多智能体框架 agent team 实现方式调研：MAF / AG2 / CrewAI / CAMEL / Hermes

调研日期：2026-09-19 ｜ 数据来源：GitHub API 实测 / PyPI（pypistats）实测 / 官方 README 与文档原文抓取 / Hermes 本机 CLI 实测
协议层（A2A / ACP / ANP / AGNTCY 等）不在本文范围，那部分见 《Agent 互通与群聊方案调研》（abbrlink 99065）
目录定位：AI&agent —— 承接 99065 的「框架层」，本文只回答一件事：这五个东西内部是怎么把多个 agent 组起来的

一句话定位

五个东西都在解决「多个 agent 怎么协作」，但分属两个层次：MAF / AG2 / CrewAI / CAMEL 是用代码搭多智能体系统的框架（编排由你自己写），Hermes 是已经跑起来的 agent 运行时（多 agent 能力由 CLI、看板与进程隔离直接提供，不用自己写编排代码）。本文只记录使用形式（代码写成什么样、命令怎么敲）与能力边界（能做到哪、做不到哪）。

关键认知（破除常见误解）：「多智能体」在 2026 年已经不是一个东西。同样叫”让多个 agent 协作”，五者的组队形态互不相同——MAF 是有向图、AG2 是协议频道网络、CrewAI 是角色化团队 + 流程枚举、CAMEL 是双角色对话、Hermes 是持久看板 + 进程隔离。把 A 的心智模型套到 B 上，是最常见的踩坑来源。

第二个关键认知（关于”有没有界面””是不是只能写代码”）：这五个里只有 Hermes 是”打开就能用”的，其余四个都必须先写代码把系统搭出来——但它们并非都没有图形界面，而是界面的性质完全不同：MAF 的 DevUI 是开发调试工具（官方明示 non-production）、AG2 的 Studio 已独立成库且停更 19 个月、CrewAI 的官方可视化在企业版 AMP 里、CAMEL 核心没有界面（要靠在它之上另建的 OWL 项目）、只有 Hermes 的 Desktop / Dashboard 属于产品级图形界面。逐项对照见第十节；”怎么把已有 agent 接进框架（含 workbuddy / Hermes 的接线路线）”见第十一节；图形化多智能体协作平台的横向对比见第十二节。

另一个必须先建立的认知：这五个里有两个正在换代。MAF 是微软对 AutoGen 的官方继任（AutoGen 本体已维护模式）；AG2 v1.0 又从”AutoGen 社区延续”改道成了协议驱动框架（Classic 拆分到独立仓库）。下面各段会分别标注「口径来源」，避免把旧文档的说法当成现状。

五者一览（先看这个）

维度 MAF AG2 CrewAI CAMEL Hermes
组队形态 有向图（executor + edge） Hub + Channel（4 种 adapter） Crew（角色队）+ Flow 双角色对话 → Society Kanban 看板 + profile 进程
谁决定下一步 图的边与条件 adapter 的 TransitionGraph Process 枚举（sequential / hierarchical） 两个 agent 轮流对话 dispatcher 调度器
主要语言 Python / .NET / Go Python Python Python Python（CLI / Desktop / Gateway）
仓库 microsoft/agent-framework ag2ai/ag2 crewAIInc/crewAI camel-ai/camel NousResearch/hermes-agent
★（实测） 13,595 4,940 58,753 17,745 247,038
PyPI 月下载 407,366 218,199 9,516,134 44,554 —（非库，走 CLI/Desktop）
许可 MIT Apache-2.0 MIT Apache-2.0 MIT
上手难度 中（多语言 + 图概念） 中高（v1.0 换代，资料断层） 低（角色化直觉） 低（双角色模板） 零代码（已有实例）
图形界面 DevUI（本地 Web，官方标注非生产） 主包无；AG2 Studio 已独立且停更 官方 Crew Studio 在企业版；社区有 Streamlit 版 核心无；生态项目 OWL 有 Gradio Web UI Desktop + Dashboard（:9119），产品级
不写代码能用吗 ❌ 必须写 ❌ 必须写 ❌ 必须写（企业版另有可视化） ❌ 必须写 ✅ CLI / Desktop 直接用

数据口径：★ / fork / issue / 时间一律取自 GitHub API；下载量取自 pypistats recent 接口；抓取时间 2026-09-19。

一、调研口径

  • 六段式：每个项目按「项目背景 / 怎么用 / 对用户的价值 / 能力边界 / 与同类对比 / 社区反馈与可靠性」六段记录，文末另附全项目统一的「环境」与「安全风险评估」两节（2026-08-27 起的强制小节）。
  • 只记录不评判：本文不写选型结论；能力清单只列官方原文出现过的术语与 API，抓不到的一律写「未在素材中出现」，不做推断。
  • 数据必须实测：star / fork / issue / 推送时间走 GitHub API，下载量走 pypistats；官方文档以 raw 原文为准，不用二手总结。
  • 口径冲突如实标注：同一项目在不同官方位置表述不一致时（如 MAF 的编排模式数量），两处都写并标明出处，不做择一。
  • 抓取方式：四个开源框架的 README / 文档页由 Qoder CLI 并行抓取后结构化提炼；Hermes 因是本地实例，直接跑 CLI + 读本地仓库源码实测。

二、MAF（Microsoft Agent Framework）

1. 项目背景

  • 微软把 AutoGen + Semantic Kernel 合并后的官方继任框架，microsoft/agent-framework，MIT。
  • GitHub API 实测（2026-09-19）：★ 13,595 / fork 2,342 / open issues 619 / 创建 2025-04-28 / 最后推送 2026-09-18（日更）。
  • 官方描述原文：“A framework for building, orchestrating and deploying AI agents and multi-agent workflows with support for Python and .NET.”
  • 前身 AutoGen（microsoft/autogen，★ 61,057）最后推送 2026-04-15，已进入维护模式；用户基数仍大（PyPI autogen-agentchat 月下载 473,138）。

2. 怎么用

安装（README 原文）：

# Python
pip install agent-framework

# .NET
dotnet add package Microsoft.Agents.AI
dotnet add package Microsoft.Agents.AI.Foundry
dotnet add package Azure.AI.Projects
dotnet add package Azure.Identity

# Go（出现于文档页）
go get github.com/microsoft/agent-framework-go

最小示例（README「Basic Agent - Python」原样复制）：

import asyncio
from agent_framework import Agent
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

async def main():
    agent = Agent(
      client=FoundryChatClient(credential=AzureCliCredential()),
      name="HaikuAgent",
      instructions="You are an upbeat assistant that writes beautifully.",
    )
    print(await agent.run("Write a haiku about Microsoft Agent Framework."))

asyncio.run(main())

组队形式：多 agent 不是靠”群聊对象”，而是靠画图——WorkflowBuilder 连接 typed executors，Agent Executor 把 agent 作为节点塞进图，Sub-Workflows 把整张图当作一个执行器再套进更大的图。

3. 对用户的价值（分场景适配记录，客观记录各来源共识，非本报告立场）

  • 要交付可控的多步流程：官方给出显式判据——“Use a workflow when… The process has well-defined steps ｜ You need explicit control over execution order ｜ Multiple agents or functions must coordinate”，即流程步骤明确、需要显式控制执行顺序、多 agent 或函数必须协同。
  • 要跨语言：Python / .NET / Go 三套 SDK 均支持图式工作流，Python 另有实验性的函数式工作流 API（@workflow / @step）。
  • 要长时运行与人工审批：官方强调 “durability, restartability, observability, governance, or human-in-the-loop control” 是选用它的理由；ctx.request_info() / RequestInfoExecutor 是 HITL 通道，另有 “don’t-ask-again tool approval”（问一次就不再问的工具审批）。
  • 要审计与回溯：superstep 边界 checkpoint + time-travel，可回放执行路径。

4. 能力边界

✅ 能做

  • 图式编排：WorkflowBuilder（.NET）/ Python 实验性 @workflow + @step / Go workflow.NewBuilder；概念是 executors / edges / events——“Executors receive inputs, perform work, and emit outputs. Edges route values between executors.”
  • 编排模式（README 口径）：“graph-based workflows supporting sequential, concurrent, handoff, and group collaboration patterns; includes checkpointing, streaming, human-in-the-loop, and time-travel”——即 sequential / concurrent / handoff / group collaboration 四种。
  • 图内并行：Graph 用并行边组 + superstep 执行；Functional 用 asyncio.gather。
  • agent 当节点 / 工作流当 agent：Agent Executor 把 agent 集成进图；AsAIAgent()、agentworkflow.New(...)、.as_agent() 反向把工作流暴露成标准 agent。
  • 状态：session-based state management、workflow state（durable 与 run-scoped）、Resettable Executors（多次运行间重置）。
  • HITL：ctx.request_info()（Functional）/ RequestInfoExecutor（Graph）。
  • 中间件与 MCP：middleware 拦截 agent 动作、MCP clients 做工具集成、context providers 做记忆。
  • 图形界面（DevUI）：agent-framework-devui 提供本地 Web（默认 :8080），可跑 agent 与工作流、看 OpenTelemetry trace、并暴露 OpenAI 兼容 API——官方明示是 sample app、“not intended for production use”；要做生产前端则走 AG-UI（Preview，可配 CopilotKit）或 ChatKit（Preview）。
  • 接外部 agent（A2A）：官方 agent services 表把 A2A 列为三语言（C# / Python / Go）全支持，定义为 “Remote A2A-compliant agent definition, tools, sessions, tasks, and execution”；同表还可接入 GitHub Copilot 运行时、Copilot Studio、Anthropic Claude Agent SDK。

❌ 不能做 / 未出现

  • README 口径中未见 group chat、magentic 字样——素材中只出现 group collaboration。
  • 首轮抓取的 README / 文档素材中未见 MAF 专用 CLI；补充调研修正：DevUI 自带 devui 命令（devui ./agents --port 8080，属 agent-framework-devui 包）。除此之外命令行仍以安装/认证类为主（pip install、dotnet add package、az login）。
  • 官方未给出 agent 数量上限或 token 成本提示（素材中未出现）。

⚠️ 注意事项

  • 口径冲突（必须知道）：README 的表述是”sequential / concurrent / handoff / group collaboration”四种；而微软 Azure 架构中心文档给出的是”五种编排模式，含 Group chat 与 Magentic“。两者都是官方，位置不同、表述不同——引用时必须标明出处，不要把旧口径当成现状。
  • Python 的函数式工作流 API 官方标注为 experimental（“Python additionally provides an experimental functional workflow API”）。
  • 官方那句劝退式判据值得贴在墙上：“If you can write a function to handle the task, do that instead of using an AI agent.”

5. 与同类对比

项目 组队形态 与 MAF 的关系
AutoGen（microsoft/autogen） GroupChat 圆桌 前身，MAF 是官方继任；AutoGen 2026-04-15 后维护模式
AG2 Hub + Channel 竞争（同源分叉），但 AG2 v1.0 走协议网络路线，MAF 走图路线
CrewAI 角色队 + Process 竞争；CrewAI 抽象层级更高（角色化），MAF 控制粒度更细（图）
LangGraph 图编排 形态最接近；MAF 的差异化在多语言（含 .NET/Go）与官方企业特性

6. 社区反馈与可靠性

  • ★ 13,595 / fork 2,342 / 日更（2026-09-18 推送）；PyPI agent-framework 月下载 407,366。
  • 官方背景：微软第一方项目，文档站 aka.ms/agent-framework，官方宣称融合 “AutoGen’s simple agent abstractions with Semantic Kernel’s enterprise features — session-based state management, type safety, middleware, telemetry”。
  • 可靠性判断：维护活跃度与官方投入是五个里最确定的；但文档口径仍在迁移中（README 与架构中心表述不一致、AutoGen 用户向 MAF 的迁移资料尚不完全覆盖），跨版本引用需核对日期。

三、AG2

1. 项目背景

  • ag2ai/ag2，Apache-2.0，仓库描述原文：“AG2 (formerly AutoGen): The Open-Source AgentOS.”
  • GitHub API 实测（2026-09-19）：★ 4,940 / fork 720 / open issues 27 / 创建 2024-11-11 / 最后推送 2026-09-19。
  • 本项目最大变化（决定它是什么）：README 原文 “As of AG2 v1.0, the protocol-driven framework is the top-level package, imported as ag2. The classic framework has moved to its own repository — ag2ai/ag2-classic… The agent model, orchestration, and imports all changed.” —— 即 pip install ag2 拿到的是协议驱动的新框架，祖传的 autogen.* 群聊那套已拆到 pip install ag2-classic。

2. 怎么用

安装（README 原文）：

# Windows/Linux
pip install ag2[openai]

# Mac
pip install 'ag2[openai]'

# 老 API（Classic）
pip install ag2-classic

最小示例（README「Run your first agent」原样复制）：

import asyncio

from ag2 import Agent
from ag2.config import OpenAIConfig

agent = Agent(
    "assistant",
    prompt="You are a helpful assistant.",
    config=OpenAIConfig(model="gpt-4o-mini"),
)

async def main() -> None:
    reply = await agent.ask("Summarize the main differences between Python lists and tuples.")
    print(reply.body)

asyncio.run(main())

组队形式：开启 ag2.network 后，把 Agent 注册进 Hub，agent 之间通过带类型的 Channel 交换 Envelope。原文：“The ag2.network module turns one or more Agent instances into a multi-agent network — a hub-and-spoke topology where a central registry coordinates channel-based, protocol-driven exchanges between named agents. It is fully opt-in.”

四种 Channel 对应四种”组队形态”（官方 adapter 表原文）：

Channel 类型 参与者 发言规则 终止方式
conversation 恰好 2 方 自由形式，任一方随时可发言 显式关闭或 TTL（永不自动关闭，由应用限定并关闭）
consulting 严格 1 问 1 答（发起方 → 应答方） 问答 应答方回复后自动关闭
discussion 2 方及以上 ordering="round_robin" 轮询 显式关闭或 TTL
workflow 2 方及以上 声明式 TransitionGraph 图终止（TerminateTarget / max_turns）

3. 对用户的价值（分场景适配记录，非本报告立场）

  • 要可审计的多 agent 交互：Hub 持有 “registry, audit log, channel table, write-ahead logs, expectation evaluators, sweepers”；hub.read_wal(channel_id) 可重放，hub.audit_log.read_all() 可做治理。这是五个框架里唯一把预写日志与审计轨迹做成核心组件的。
  • 要跨进程 / 跨机部署：把 LocalLink 换成 WsLink，“run the hub and each agent as separate OS processes connected over WebSocket”。
  • 要”谁先说、什么条件触发、何时终止”显式声明：TransitionGraph 是 JSON 可序列化的声明式图，“who speaks first, what conditions fire, when to terminate”，且能挺过 Hub.hydrate()。
  • 要复现 AutoGen 老例子：走 ag2-classic（独立仓库，仍在维护，autogen.* 命名空间不变）。

4. 能力边界

✅ 能做

  • 身份与治理：Passport（name / agent_id / owner / model）、Resume（claimed_capabilities / domains / summary + hub 改写的 observed 战绩）、Rule（per-agent 访问列表、速率限制、收件箱上限、频道类型白名单）。
  • 消息模型：Envelope（hub 盖章的事件记录：event_type / event_data / sender_id / audience / causation_id）。
  • 频道生命周期状态机：INVITED → ACTIVE → CLOSED，含 ack 超时违规关闭、显式 close、TTL 到期。
  • handoff 与条件路由：AgentTarget / RevertToInitiatorTarget() / StayTarget() / TerminateTarget(reason=...)；条件用 TransitionCondition + register_condition(...)；工具返回 ReplyResult(target=...) 会自动发 EV_HANDOFF 信封。
  • 预设图：TransitionGraph.round_robin(participants=[...], max_turns=6)、TransitionGraph.sequence([...])。
  • 期望（Expectations）取代 max_round：可声明 reply_within(60s, auto_close)，违规记入审计日志并自动关频道。
  • 视图（Views）取代上下文裁剪：FullTranscript / WindowedSummary 默认视图，自定义视图经 ViewPolicy Protocol 接入。
  • 持久化：MemoryKnowledgeStore / DiskKnowledgeStore；compact= / SummarizeCompact 限制历史增长；attach_plugin=True 免写”收消息→跑 LLM→回复”的胶水代码。
  • HITL：在工具内 context.input(...) 暂停运行并向人提问，由 hitl_hook 决定问题怎么被回答（CLI / Web UI / 队列）；HumanClient 是”非 LLM 参与者”，同一套信封管道。
  • 远程/进程隔离：HubClient、LocalLink / WsLink、serve_ws、at-least-once 投递、重连、task durability。官方博客另称 AG2 具备 first-class A2A remote support（把 agent 部署在标准 API server 之后、作为原生组件参与编排）——该表述出自官方博客，v1.0 文档正文中未见对应 API 细节，引用需注明来源。

❌ 不能做 / 未出现

  • GroupChat / GroupChatManager / ConversableAgent / AssistantAgent / UserProxyAgent 已不在 ag2 包里——它们属于 ag2-classic（autogen.* 命名空间）。
  • 本包不含任何可视化界面：ag2 v1.0 的 README 与 pyproject.optional-dependencies 中检索不到 studio 字样；曾有的 AG2 Studio 现已独立为 ag2ai/ag2studio（★52 / fork 15 / 最后推送 2025-01-24，停更约 19 个月）。
  • 素材中未出现 speaker_selection_method 的 auto / manual / custom 策略名（仅见 classic 代码示例里的 round_robin）。
  • 未出现 is_termination_msg、human_input_mode 这两个祖传参数（新版改用 expectations / max_turns / hitl_hook）。
  • 未出现独立的类名 Swarm（仅以小写复数 “swarms” 出现在 Classic 能力对照中）。
  • 官方未给出 agent 数量建议与成本提示（素材中未出现）。

⚠️ 注意事项

  • 不是 drop-in 升级：官方原话 “AG2 v1.0 (pip install ag2) is not a drop-in upgrade from Classic. The agent model, orchestration, and imports all changed.”
  • 中文资料基本全是 Classic 的：网上 99% 的 AutoGen 教程基于 autogen.* 命名空间，照抄到 ag2 v1.0 会直接 ImportError。
  • conversation 频道永不自动关闭，必须由应用显式限定与关闭——忘了关就是资源泄漏。
  • handoff 在频道层描述（per-channel，不是 per-agent），官方给的迁移理由：“easier to reason about and serialisable”。

5. 与同类对比

项目 组队形态 与 AG2 的关系
AutoGen GroupChat 圆桌 同源：AG2 曾是 AutoGen 的社区延续，v1.0 后走自己的协议路线
MAF 图编排 竞争；官方定位差异在”协议 + 审计 + 可部署”vs”图 + 多语言”
ag2-classic GroupChat / swarm / nested chat 自家旧版，正式拆分但仍在维护
Hermes peer / OpenClaw sessions_send 直接点对点消息 形态不同：AG2 是中心 hub，Hermes/OpenClaw 是无中心的直发

6. 社区反馈与可靠性

  • ★ 4,940 / fork 720 / open issues 仅 27 / 最后推送 2026-09-19（当日）；PyPI ag2 月下载 218,199。
  • 社区渠道：官方 Discord（仓库描述内给出邀请链接）。
  • 可靠性判断：代码与文档维护活跃、issue 积压极少；风险主要在资料断层——v1.0 换代幅度大（agent 模型、编排、导入全变），社区存量内容与新版不匹配，接入时必须以 docs.ag2.ai/docs/user-guide/network/ 的一手文档为准。

四、CrewAI

1. 项目背景

  • crewAIInc/crewAI，MIT。官方描述：“Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks.”
  • GitHub API 实测（2026-09-19）：★ 58,753 / fork 8,507 / open issues 390 / 创建 2023-10-27 / 最后推送 2026-09-19。
  • 五个框架里社区体量最大：PyPI crewai 月下载 9,516,134。

2. 怎么用

安装与脚手架（README 原文）：

uv tool install crewai
crewai create crew <project_name>            # JSON-first 项目
crewai create crew <project_name> --classic  # 旧的 Python/YAML 脚手架
crewai install
crewai run

README 原文说明：“CrewAI requires Python >=3.10 and <3.14.”、“CrewAI uses UV for dependency management and package handling.”

项目的形态（JSON-first）：“crewai create crew creates a JSON-first crew project. Agents live in agents/*.jsonc, tasks and crew-level settings live in crew.jsonc, and crewai run loads that JSON definition directly.”

最小示例（README「Using Crews and Flows Together」原样复制前 29 行）：

from crewai.flow.flow import Flow, listen, start, router, or_
from crewai import Crew, Agent, Task, Process
from pydantic import BaseModel

class MarketState(BaseModel):
    sentiment: str = "neutral"
    confidence: float = 0.0
    recommendations: list = []

class AdvancedAnalysisFlow(Flow[MarketState]):
    @start()
    def fetch_market_data(self):
        self.state.sentiment = "analyzing"
        return {"sector": "tech", "timeframe": "1W"}

    @listen(fetch_market_data)
    def analyze_with_crew(self, market_data):
        analyst = Agent(
            role="Senior Market Analyst",
            goal="Conduct deep market analysis with expert insight",
            backstory="You're a veteran analyst known for identifying subtle market patterns"
        )
        researcher = Agent(
            role="Data Researcher",
            goal="Gather and validate supporting market data",
            backstory="You excel at finding and correlating multiple data sources"
        )

组队形式：两层——Crew（角色队，两个 Process 枚举）与 Flow（事件驱动流程）。官方 FAQ 的分工原文：“Crews provide autonomous agent collaboration, ideal for tasks requiring flexible decision-making and dynamic interaction. Flows offer precise, event-driven control, ideal for managing detailed execution paths and secure state management.”

3. 对用户的价值（分场景适配记录，非本报告立场）

  • 要最快理解”多个 agent 组队”：抽象最贴近直觉——每个 agent 有 role / goal / backstory，官方对 Crew 的定义是 “Teams of AI agents with true autonomy and agency, working together to accomplish complex tasks through role-based collaboration.”
  • 要”经理派活”式组织：hierarchical 流程原文——“Organizes tasks in a managerial hierarchy, where tasks are delegated and executed based on a structured chain of command.”，且任务不预先分配：“Tasks are not pre-assigned; the manager allocates tasks to agents based on their capabilities, reviews outputs, and assesses task completion.”
  • 要业务代码与 agent 混合：Flows 提供 “Clean integration of AI agents with production Python code” 与条件分支。
  • 要扩展面广：官方列了五条扩展途径——“Tools, MCPs, Apps, Skills, and Knowledge”，另有 checkpointing、async execution 与 MCP/A2A support。

4. 能力边界

✅ 能做

  • 两种 Process：sequential（“Task execution follows the predefined order in the task list, with the output of one task serving as context for the next.”）；hierarchical（需指定 manager_llm 或 manager_agent）。
  • Process 是 Enum：“The Process class is implemented as an enumeration (Enum), ensuring type safety and restricting process values to the defined types (sequential, hierarchical).” —— 即只有这两个值，没有第三种编排模式。
  • 自动委派工具：allow_delegation=True 时自动给每个 agent 两个工具——Delegate work to coworker(task, context, coworker) 与 Ask question to coworker(question, context, coworker)；原文 “Enables agents to ask specific questions to gather information from colleagues.”
  • Flow 控制流：@start / @listen / @router 装饰器，配合逻辑运算 or_ / and_ 组合触发条件；Flow[State] 泛型持有结构化状态（示例用 pydantic BaseModel）。
  • 任务上下文：Task 的 context 参数指定”哪些前序输出作为本任务的上下文”。
  • 记忆：Agent(memory=True)——“agents learn from previous collaborations and improve their delegation decisions over time”；另有统一 Memory 系统与 Knowledge。
  • 观测协作：Crew(step_callback=...) 监控协作（可检测输出中的 “Delegate work to coworker” / “Ask question to coworker”）。
  • 启动：crew.kickoff()，可传命名输入 kickoff(inputs=...)。
  • 可视化（不在开源框架本体）：官方 Crew Studio 属 CrewAI AMP 平台（三栏界面 AI Thoughts / Visual Canvas / Resources + Execution View 的 Event Timeline）；社区另有开源 strnad/CrewAI-Studio（Streamlit，http://localhost:8501，支持 OpenAI / Groq / Anthropic / Ollama / Grok / LM Studio 多后端）。开源框架本身不自带 GUI。
  • 接外部系统：README Key Features 提到 “MCP/A2A support”（无细节）；AMP 侧可把 crew 导出为 MCP server、React 组件（ag-ui-crewai + CopilotKit）或 ZIP 源码。

❌ 不能做 / 未出现

  • 编排模式只有两种（Process 是 Enum 强制），没有 group chat / handoff / swarm 这类第三种原语；需要更复杂控制时走 Flows（事件驱动）而不是新 Process。
  • 素材中未出现 crewai train / crewai test 子命令（HTML 导航只有对应的 “Training” / “Testing” 文档页）。
  • 官方未给出明确的 agent 数量建议；README 遥测章节仅提到采集 “Number of agents and tasks in a crew” 用于内部测试与最佳实践宣导。
  • 官方未给出 token 成本提示（素材中未出现）。

⚠️ 注意事项

  • 遥测默认开启：匿名遥测会采集 CrewAI 版本、Python 版本、通用 OS 信息（CPU 数、macOS/Windows/Linux）、crew 中 agent 与任务的数量；用户可 opt-in 更进一步的 “Further Telemetry”（share_crew=True 会采集 goal / backstory / context / output）。官方 FAQ 原话：“Sensitive data such as prompts, tasks, or API responses are never collected unless explicitly enabled by the user.”
  • Python 版本窗口窄：>=3.10 and <3.14。
  • package 管理强制 UV：官方文档与脚手架都按 UV 组织，无 UV 的既有环境需先补。
  • 角色设计有官方最佳实践：“✅ Good: Specific, complementary roles … ❌ Avoid: Overlapping or vague roles”；委派策略上*”Enable delegation for coordinators and generalists … Disable for focused specialists (optional)”*。

5. 与同类对比

项目 组队形态 与 CrewAI 的关系
MAF 图 + 多语言 竞争；CrewAI 抽象更高、上手更快，MAF 控制粒度更细、企业特性更全（.NET/telemetry）
LangGraph 图 / swarm 竞争；CrewAI 是”角色 + 流程”，LangGraph 是”状态图”
CAMEL 双角色对话 定位不同：CAMEL 偏会话与研究，CrewAI 偏生产任务派发
MetaGPT / ChatDev SOP 公司模拟 思路最近（都是角色分工），但 CrewAI 是活跃生产框架，后两者偏论文/演示

6. 社区反馈与可靠性

  • ★ 58,753 / fork 8,507 / 最后推送 2026-09-19（当日）；PyPI 月下载 9,516,134（五个里最大，量级领先一个数量级）。
  • 官方背景：有商业公司 CrewAI Inc. 与云端产品（CrewAI AMP/Cloud，README 出现 Cloud Trial 入口），开源版 MIT。
  • 生态：crewAIInc/crewAI-examples 提供 trip planner / stock analysis / job postings 等实例；官方 crewAIInc/skills 仓库提供面向 AI 编码助手的插件市场（Claude Code 一行命令接入）。
  • 可靠性判断：社区规模、更新频率与实例生态都是五个里最成熟的；需注意的是开源版与云端产品能力边界不同（README 中 “What additional features does CrewAI AMP offer?” 即属商业侧），引用能力时以开源文档为准。

五、CAMEL

1. 项目背景

  • camel-ai/camel，Apache-2.0。官方描述：“🐫 CAMEL: The first and the best multi-agent framework. Finding the Scaling Law of Agents.”
  • GitHub API 实测（2026-09-19）：★ 17,745 / fork 2,082 / open issues 486 / 创建 2023-03-17（五个里最早） / 最后推送 2026-09-14。
  • 定位是研究导向：官方原文 “CAMEL is an open-source community dedicated to finding the scaling laws of agents… To facilitate research in this field, we implement and support various types of agents, tasks, prompts, models, and simulated environments.”
  • PyPI camel-ai 月下载 44,554。

2. 怎么用

安装（README 原文）：

pip install camel-ai
pip install 'camel-ai[web_tools]'
export OPENAI_API_KEY='your_openai_api_key'

组队形式：从两个 agent 的角色扮演（RolePlaying）起步，再到规模化社会（Agent Society / Workforce）。官方定义：“Agent Society: Enabling multi-agent communication for the task solving.”

最小示例（官方教程《Creating Your First Agent Society》原样复制）：

# 任务：由起始提示（inception prompt）初始化
task_kwargs = {
    'task_prompt': 'Develop a plan to TRAVEL TO THE PAST and make changes.',
    'with_task_specify': True,
    'task_specify_agent_kwargs': {'model': model}
}

# AI User = 指令发出者
user_role_kwargs = {
    'user_role_name': 'an ambitious aspiring TIME TRAVELER',
    'user_agent_kwargs': {'model': model}
}

# AI Assistant = 指令执行者
assistant_role_kwargs = {
    'assistant_role_name': 'the best-ever experimental physicist',
    'assistant_agent_kwargs': {'model': model}
}

society = RolePlaying(
    **task_kwargs,
    **user_role_kwargs,
    **assistant_role_kwargs,
)

运行循环（同教程原样复制）：

input_msg = society.init_chat()          # 从 AI 助手发给 AI 用户的初始消息
assistant_response, user_response = society.step(input_msg)   # 双方本轮响应
if response.terminated:
    role = response.msg.role_type.name
    reason = response.info['termination_reasons']
if 'CAMEL_TASK_DONE' in user_response.msg.content:
    break

3. 对用户的价值（分场景适配记录，非本报告立场）

  • 要理解”两个 agent 对话”这一原始范式：CAMEL 是这类设计的开山之作，RolePlaying 的官方设计说明原文——“We design this in an instruction-following manner. The essence is that to solve a complex task, you can enable two communicative agents collaboratively working together step by step to reach solutions.”
  • 要做大规模涌现行为研究：官方口径 “The framework is designed to support systems with millions of agents”、“Simulate up to 1M agents to study emergent behaviors and scaling laws”。
  • 要做合成数据生成：官方列的研究优势中包含 “Automate the creation of large-scale, structured datasets while seamlessly integrating with multiple tools”。
  • 要最小可读的编排代码：相比图/协议/流程枚举，RolePlaying(**kwargs) 的形式最接近”给两个角色发剧本”。

4. 能力边界

✅ 能做

  • 双角色指令跟随：RolePlaying，参数分三组——任务（task_prompt / with_task_specify / task_specify_agent_kwargs）、用户角色（user_role_name / user_agent_kwargs）、助手角色（assistant_role_name / assistant_agent_kwargs）。
  • 逐步交互 API：society.init_chat()（取首条消息）、society.step(input_msg)（一次拿到双方本轮响应）。
  • 终止控制：response.terminated + response.info['termination_reasons']；内容级哨兵 CAMEL_TASK_DONE；轮数上限 run(society, round_limit: int=10)。
  • 模块化能力（README「Key Modules」原文）：Agents（“Core agent architectures and behaviors for autonomous operation.”）、Agent Societies（“Components for building and managing multi-agent systems and collaboration.”）、Memory、Tools、Human-in-the-Loop（“Interactive components for human oversight and intervention.”）。
  • 工具挂载：SearchToolkit 等，示例 ChatAgent(model=model, tools=[search_tool])。
  • 有状态记忆：官方设计原则 “Agents maintain stateful memory, enabling them to perform multi-step interactions with environments”。
  • 规模化：Society / Workforce 模块（README 中 Workforce 以 cookbook 名称、文档导航项与仓库路径 camel/societies/workforce 形式出现，示例为”黑客松评审委员会”）。

❌ 不能做 / 未出现

  • 素材中未出现独立的 Society 类名；出现的是概念名 Agent Society 与文档模块名 “Societies”、以及 Workforce。
  • 未出现 Workforce 的类签名与构造参数（仅见模块路径、cookbook 名与文档导航）。
  • 官方未给出 token 成本提示（素材中未出现）。
  • 核心框架不自带图形界面：README 中检索不到 streamlit / web UI / gradio 字样。图形化交互要靠建在 CAMEL 之上的生态项目 OWL（Gradio Web UI，python run_app.py / run_app_en.py，官方 README：“OWL now includes a web-based user interface”，功能含模型选择、环境变量管理、交互式聊天、任务历史）。

⚠️ 注意事项

  • CAMEL_TASK_DONE 是内容级哨兵：靠检查回复文本里有没有这个字符串来结束，不是状态机级终止。
  • round_limit 默认 10：不改的话长任务会被截断。
  • 官方规模口径（1M agents）属研究宣称（面向 scaling law 研究）；与生产可用性不是同一件事，引用时不要混淆。

5. 与同类对比

项目 组队形态 与 CAMEL 的关系
CrewAI 角色队 + Process 都讲”角色”，但 CrewAI 角色服务于任务派发，CAMEL 角色服务于对话推进
MetaGPT / ChatDev 公司 SOP 模拟 同走”角色扮演”路线，CAMEL 更偏底层机制与规模化研究
AG2 Hub + Channel 竞争；CAMEL 是双人对话范式，AG2 是多频道协议范式
MAF 图编排 形态互斥：CAMEL 无显式图，”下一步”由对话双方轮流产生

6. 社区反馈与可靠性

  • ★ 17,745 / fork 2,082 / 最后推送 2026-09-14；PyPI 月下载 44,554（四个开源框架里最小）。
  • 官方背景：CAMEL-AI 社区/Oxford 系研究项目起家，文档站 docs.camel-ai.org，仓库创建最早（2023-03-17）。
  • 可靠性判断：代码维护持续（issue 486 相对偏多，符合研究型项目特征）；文档站存在 404 页（本次抓取 docs.camel-ai.org 的 societies 页时命中 “Page Not Found”，而教程页有效）——按文档导航跳转时需留意失效链接。

六、Hermes（本机实测）

1. 项目背景

  • NousResearch/hermes-agent，MIT License，Copyright (c) 2025 Nous Research。官方定位原文：“The self-improving AI agent built by Nous Research. It’s the only agent with a built-in learning loop — it creates skills from experience, improves them during use…”
  • 页面实测（2026-09-19，GitHub HTML）：★ 247,038。
  • 本地实例实测：版本 0.20.6（pyproject.toml），git commit a0a63a1bc2（2026-08-31）；安装于 C:\Users\Admin\AppData\Local\hermes\hermes-agent，源码完整可读。
  • 与其他四个的本质差异：Hermes 不是”库”，是已经跑起来的多 agent 运行时——多 agent 能力以 CLI 子命令、持久看板与进程隔离的形式直接可用，不需要写编排代码。

2. 怎么用

多 agent 相关的三条命令行入口（本机实测 --help 输出）：

# 1. 持久任务板：跨 profile 协作
hermes kanban <43 个子命令>
hermes kanban swarm --worker P:T[:SKILL,SKILL] --worker ... --verifier V --synthesizer S "swarm 目标"
hermes kanban create "标题" --assignee <profile> --workspace worktree --triage

# 2. 跨机 bot-to-bot 直发
hermes peer add spark --url http://spark.lan:8377 --key <API_SERVER_KEY>
hermes peer dm spark/researcher "消息"
hermes peer run spark --idempotency-key ticket-123 < long-task.txt

# 3. 多模型聚合作答（Mixture of Agents）
hermes moa list
# 会话内：/moa <prompt>

组队形式：Hermes 的”team”不是对象组合，而是任务卡 + 认领 + 隔离工作区。kanban 帮助原文：“Durable SQLite-backed task board shared across Hermes profiles. Tasks are claimed atomically, can depend on other tasks, and are executed by a named profile in an isolated workspace.”

一条命令组出固定拓扑：kanban swarm 生成 “parallel workers → verifier → synthesizer” 的 Swarm v1 图。

3. 对用户的价值（分场景适配记录，非本报告立场）

  • 本机已具备完整多 agent 协作层，零改造成本：Kanban 是 SQLite 持久板，跨 profile 共享，原子认领 + 依赖图 + 隔离工作区 + 评审流转，全部由 CLI 暴露。
  • 要”派活—验收—汇总”三步走：swarm --worker ... --verifier ... --synthesizer ... 一条命令建图；decompose 还能把 triage 任务自动拆成子任务图并按描述路由到专员 profile。
  • 要跨机协作：peer 是原生 bot-to-bot 通道（hermes peer dm <peer>/<agent> 投递到远端 agent 的 Bot Chat 并打印回复），支持异步长任务（peer run + --idempotency-key）与 status / stop。
  • 要隔离上下文：任务可指定 --workspace scratch | worktree | worktree:<path> | dir:<path>，worker 拿到的上下文由 hermes kanban context 精确界定（title + body + parent results + comments）。
  • 要通知层与干活层分离：notify-subscribe 把网关订阅到任务的终态事件，群聊只做通知、Kanban 负责状态。

4. 能力边界

✅ 能做（均为本机 CLI 实测输出）

  • 任务生命周期：create（支持 --parent 重复传参建依赖、--triage 自动补规格、--idempotency-key 去重、--max-runtime 超时 SIGTERM 重排、--max-retries、--skill 强制加载技能）→ claim（原子认领并打印解析后的 workspace 路径）→ comment / attach / heartbeat → complete / block / schedule → archive。
  • 调度器：dispatch（一趟：回收 stale、提升 ready、spawn workers）；注意 daemon 已废弃——“dispatcher now runs in the gateway. Use hermes gateway start“。
  • 拓扑生成：swarm（parallel workers → verifier → synthesizer）、decompose（拆成子任务图并按描述路由到专员 profile，不值得 fan-out 时退化为单任务提升）、specify（把 triage 任务补成具体 spec）。
  • 评审流转：request-review（“implementation done, awaiting review — NOT a block”）、request-changes、reopen-review、promote（人工恢复路径）。
  • 可观测性：runs（每次尝试一行：profile / outcome / elapsed / summary）、log（worker 日志）、events 流（tail / watch）、stats（按状态与认领人计数 + 最老 ready 时长）、diagnostics、gc、repair（kanban.db 完整性检查与自动修复）。
  • 多 profile 治理：assignees 列出已知 profile 与各自任务数（~/.hermes/profiles/ 与当前认领的并集）；set-model 设任务级模型覆盖（下次 dispatch 生效）；reassign / reclaim 处理认领冲突。
  • 子智能体（delegated subagents）：源码 agent/subagent_lifecycle.py 实测——SubagentLaunchRequest 含 goal / context / role（默认 "leaf"）/ model / allowed_toolsets / blocked_tools / working_directory / parent_session_id / correlation_id / timeout_seconds；SubagentState 状态机 PENDING → STARTING → RUNNING → SUCCEEDED | FAILED | INTERRUPTED | CANCEL_REQUESTED | CANCELLED；终态保留 3600 秒。
  • 跨机互通：peer（add / set / list / remove / dm / run / status / stop），远端须开 api_server，密钥存 ~/.hermes/.env。
  • 多模型聚合：moa（list / configure / delete），会话内 /moa <prompt> 走多模型槽位。
  • 编辑器集成：acp（VS Code / Zed / JetBrains）。
  • 图形界面（产品级）：hermes desktop（Electron 桌面应用）/ hermes dashboard（Web 面板，默认 127.0.0.1:9119，“for managing config, API keys, and sessions”）/ hermes serve（JSON-RPC 与 WebSocket 后端，headless）；另有 hermes insights（会话历史、token 用量、成本、工具模式分析）、hermes monitoring（OTLP 导出，内容无关设计）。
  • 作为 MCP server 对外暴露：hermes mcp serve —— “Run Hermes as an MCP server (expose conversations to other agents)”；同时 hermes mcp add / catalog / install 让它反向充当 MCP 客户端（如 hermes mcp install n8n）。本地源码 agent/transports/hermes_tools_mcp_server.py 另有把 Hermes 工具面（delegate_task 子智能体、kanban_*、web/browser/vision/TTS 等）通过 stdio MCP 暴露给外部 agent 运行时的实现。
  • 官方文档：本地 docs/hermes-kanban-v1-spec.pdf（213 KB 规范）+ 在线 hermes-agent.nousresearch.com/docs/user-guide/features/kanban。

❌ 不能做 / 未出现

  • 不是库：没有 pip install 后 import 的编排 API；多 agent 只能通过 CLI / Gateway / Desktop 使用。
  • kanban worker 是 profile（Hermes 的多身份），不是任意第三方框架的 agent；跨异构框架组队不在 kanban 职责内。
  • 本机实测 CLI 在 Windows Git Bash 下有 UnicodeDecodeError 噪声输出（hermes --version 触发读线程解码异常，stdout 内容不受影响）。

⚠️ 注意事项

  • kanban daemon 已废弃：调度器并入 gateway，旧脚本需改 hermes gateway start。
  • 紧急刹车：hermes pause 会同时暂停 cron、kanban dispatch 与新网关轮次；hermes resume 解除。
  • 任务级模型覆盖只对下一次 dispatch 生效（set-model 说明原文）。
  • 工作区类型选择影响隔离强度：scratch（默认）/ worktree（git 隔离）/ dir:<path>，写代码类任务建议 worktree。

5. 与同类对比

维度 Hermes Kanban CrewAI / MAF OpenClaw 多 agent
组队形式 持久看板 + profile 进程 代码内对象 / 图 同进程多 agent + sessions_send
状态载体 SQLite（可 gc / repair） 内存 / checkpoint 文件 SQLite 会话库
持久性 任务级持久，跨会话存活 取决于实现 会话级
是否需写代码 否（CLI 即用） 是 配置为主
跨机 peer 原生支持 需自建（AG2 有 WsLink） Gateway 内为主

6. 社区反馈与可靠性

  • GitHub 页面实测 ★ 247,038（2026-09-19）；本地版本 0.20.6，源码完整、docs/ 含 RFC、ADR、spec PDF 等工程化文档。
  • 官方背景：Nous Research 出品，MIT，是多语言文档（英 / 中 / 乌尔都 / 西）的成熟产品线。
  • 可靠性判断：仓库体量与文档工程化程度都属第一梯队；kanban 子命令数量（43）说明该能力仍在快速迭代——跨版本使用前建议先 hermes kanban --help 核对子命令是否存在。

七、环境

项目 运行时依赖 体积 / 安装 平台兼容 网络 账号密钥
MAF Python（+ .NET SDK / Go SDK 可选）；pip install agent-framework 首次安装可能耗时（README 注明 Windows 上”may take a minute”） 纯 Python 包，含 .NET/Go 的独立包 Python / .NET / Go 三语言 官方示例走 Microsoft Foundry，需 az login（Azure CLI 认证） Azure 凭据（示例用 AzureCliCredential）
AG2 Python >= 3.10；pip install ag2[openai] 纯 Python 包 跨平台（Mac 安装命令需引号包裹） 分布式模式需 WebSocket（WsLink / serve_ws） 模型 provider key；跨机 peer 场景另需远端凭据
CrewAI Python >=3.10 且 <3.14；强制 UV 管理依赖 纯 Python 包 + JSON-first 项目脚手架 跨平台 无特殊要求；MCP/A2A 为可选扩展 模型 key；云端 AMP 另需账号
CAMEL Python；pip install camel-ai（web 工具需 camel-ai[web_tools]） 纯 Python 包 跨平台 无特殊要求 官方示例默认 OPENAI_API_KEY
Hermes 本机已装（AppData\Local\hermes\hermes-agent，uv 管理的 Python 3.11 venv）；Desktop / CLI / Gateway 三种入口 完整仓库 + venv；docs/hermes-kanban-v1-spec.pdf 213 KB Windows 可用（Git Bash 下有 Unicode 解码噪声）；官方支持 VPS/集群/serverless 跨机 peer 需对端 api_server 可达；网关类功能需网络 模型 provider 凭据；peer 需对端 API_SERVER_KEY（存 ~/.hermes/.env）

共性：四个开源框架都是纯 Python 包（MAF 另有 .NET/Go），无 GPU 要求；唯一的环境强约束是 CrewAI 的 Python 版本窗口（<3.14）与它对 UV 的依赖。

八、安全风险评估

项目 许可与来源 遥测 代码执行面 风险等级 使用注意
MAF MIT，微软官方仓库 素材中未见默认遥测说明；含 telemetry 作为企业特性表述 agent 工具调用 + MCP client；官方示例仅调模型 低 官方明言”能写函数就别用 agent”，生产接入前先确认工具权限边界
AG2 Apache-2.0，ag2ai 组织 素材中未出现遥测说明 Hub 持 write-ahead log + 审计日志 + 频道表：审计友好，但日志会落盘，注意敏感数据入 WAL 低 跨机模式（WsLink / serve_ws）需自行配置认证；Rule 提供访问列表与速率限制
CrewAI MIT，CrewAI Inc. 匿名遥测默认开启：版本、Python 版本、OS 信息、crew 中 agent 与任务数量；share_crew=True 可 opt-in 进一步上报 goal/backstory/context/output agent 可挂工具（Tools/MCP/Apps/Skills/Knowledge） 中 官方声明”未经显式启用不采集 prompt/任务/API 响应”；在意数据外发的场景需先确认遥测开关（README Telemetry 节）
CAMEL Apache-2.0，camel-ai 社区 素材中未出现遥测说明 agent 可挂 SearchToolkit 等工具；示例默认 OpenAI API 低 官方定位为研究框架，规模化实验（1M agents）属仿真宣称，勿直接等同生产负载
Hermes MIT，Nous Research 素材与本地 CLI 未见遥测提示 本地执行 + 进程隔离 + worktree 隔离；blocked_tools / allowed_toolsets 限制子智能体工具面；peer 涉及跨机凭据 低-中 ✅ 强项：子智能体有工具白名单与黑名单、超时、父会话绑定（parent_session_id 防冒充）；⚠️ 注意：hermes pause 是唯一紧急刹车，跨机 peer 的 API_SERVER_KEY 属敏感凭据，勿写入记忆或文档

逐项核验说明：遥测一项对四个开源框架均以「README/文档原文是否出现」为判据——只有 CrewAI 的 README 明确存在 Telemetry 章节（默认匿名采集 agent/任务数量），其余三家在本次抓取的素材中未出现遥测说明，故记为”素材中未出现”，不等于”确认无遥测”。代码执行面按”框架是否允许 agent 执行任意代码/调用任意工具”核验：五者均支持工具调用，其中 Hermes 额外提供工具集白名单与黑名单控制。

九、横向：五种「组队形式」的能力矩阵

能力 MAF AG2 CrewAI CAMEL Hermes
组队原语 有向图 Hub + Channel Crew / Flow RolePlaying Kanban 任务卡
显式声明”谁下一步说话” ✅ 图的边与条件 ✅ TransitionGraph ⚠️ 由 Process 枚举决定 ❌ 双方轮流 ⚠️ dispatcher 按就绪状态派发
固定拓扑模板 ⚠️ 需自己画 ✅ round_robin / sequence ⚠️ 仅 sequential / hierarchical ⚠️ 双人 ✅ swarm（worker→verifier→synthesizer）
持久化 / 可恢复 ✅ checkpoint + time-travel ✅ WAL + Hub.hydrate() ✅ checkpointing ⚠️ 有状态记忆 ✅ SQLite 板 + 任务级持久
人类介入（HITL） ✅ ctx.request_info() ✅ context.input() + hitl_hook ⚠️ 文档有 Human Review 概念 ✅ HITL 模块 ✅ 评审流转 + triage
跨机部署 ⚠️ 未在素材中出现 ✅ WsLink / serve_ws ⚠️ 未在素材中出现 ⚠️ 未在素材中出现 ✅ peer
进程 / 工作区隔离 ⚠️ 未在素材中出现 ✅ 每 agent 独立 OS 进程（可选） ⚠️ 未在素材中出现 ⚠️ 未在素材中出现 ✅ worktree / dir: 隔离工作区
审计与重放 ✅ time-travel ✅ 审计日志 + WAL 重放 ⚠️ step_callback 监控 ⚠️ 未在素材中出现 ✅ runs / log / 事件流
需要写代码 是 是 是 是 否（CLI 即用）
官方图形界面 DevUI（本地 Web，官方标注非生产） 无（AG2 Studio 已独立且停更） 企业版 Crew Studio / 社区 Streamlit 无（生态 OWL） ✅ Desktop + Dashboard（产品级）
接外部 agent 通道 ✅ A2A（三语言全支持）+ MCP client ⚠️ 博客称 first-class A2A，文档无 API 细节 ⚠️ README 提 “MCP/A2A support” ⚠️ 以库内 Agent 为主 ✅ hermes mcp serve + peer + acp

表中 ✅ / ⚠️ / ❌ 仅反映本次抓取素材中是否出现该能力的官方描述，不代表框架绝对不具备。标记 ⚠️ 的项表示”素材中未出现明确说明”。

形式差异的一句话总结（客观描述，不含选型立场）：

  • MAF：把多 agent 写成数据流图——节点是 executor，边是值路由。
  • AG2：把多 agent 写成协议网络——中心 hub 记日志，agent 走带类型的频道。
  • CrewAI：把多 agent 写成团队 + 流程——角色定人，Process 定序，Flow 定分支。
  • CAMEL：把多 agent 写成剧本——两个角色按指令跟随逐步推进。
  • Hermes：把多 agent 写成看板上的卡片——认领、干、评审、汇总，状态落在 SQLite。

十、图形化能力：这五个框架到底有没有界面

一句话答案：五个都有”某种图形界面”，但只有 Hermes 的是产品级可用；其余四个的 GUI 要么是开发调试工具、要么归企业版、要么已停更、要么根本不在核心框架里。

框架 官方 GUI 形态与入口（实测/原文） 官方定位原话 状态
MAF DevUI 本地 Web，默认 http://localhost:8080。Python：pip install agent-framework-devui --pre，然后 devui ./agents --port 8080；或代码里 serve(entities=[agent], auto_open=True)。.NET：dotnet add package Microsoft.Agents.AI.DevUI --prerelease “a lightweight, standalone sample application for running agents and workflows… allowing you to visually debug, test, and iterate”；“It is not intended for production use.” 活跃（PyPI 1.0.0b260918），官方明示 sample app
AG2 主包无；曾有的 AG2 Studio 已独立为 ag2ai/ag2studio 旧入口为 pip install ag2[studio] → ag2 studio → :3000（属旧版）；现为独立仓库 — ⚠️ ★52 / fork 15 / 最后推送 2025-01-24（停更约 19 个月）；ag2 v1.0 的 README 与 pyproject 中已检索不到任何 studio 字样
CrewAI 官方 Crew Studio（在 CrewAI AMP 平台内）；社区另有 strnad/CrewAI-Studio 官方：AMP 平台 Web，三栏（AI Thoughts 左 / Visual Canvas 中 / Resources 右）+ Execution View（Event Timeline / Detailed Logs）；社区版：Streamlit，http://localhost:8501 官方 Crew Studio 属 enterprise/AMP 能力 官方活跃（商业）；社区 Streamlit 版活跃
CAMEL 核心框架无；生态项目 OWL（CAMEL-AI 官方生态，NeurIPS 2025）有 Web UI OWL：python run_app.py（英文版 run_app_en.py），基于 Gradio，本地运行 OWL README：“OWL now includes a web-based user interface”，功能含模型选择、环境变量管理、交互式聊天、任务历史 CAMEL 主仓库 README 检索无 streamlit / web UI / gradio 字样；OWL 活跃
Hermes ✅ Desktop（Electron）+ Dashboard（Web）+ serve（后端） hermes desktop（桌面应用）/ hermes dashboard（Web，默认 127.0.0.1:9119）/ hermes serve（JSON-RPC/WebSocket 后端，headless，不自己开浏览器） hermes dashboard 帮助原文：“Launch the Hermes Agent web dashboard for managing config, API keys, and sessions” 产品级；本地实例 0.20.6

MAF 的补充说明（重要）：DevUI 只是它的调试界面。官方 “UI Framework integrations” 表另列了两项，可用来做正规前端（均为 Preview 状态）：

UI 方案 状态 用途
AG-UI Preview 面向”人-智能体交互”的事件协议；官方在 .NET 10 公告里说明可用 MapAGUI(...) 暴露端点，再用 CopilotKit 等 AG-UI 客户端框架搭富 UI
ChatKit Preview OpenAI 的 ChatKit 集成
DevUI Preview 开发期可视化调试

DevUI 官方 Features 原文：Web Interface / Flexible Input Types / Directory-Based Discovery / In-Memory Registration / OpenAI-Compatible API / Sample Gallery / Tracing（OpenTelemetry）；CLI 选项含 --port --host --headless --no-open --tracing --reload --mode developer|user --auth --auth-token；与 Aspire 集成时可用 AddDevUI().WithAgentService(...) 聚合多个 agent 服务的实体。

⚠️ 口径差异提醒：第三方教程里常见”DevUI 能渲染 agent 图、支持执行回放（execution replay）”的说法；本次在官方文档 Features 列表中没有找到这两项表述。引用时请标明来源。

⚠️ AG2 的界面坑（容易踩）：网上关于 pip install ag2[studio] / ag2 studio / :3000 的资料仍大量存在，但它不在 ag2 v1.0 的能力范围内，且独立仓库已近两年未更新。看到 AG2 可视化教程时，先确认是 Classic 时代产物还是 v1.0。

十一、怎么把已有 agent 接进框架（workbuddy / Hermes 的接线路线）

先回答”是不是都只能靠代码调度”：

  • 四个框架（MAF / AG2 / CrewAI / CAMEL）：是。 编排单元必须是框架自己定义的 Agent 对象，所以要接入外部 agent，只有两条路——用它自己的 SDK 写，或把外部 agent 包装成它认得的形态（见下）。
  • Hermes：不是。 它的多 agent 能力在 CLI 与看板层，hermes kanban create / claim / complete 本身就是调度动作，不需要写编排代码。

四条”把外部 agent 接进框架”的通道（按标准化程度排序）

通道 机制 谁支持（实测/官方原文） 适用性
A2A 外部 agent 暴露 A2A 端点（Agent Card + 任务），框架作为 A2A client 调用并编排 MAF：官方三语言全支持——官方 agent services 表列 A2A 一行为 “Remote A2A-compliant agent definition, tools, sessions, tasks, and execution“（C# / Python / Go 全 ✅）；同表还支持把 GitHub Copilot 运行时、Copilot Studio、Anthropic Claude Agent SDK 作为 agent service 接入。CrewAI README Key Features 提到 “MCP/A2A support”（无细节）；AG2 官方博客称已具备 first-class A2A remote support ✅ 最标准。前提是被接入方要能对外提供 A2A 端点
MCP 把 agent 的能力包成 MCP server，框架作为 MCP client 调用 Hermes：hermes mcp serve 可直接把 Hermes 本身作为 MCP server 暴露（帮助原文：“Run Hermes as an MCP server (expose conversations to other agents)”），另可用 hermes mcp add/catalog/install 反向作为 MCP 客户端。MAF 有 MCP client（MCPStreamableHTTPTool / MCPStdioTool）；Langflow / Dify / n8n 均双向支持 MCP ✅ 成本最低。Hermes 侧已现成
框架自有 remote 通道 框架自己的跨进程 / 跨机机制 AG2：ag2.network 的 Hub + LocalLink / WsLink（可让 hub 与每个 agent 作为独立 OS 进程跨 WebSocket 运行）；Hermes：hermes peer（跨机 bot-to-bot DM，peer dm <peer>/<agent> "..."） ⚠️ 只能接同框架的 agent（AG2 接 AG2、Hermes 接 Hermes）
CLI 包装 把命令行 agent 当成可调用工具包给框架（本质是一次 subprocess 调用） 任何框架都能这么做（自定义工具函数 / 代码节点 / HTTP 调本地命令）。Hermes 有 hermes -z "<prompt>" 单次执行入口 ✅ 最土但最通用；本次调研派 Qoder 小弟干活用的就是这个模式

落到”workbuddy + Hermes 同时接进去、再调度两者干活”

客观列出四种可落法（只记录机制可行性，不含选型立场）：

  1. MAF 当编排层，两边都做成 A2A agent service
    给 workbuddy（本端）与 Hermes 各提供一个 A2A 端点（Agent Card + 任务端点），在 MAF 里登记为 agent service 节点，再用图（sequential / concurrent / handoff）决定谁先谁后与转移条件。这是唯一一条两者都能接、且编排由图形/代码显式控制的标准化路线。前置条件是两端都要能对外提供 A2A 端点。
  2. Hermes 当 MCP server，被别家当”工具”调用
    hermes mcp serve 起服务 → 在 MAF / Langflow / Dify / n8n 中作为 MCP client 接入 → 由那一侧决定何时调用 Hermes 的会话。这条Hermes 侧已是现成能力，不需要改 Hermes。
  3. 共享看板当总线（双方不互调）
    Hermes Kanban 作为持久任务板；workbuddy 侧通过 hermes kanban create / claim / complete 领任务、写结果，双方只共享状态、不互相调用。这条与 99065 的结论一致（”可见层给人看、数据层给 agent 读”）。
  4. 可视化平台居中
    在 Langflow / Dify / n8n 里用节点把外部 agent 串起来——Dify 的 Workflow-as-Tool、n8n 的 Sub-agents / Call n8n Workflow Tool 都是现成的”把一个 agent 当另一个的工具”机制，MCP 则负责把外部 agent 接进来。

各路线都还缺一个前置确认：workbuddy（本端）与 Hermes 各自对外暴露端点的现成方式（Hermes 侧有 mcp serve、peer、acp；本端需要单独确认）。这一点列进了待研究清单。

十二、图形化多智能体协作平台横向对比

本节背景：既然五个框架的 GUI 各有短板（见第十节），这里把以图形界面为主入口的多智能体协作方案单列一表。★ 与时间均为 2026-09-19 实测。

平台 ★（实测） 界面与入口 多 agent 协作机制（官方原文要点） 外部接入 许可 维护状态
n8n 205,348 Web http://localhost:5678（Docker / 一键脚本）+ 云 Sub-agents：“Other published agents this agent can delegate work to”，可设并行 sub-agent 上限；“Agents can also delegate to other agents and run on a schedule”；agent 的推理循环里可 “hand off to another agent”；Call n8n Workflow Tool 把 workflow 当工具调 MCP 双向：MCP Client Tool 节点接入任意 MCP server + 实例级 MCP server（“build and manage agents from an MCP client, such as Claude Desktop or Claude Code”） fair-code（Sustainable Use License + Enterprise License） 活跃（push 2026-09-19）
Dify 156,435 Web（docker compose up -d → http://localhost/install）+ Dify Cloud 托管 两种 Agent：Classic 节点（模型+工具）与 New Agent（“arrives as a complete worker with its own capabilities and sandbox”）；Workflow-as-Tool（“Turn any Workflow that starts with a User Input node into a tool”）；多 agent 交接原文 “a few specialized agents handing off to each other”；节点里 Invite an Agent（“You can invite any published agent”）；节点组可存为 Snippet 复用 MCP 双向（应用可发布为 MCP server / 可接入 MCP server，仅支持 HTTP transport）+ REST API + difyctl + Dify Marketplace NOASSERTION（README：“Apache 2.0 with additional conditions”） 活跃
Langflow 155,003 Web http://127.0.0.1:7860（uv run langflow run / Docker）+ Desktop（Windows / macOS） README 明写 “Multi-agent orchestration”；“An Agent component can use any Langflow component as a tool, including other agents and MCP servers”；Playground 可看 agent 的 tool calls 与原始输出 MCP 双向（“Deploy as an MCP server and turn your flows into tools for MCP clients” / 也可作为 MCP client）+ built-in API（“turn every workflow into a tool”）+ 源码级自定义 Python 组件 MIT 活跃
Flowise 55,469 Web http://localhost:3000（npm / Docker） Supervisor + Worker 层次图：“A Supervisor agent can formulate and delegate tasks to multiple Worker agents, with outputs… returned to the Supervisor”；Execute Flow Node 作子流程调用；含 Recursion Limit / Max Iteration / One Supervisor per flow 等约束 MCP 工具（Agentflow 支持把 MCP tools 接进流程）+ REST API + 自定义函数节点（服务端 JS） NOASSERTION（Apache 2.0） ⚠️ 仓库已归档（README 首行：“Flowise has been archived.”）
CrewAI Crew Studio —（商业） Web，在 CrewAI AMP 平台内 三栏界面（AI Thoughts / Visual Canvas / Resources）+ Execution View（Event Timeline、Detailed Logs）；支持 hierarchical / sequential / parallel 与人工审批门 可导出 MCP server、React 组件（ag-ui-crewai + CopilotKit）、ZIP 源码 商业（企业版） 活跃
AG2 Studio 52 Web（原 :3000） 拖拽编排 + 实时会话 + 步进调试 素材中未出现 Apache-2.0 ⚠️ 停更（最后推送 2025-01-24）
CAMEL OWL 见 camel-ai/owl Web（Gradio，本地 python run_app.py） 多 agent 协作完成真实任务（任务分解 + 按专长分工），含浏览器自动化与代码执行工具集 CAMEL 工具集 / MCP Apache-2.0 活跃

读表三个要点：

  1. “图形界面”这条路的用户规模明显更大。前三名（n8n 20.5 万 / Dify 15.6 万 / Langflow 15.5 万）的 ★ 量级明显高于四个代码框架（MAF 1.36 万 / AG2 0.49 万 / CrewAI 5.88 万 / CAMEL 1.77 万）；五个框架里只有 Hermes（24.7 万）属同一量级。
  2. 两个必须知道的维护/许可事实：Flowise 已归档（选型前先确认后续去向）；n8n 是 fair-code / Sustainable Use License（非 OSI 开源），Dify 是 “Apache 2.0 with additional conditions”（GitHub 识别为 NOASSERTION）——两者商用前都要读许可证原文。
  3. MCP 是这四家的共同接入面：n8n / Dify / Langflow / Flowise 全部支持 MCP，且前三家是双向（既接别人的 MCP，也把自己暴露成 MCP server）。这与第十一节的结论互相印证——要把外部 agent 接进可视化平台，MCP 目前是事实通道；而 A2A 在这四家里均未出现（MAF 是唯一把 A2A 做成一等 agent service 的）。

十三、待研究清单

  • MAF：README 的四种模式与 Azure 架构中心的五种模式（含 Group chat / Magentic）具体差在哪、是否同一套 API 的两种表述
  • MAF：Python 实验性函数式工作流 API（@workflow / @step）与 Graph 模式的取舍边界
  • AG2：ag2.network 的四种 adapter 与 Pattern Cookbook（Pipeline / Star / Feedback Loop / Triage-with-Tasks）逐个对照
  • AG2：ag2-classic 与 ag2 v1.0 的共存策略（迁移期是否值得并行跑）
  • CrewAI：share_crew=True 之外，遥测的关闭方式与影响面
  • CrewAI：Crews（自主协作）与 Flows（事件驱动）混用时的状态传递最佳实践
  • CAMEL：Workforce 的构造参数与它和 RolePlaying 的关系（本次素材中只有模块路径与 cookbook 名）
  • CAMEL：docs.camel-ai.org 的 societies 文档页 404 是否为临时问题
  • Hermes：docs/hermes-kanban-v1-spec.pdf 规范全文（本次只用 CLI --help 实测）
  • Hermes：decompose 的路由规则（如何按描述把子任务分派到专员 profile）
  • 跨框架：AG2 的 WsLink 与 Hermes 的 peer 能否对接成跨 harness 通道
  • 跨框架：MAF 的 AsAIAgent() 与 AG2 的 Agent 是否可互包（跨框架组队的最小实验）
  • 本端（workbuddy）对外暴露 agent 端点的方式：有无现成 A2A server / MCP server，还是只能靠 CLI 包装——这一条决定第十一节哪条路线可走
  • Hermes hermes mcp serve 实测：起服务后，MAF / Langflow 能否真的把 Hermes 当 MCP server 调起来
  • Hermes hermes dashboard 实测（默认 :9119）：面板里有哪些多 agent 相关视图（Kanban 看板 / 会话 / 任务状态）
  • MAF DevUI 实测：pip install agent-framework-devui --pre 跑一次，确认多 agent 工作流在界面上的呈现形态（官方 Features 里的 Tracing / OpenAI-compatible API 是否真的够用）
  • MAF：AG-UI + CopilotKit 这条”生产级 UI”路线的接入成本（Preview 状态是否可跟）
  • n8n：Sub-agents 委派 + 实例级 MCP server 实测（能否从外部 MCP 客户端反向管理 agent）
  • Dify：”Invite an Agent” + Workflow-as-Tool 组合出的多 agent 拓扑能到什么复杂度
  • Flowise 已归档 → 其 “Future of Flowise” 讨论帖指向什么后继方案
  • 平台侧通用：n8n 的 Sustainable Use License 与 Dify 的 “Apache 2.0 with additional conditions” 具体限制条款

refer

  1. 能力对照表中的 ✅ / ⚠️ / ❌ 仅表示本次抓取素材中是否出现该能力的官方描述，不代表框架绝对不具备。
  2. 同一项目的多个官方位置（README / 官方文档站 / 架构中心）表述可能不一致，本文已分别标注出处，引用时请以最新一手文档为准。
  3. 本文仅为个人调研整理，年代久远或来源不明的引用请指出以便更正。

已拆分的后续调研（互链）