—	—	GAIA benchmark 領先（研究場景）

學習曲線與上手成本¶

最低門檻 ◄──────────────────────────────────► 最高控制
  Dify   CrewAI   Agno   Mastra   ADK   AutoGen   LangGraph
  拖拉    20行    10行    中等     中等   中等       需理解圖論

各框架適用場景¶

🏢 Dify — 「不寫 code 也能做 Agent」¶

最適合： 產品經理、非技術團隊、快速 PoC

視覺化 workflow builder，拖拉即可建構 Agent
內建 RAG、Function Calling、ReAct 策略
支援數百個 LLM，Docker 一鍵部署
限制： 複雜自訂邏輯受限於視覺化界面

⚙️ LangGraph — 「流程控制之王」¶

最適合： 需要精細流程控制的生產系統

有向圖（DAG）建模，支援條件分支、循環、回溯
內建 checkpointing + time travel，可隨時回到任意狀態
LangSmith 深度整合，生產級 observability
真實案例： Klarna 客服 bot 處理 2/3 客戶諮詢，年省 6000 萬美元
限制： 學習曲線較高，需理解圖論概念

🎭 CrewAI — 「最直覺的多 Agent 協作」¶

最適合： 快速啟動多 Agent 專案、非技術背景開發者

角色扮演設計，每個 Agent 有明確職責
Crews 模式（自主協作）+ Flows 模式（事件驅動）
60% Fortune 500 企業已採用
限制： 複雜流程控制不如 LangGraph 精細

🚀 Agno — 「效能怪獸」¶

最適合： 高吞吐量、低延遲的生產環境

無狀態設計，水平擴展無上限
FastAPI-based AgentOS，原生支援 session + 記憶 + 知識庫
100+ toolkits、23+ LLM providers
資料存在你自己的資料庫，完全可控
限制： 較新的框架，社群生態仍在發展中

🤖 AutoGen — 「研究先鋒（正在轉型）」¶

最適合： 研究場景、需要 Agent 寫和執行 code

微軟研究院出品，GAIA benchmark 表現優異
2025/10 已與 Semantic Kernel 合併為 Microsoft Agent Framework
目前處於維護模式，GA 預計 2026 Q1
限制： 正在經歷架構轉型，不建議新專案採用舊版

🌐 Google ADK — 「Google 生態系的最佳入口」¶

最適合： 已深度使用 Google Cloud 的團隊

Python / TypeScript / Go / Java 四語言支援
內建雙向音視訊串流（獨家）
智慧 context 管理：自動過濾、摘要、lazy-load
可組合其他框架（LangGraph、CrewAI）作為工具
限制： 最佳化針對 Gemini，其他模型需額外配置

📘 Mastra — 「TypeScript 開發者的 LangGraph」¶

最適合： JS/TS 技術棧的團隊

.then() / .branch() / .parallel() 流暢的工作流 API
四層記憶系統（訊息歷史、工作記憶、語意回憶、RAG）
81+ LLM providers、2,436+ models
真實案例： Replit Agent 3 任務成功率從 80% 提升至 96%
限制： 僅限 TypeScript/JavaScript 生態

選型決策流程¶

你的團隊技術背景？
├── 非技術 / 低程式碼 → Dify
├── Python
│   ├── 需要精細流程控制？ → LangGraph
│   ├── 快速啟動多 Agent？ → CrewAI
│   ├── 追求極致效能？ → Agno
│   └── 深度 Google Cloud？ → Google ADK
├── TypeScript/JavaScript → Mastra
└── .NET / 微軟生態 → Microsoft Agent Framework (AutoGen 後繼)

目前限制 / 注意事項¶

框架更迭快速 — AutoGen 合併、CrewAI 獨立於 LangChain、Agno 改名（原 Phidata），生態每 3-6 個月洗牌一次
效能宣稱需謹慎 — Agno「529x faster」和 CrewAI「5.76x faster」的數字多來自特定 benchmark，實際生產表現取決於任務特性
Lock-in 風險 — Google ADK 和 OpenAI SDK 在各自生態內最優，跨生態遷移成本高
企業合規 — 只有 LangGraph 和 AutoGen 目前有企業級認證（SOC 2 等），其餘框架仍在追趕
Stars ≠ 品質 — Dify 13.7 萬星但它是平台而非框架；真正的框架層比較應看 API 設計和生產案例

研究價值與啟示¶

關鍵洞察¶

「框架」和「平台」的界線正在模糊 — Dify（平台）和 Agno（框架 + AgentOS + 控制台）代表了兩種收斂方向：要不往上走向 no-code，要不往下走向 infrastructure。純「框架」正被夾在中間。
TypeScript Agent 生態正在崛起 — Mastra 被 Replit 和 Marsh McLennan 採用、Next.js 團隊背景（前 Gatsby）、拿到 Y Combinator 投資。Python 不再是 Agent 的唯一選擇，前端團隊現在有了一流的 Agent 框架。
記憶系統成為關鍵差異化 — 所有框架都支援 multi-agent，真正的分水嶺是記憶管理。Mastra 的四層記憶、Agno 的「資料在你的資料庫」、LangGraph 的 checkpointing + time travel，各自代表不同的記憶哲學。
「Model-Agnostic」已成標配，但深度不同 — 所有框架都宣稱支援多模型，但 Google ADK 對 Gemini 有明顯最佳化、LangGraph 對 OpenAI 整合最成熟。真正的 agnostic 需要看 fallback 和 routing 的設計。
生產就緒的真正指標是 observability — 有 LangSmith 的 LangGraph、有內建 tracing 的 Agno、有 OpenTelemetry 的 Mastra，比那些只有 print() 除錯的框架在生產環境中領先一個世代。

與其他專案的關聯¶

本站已有 CrewAI、Google ADK、OpenAI Agents SDK、LangGraph Multi-Agent 等個別框架深度筆記，本文提供橫向比較視角
Claude Agent SDK 作為閉源 SDK 未列入比較，但其 orchestration 設計可參照 LangGraph 的有向圖模型
Agent Orchestrator 探討的 multi-agent 協調問題，在本文各框架中有不同的解法
量化交易分類中的 TradingAgents 使用 LangGraph 作為底層框架，是 LangGraph 生產應用的具體案例

開源 AI Agent 框架比較 研究筆記¶