从 LangGraph 到 praxo-core：100 个有特点的 AI Agent 框架

一份面向开发者的 Agent 技术地图：不只看 Star，更看架构差异、工程证据与适用边界。

为什么需要一张 Agent 框架地图

过去两年，AI Agent 框架经历了快速扩张。早期项目主要解决“让大模型调用工具”；今天，真正困难的问题已经变成：

• 如何管理长任务中的状态、上下文与故障恢复？
• 如何协调多个 Agent，而不是让它们无边界地互相调用？
• 如何加入人工审批、权限控制、审计与成本约束？
• 如何接入企业已有的数据、身份、工作流和遗留系统？
• 如何证明一个 Agent 不仅“能演示”，而且“可测试、可观测、可维护”？

因此，选择 Agent 框架不再只是比较 API 是否简洁，而是在选择一种执行模型、治理方式和工程边界。

本文整理 100 个有特点的项目。编号只用于阅读，不代表严格的性能、Star 或商业排名。名单包括通用框架、SDK、低代码平台和少量具有代表性的垂直 Agent 系统。多数项目开源，部分同时提供商业云服务。

一、通用 Agent 编排：从调用工具到管理执行

1. LangGraph：用状态图表达节点、分支、循环和人工审批，支持检查点与故障恢复，适合复杂长流程。
2. LangChain：模型、工具、检索和集成生态庞大，适合快速搭建 Agent；复杂控制可下沉到 LangGraph。
3. Microsoft Agent Framework：融合 AutoGen 的 Agent 抽象与 Semantic Kernel 的企业能力，提供图工作流、会话、中间件和 MCP／A2A 集成。
4. CrewAI：以角色、目标、任务和团队描述多智能体协作，概念直观，适合研究与业务团队原型。
5. OpenAI Agents SDK：以 Agent、Handoff、Guardrail、Session 等少量原语构建应用，内置追踪，是 Swarm 的生产化后继。
6. Google ADK：面向 Gemini／Vertex AI，支持层级 Agent、顺序与并行工作流及 A2A，适合 Google Cloud 技术栈。
7. Claude Agent SDK：将 Claude Code 式的文件、命令、工具和子 Agent 运行环境嵌入自己的应用，适合编码与长任务。
8. Strands Agents：AWS 推出的模型驱动 SDK，同时提供 Graph、Swarm、Workflow 等编排模式。
9. Pydantic AI：把类型检查、结构化输出、依赖注入和 Pydantic 验证带进 Agent，适合强调可靠性的 Python 服务。
10. Agno：轻量、上手快，原生考虑多模态、知识库、记忆、团队与 Agent API 运行时。

二、多智能体协作：角色、消息与群体结构

11. AutoGen：多智能体对话、群聊和代码执行的代表性研究框架；官方仓库已归档，新项目应优先评估 Microsoft Agent Framework。
12. AG2：由原 AutoGen 贡献者延续的社区分支，保留对话式多智能体编程风格。
13. Semantic Kernel：插件、函数、连接器和企业应用集成能力突出，适合既有 C#／Python 系统。
14. CAMEL：以角色扮演和 Agent 社会协作为核心，适合研究多 Agent 交流、数据生成与社会模拟。
15. MetaGPT：把软件公司的标准操作流程编码进多 Agent 流程，让产品、架构、开发和测试角色协作生成软件。
16. ChatDev：用聊天驱动的虚拟软件公司完成需求、设计、编码和测试，研究与演示价值突出。
17. AgentScope：面向开发者的多智能体框架，强调消息传递、分布式运行、工具与状态管理。
18. AgentVerse：同时覆盖任务求解和环境模拟，适合研究 Agent 群体协作、专家招募和行为演化。
19. Swarms：提供顺序、并发、层级和混合等群体协作拓扑，适合试验复杂编排结构。
20. OpenAI Swarm：用 Routine 和 Handoff 展示极简多 Agent 协作；教学价值高，生产项目通常改用 Agents SDK。

三、RAG、数据与轻量框架：让 Agent 接近真实知识

21. LlamaIndex Workflows：事件驱动工作流与数据连接器、索引和 Agentic RAG 结合，适合知识密集型 Agent。
22. Haystack：模块化 Pipeline 与 Agent 并存，检索、评估和生产部署体系完整，适合企业搜索与问答。
23. smolagents：Hugging Face 的极简 Agent 库，尤其突出让模型生成并执行 Python 动作的 Code Agent。
24. DSPy：用编程和优化替代大量手工提示词调优，可优化 Agent 中的签名、模块和推理管线。
25. Atomic Agents：基于 Instructor、Pydantic 的小型原子组件，强调输入输出 Schema、可组合性和可预测性。
26. Qwen-Agent：围绕 Qwen 的工具调用、规划和记忆设计，提供 RAG、代码解释器、浏览器助手及 MCP 示例。
27. ModelScope-Agent：与 ModelScope 模型和工具生态结合紧密，支持工具调用、RAG 及多 Agent 应用。
28. Lagent：书生·浦语生态的轻量框架，支持 ReAct、ReWOO 等模式，适合学习和二次开发。
29. XAgent：强调复杂任务分解、双循环规划和工具执行，是研究自主 Agent 架构的代表项目。
30. TaskWeaver：微软推出的代码优先数据分析 Agent，把用户请求转换成可执行代码并操作数据与插件。

四、语言生态：Agent 不应只属于 Python

31. Mastra：TypeScript 原生，集成 Agent、Workflow、RAG、评估和部署，适合 Node.js 全栈团队。
32. Vercel AI SDK：把模型调用、工具、结构化输出和流式 UI 接起来，适合 Next.js 等 Web Agent 产品。
33. VoltAgent：TypeScript Agent 框架，突出模块化、工作流和内置可观测性。
34. BeeAI Framework：支持 Python 和 TypeScript，强调跨框架 Agent 互操作。
35. LangChain4j：把模型、工具、记忆和 RAG 抽象带给 Java 应用。
36. Spring AI：将模型、向量库、工具和 MCP 集成进 Spring 编程模型，适合企业 Java 服务。
37. Spring AI Alibaba：在 Spring AI 基础上强化阿里云模型、Agent 编排和图工作流。
38. trpc-agent-go：Go 原生 Agent 框架，覆盖图工作流、工具、记忆、MCP、A2A 和可观测性。
39. Rig：Rust 原生、类型安全的 LLM／Agent 构建库，适合重视性能和系统集成的项目。
40. Ax：将 DSPy 式签名、模块和优化思路带入 TypeScript，适合结构化 LLM 程序与 Agent。

五、可控应用、长期记忆与对话：从“能运行”到“可约束”

41. Langroid：以消息和多 Agent 任务协作为核心，对本地模型、RAG 和工具使用支持较好。
42. Griptape：用结构、任务、工具和规则构建可预测 Agent，强调企业工作流与安全边界。
43. praxo-core：以 Go 为参考实现的 MIT 可嵌入 Agent 内核，将策略控制、工具授权、HITL、检查点、事件追踪与跨语言一致性契约结合，面向遗留系统和受治理场景。
44. Marvin：提供轻量 AI 函数、任务和 Agent 抽象，适合把 LLM 能力自然嵌入 Python 代码。
45. ControlFlow：以任务、依赖关系和 Agent 构建可控工作流，在程序控制与自主决策之间取平衡。
46. Parlant：面向客户对话 Agent，通过 Guideline、Journey 等机制约束行为，而非只依赖系统提示词。
47. Letta：源自 MemGPT，重点是有状态 Agent、自编辑长期记忆和长期运行的个性化助手。
48. PraisonAI：覆盖多 Agent、工作流、记忆、自反思和 MCP 集成，提供 Python 与 JavaScript 使用方式。
49. Rasa：将对话状态、业务规则、动作和 LLM 能力结合，适合需要自托管和可控对话流程的助手。
50. Botpress：可视化对话与 Agent 开发平台，适合快速接入渠道、知识库、工具和人工接管。

六、低代码与可视化平台：把 Agent 交给更广泛的开发者

51. Dify：集提示词、RAG、Agent、工作流、模型管理和发布于一体，适合快速交付完整 AI 应用。
52. Langflow：拖拽式构建 Agent 流程，同时允许修改 Python 组件，兼顾原型和定制。
53. Flowise：TypeScript 生态的可视化 LLM／Agent 构建器，适合快速搭建 RAG 和多步骤流程。
54. n8n：将 Agent 节点放进业务自动化集成生态，适合 SaaS、数据库和企业系统联动。
55. FastGPT：知识库、数据处理和可视化工作流结合紧密，适合中文知识问答与业务 Agent。
56. RAGFlow：以深度文档理解和可追溯 RAG 为基础，同时提供 Agent 与工作流能力。
57. BISHENG：面向企业场景的可视化 LLM 应用平台，支持知识库、流程编排和业务集成。
58. Coze Studio：可视化 Agent、插件、知识库和工作流开发平台，适合构建多渠道智能体。
59. Promptflow：微软的 LLM 流程开发工具，突出流程可视化、批量运行、评估和版本管理。
60. Rivet：图形化 AI 编程环境，能把提示词、工具和 Agent 执行过程做成可检查的流程图。

七、自主 Agent 与软件开发：从目标到代码仓库

61. AutoGPT Platform：从早期自主目标执行发展到可持续运行、可编排的 Agent 平台。
62. SuperAGI：早期开发者优先的自主 Agent 框架，包含 GUI、工具和 Agent 管理；采用前应检查维护状态。
63. AgentGPT：在浏览器中输入目标，让 Agent 自动规划并执行，适合无代码体验自主 Agent。
64. BabyAGI：用极少代码展示“任务创建—执行—优先级调整”循环，教学价值高于生产价值。
65. OpenHands：面向软件工程的 Agent 平台，能操作代码、终端和浏览器，并提供沙箱及评估体系。
66. SWE-agent：接收 GitHub Issue，定位并修改仓库代码，常用于 SWE-bench 和自动修复研究。
67. Aider：终端中的 AI 结对编程工具，与 Git 仓库结合紧密，编辑、提交和模型切换直接。
68. Cline：IDE 内编码 Agent，能读项目、编辑文件、运行命令，并通过人工审批控制危险操作。
69. GPT Pilot：强调从需求、规格和任务规划到编码、调试的完整应用开发流程。
70. Devika：开源 Agentic 软件工程师，包含任务拆解、联网研究、规划和代码生成。

八、编程、科研与数据：垂直 Agent 开始形成完整闭环

71. OpenCode：终端优先的开源编码 Agent，重视模型选择、会话和开发者工作流。
72. Continue：开源 IDE AI 助手，支持聊天、编辑和 Agent 模式，便于接入不同模型与内部代码库。
73. Plandex：面向大型编码任务，强调计划、上下文管理、差异审查和分步执行。
74. GPT Engineer：从自然语言需求生成代码项目，适合学习“需求到代码库”的 Agent 流程。
75. RepoAgent：专注仓库级代码理解和文档自动生成，适合遗留项目知识整理。
76. GPT Researcher：自动搜索、筛选和综合来源，生成带引用的研究报告，是深度研究 Agent 的代表。
77. STORM：斯坦福推出的知识整理系统，通过多视角提问和检索生成带引用的长文。
78. AI Scientist：自动提出研究想法、运行实验并生成论文，探索自动化科学发现的完整闭环。
79. AIDE：用树搜索自动进行机器学习实验设计、代码生成和指标优化。
80. DB-GPT：面向数据库、数据分析与私有化部署，结合 Text-to-SQL、RAG 和多 Agent 数据应用。

九、浏览器、电脑与手机：Agent 开始操作真实界面

81. browser-use：给模型一个目标，由 Agent 自主观察并操作真实浏览器，适合开放式网页任务。
82. Stagehand：用 Act、Extract、Observe 等 AI 原语补充确定性浏览器代码，适合可维护的自动化流程。
83. Skyvern：视觉与 LLM 驱动网页操作，面向表单、门户和业务流程，定位接近 AI RPA。
84. LaVague：将网页理解、规划和动作代码生成分层，适合研究 Large Action Model 与浏览器 Agent。
85. Nanobrowser：以 Chrome 扩展运行浏览器 Agent，可利用当前浏览器环境，并支持多 Agent 协作。
86. Notte：面向 Web Agent 的开发与运行层，强调浏览器会话、结构化交互和任务执行。
87. AgentQL：用语义查询定位网页元素和提取数据，减少对传统 CSS 选择器的依赖。
88. Agent-S：面向通用 GUI 操作，结合分层规划、经验记忆和跨应用动作执行。
89. UFO：微软的 Windows 桌面 Agent，通过多 Agent 感知并操作不同桌面应用。
90. Mobile-Agent：面向手机 GUI 操作，结合视觉感知、规划和跨应用任务执行。

十、语音、Web3 与其他垂直场景

91. Pipecat：实时语音和多模态对话框架，适合处理音频流、打断、轮次管理及语音工具调用。
92. LiveKit Agents：将实时音视频基础设施与 Agent 结合，适合语音客服、实时助手和多模态交互。
93. Vocode：专注语音对话 Agent，封装语音识别、合成、流式对话和电话场景集成。
94. Eliza：强调角色人格、社交渠道和插件生态，常用于社交媒体、社区及 Web3 Agent。
95. Virtuals GAME：模块化 Agent 决策引擎，适合游戏、虚拟角色和链上交互 Agent。
96. Coinbase AgentKit：为 Agent 提供钱包和链上操作工具，适合开发能够调用合约或执行链上操作的 Agent。
97. uAgents：Fetch.ai 的轻量去中心化 Agent 框架，重点是身份、消息通信和 Agent 网络。
98. Open Interpreter：用自然语言驱动本地代码执行和电脑操作，适合本地自动化及个人助手实验。
99. Adala：面向数据标注和数据处理，让 Agent 根据真实标注、反馈和反思迭代。
100. Vision Agent：让 Agent 为视觉任务选择模型并生成代码，适合检测、分割和图像分析自动化。

为什么把 praxo-core 放进这张地图

在这 100 个项目中，praxo-core 的入选理由不是 Star 数，也不是“又支持了一批模型”，而是它选择了一个相对少见的交叉点：受治理执行、跨语言契约与遗留系统嵌入。

praxo-core 将自身定位为可嵌入的 Agent 执行内核。Go 是参考实现，核心提供策略钩子、工具授权、人工审批、会话与检查点契约、结构化事件，以及模型、工具、记忆、检索和沙箱等适配边界。它可以独立使用，不要求接入其他 AxisVela 产品。

它的另一个特点是对能力边界的公开区分：

• 框架实现某项能力，不等于使用方不再需要部署安全控制；
• 提供沙箱接口，不等于已经提供操作系统级隔离；
• 提供检查点，不等于自动获得外部事务或 exactly-once 保证；
• 存在多种语言实现，不等于每种语言都与 Go 参考实现完全同能。

当前文档把 Go、Python、TypeScript、Java、Rust、R 和 C# 列为 Agent-capable 实现，把 PHP、C、Fortran、COBOL 等列为 extended 实现。这样的分级比一句笼统的“支持几十种语言”更有工程意义。

praxo-core 仍是早期项目，外部生产采用和第三方验证有待积累。因此，更准确的表述是：它具备进入“特色框架地图”的技术差异化，但尚不能据此宣称进入主流采用度前 100。

如何选择：先看问题，再看框架

如果你正在做技术选型，可以从下面的问题开始：

• 复杂状态、长流程、故障恢复与人工审批：优先评估 LangGraph、Microsoft Agent Framework。
• 快速搭建角色分工的多 Agent 团队：评估 CrewAI、CAMEL、MetaGPT。
• OpenAI 为主的轻量生产应用：评估 OpenAI Agents SDK。
• Gemini／Google Cloud：评估 Google ADK。
• AWS／Bedrock：评估 Strands Agents。
• 类型安全的 Python 服务：评估 Pydantic AI、Atomic Agents。
• TypeScript 全栈产品：评估 Mastra、Vercel AI SDK、VoltAgent。
• Java 企业系统：评估 Spring AI、Spring AI Alibaba、LangChain4j。
• RAG 与企业知识库：评估 LlamaIndex Workflows、Haystack、RAGFlow。
• 低代码业务应用：评估 Dify、n8n、Langflow、Flowise。
• 自动修复代码：评估 OpenHands、SWE-agent。
• 日常辅助编程：评估 Aider、Cline、OpenCode。
• 浏览器自动化：评估 browser-use、Stagehand、Skyvern。
• 实时语音 Agent：评估 Pipecat、LiveKit Agents。
• 长期记忆与个性化助手：评估 Letta。
• 遗留系统、多语言嵌入和显式治理边界：可以评估 praxo-core、Griptape，以及目标语言生态中的原生框架。
• 学习 Agent 基本原理：smolagents、BabyAGI、OpenAI Swarm 比大型平台更容易看清执行循环。

这张地图背后的五个趋势

1. Agent 与 Workflow 正在合流

完全自主的循环并不适合所有任务。确定性步骤用程序表达，开放性步骤交给 Agent，往往比“一切交给模型”更可靠。图工作流、检查点和人工审批因此成为基础设施。

2. 工具调用只是起点，执行边界才是难点

真正的生产问题包括权限、凭证、幂等性、超时、重试、成本、审计和故障恢复。一个框架如果能清楚说明“自己负责什么、使用方负责什么”，通常比功能列表更长但边界模糊的项目更可信。

3. MCP、A2A 等协议正在减少集成锁定

工具与 Agent 的互联逐步标准化，但协议兼容不等于自动安全。连接不可信工具、提示词注入和跨 Agent 权限传递，仍需要独立的治理设计。

4. 多语言的重点不是数量，而是可验证的一致性

企业系统不会因为 Agent 流行就全部重写成 Python。Java、Go、C#、COBOL、Fortran 等环境仍有真实需求。多语言框架真正困难的是契约、行为覆盖、测试向量和升级兼容性，而不是生成一批同名 API。

5. 垂直 Agent 正在比通用 Agent 更快形成闭环

编码、科研、浏览器操作、数据分析和语音客服都有更明确的输入、工具与评价标准。它们往往比“什么都能做”的通用 Agent 更容易证明价值。

结语

Agent 框架的价值，不在于把 ReAct 循环再包装一次，而在于帮助开发者处理状态、工具、协作、治理和证据。

这 100 个项目没有统一名次，也不存在适合所有场景的唯一答案。成熟项目值得优先评估，新项目则可以通过清晰的架构差异进入观察名单。对 praxo-core 而言，多语言与治理只是起点；真正决定它能否从“有特色”走向“被采用”的，将是外部用户、独立复现、真实工作负载和长期维护。

最后一条选型建议：如果一个普通程序就能可靠完成任务，不要为了使用 Agent 而使用 Agent。