GitHub上的多智能体系统：10个框架真实星数
多智能体系统让多个 AI 角色分工协作完成一个任务。星数能说明热度，但选型真正该看的是协作模式是否匹配你的问题。以下星数来自自建星标追踪快照（2026 年 7 月底），同一项目在不同快照里会有波动。
💡 你将学到
多智能体系统让多个 AI 角色分工协作完成一个任务。星数能说明热度，但选型真正该看的是协作模式是否匹配你的问题。以下星数来自自建星标追踪快照（2026 年 7 月底），同一项目在不同快照里会有波动。
GitHub上的多智能体系统：10个框架真实星数
多智能体系统让多个 AI 角色分工协作完成一个任务。星数能说明热度，但选型真正该看的是协作模式是否匹配你的问题。以下星数来自自建星标追踪快照（2026 年 7 月底），同一项目在不同快照里会有波动。
一、10 个框架
| 项目 | 星数 | 协作模式 | 一句话 |
|---|---|---|---|
| OpenHands | 约 8.3 万 | 多角色软件开发 | 规划、执行、验证分工写代码 |
| AutoGen | 约 6 万 | 对话协商 | 微软出品，最经典的多智能体框架 |
| CrewAI | 约 5.6 万 | 角色分工 | 上手最快，团队式串联任务 |
| Phidata | 约 4.2 万 | 角色分工 | 自带界面与监控 |
| LangGraph | 约 3.9 万 | 编排者-工人 | 图编排，生产环境首选 |
| CAMEL | 约 3 万 | 角色扮演 | 学术出身，用角色设定驱动对话 |
| Semantic Kernel | 约 2.8 万 | 编排者-工人 | 跨语言 SDK，插件生态好 |
| Eliza | 约 1.9 万 | 自主个体 | 偏社交与自主行为 |
| TaskWeaver | 约 6 千 | 代码优先 | 数据分析场景顺手 |
| AgentVerse | 约 5 千 | 仿真 | 研究多智能体涌现行为 |
另外 llama-models 约 7.7 千星，里面有官方的多智能体示例，适合用来读实现而不是直接上生产。
二、三种协作模式怎么选
编排者-工人（Orchestrator-Worker） 一个管理者拆任务分给专职工人，最后由管理者汇总。流程确定、易调试，适合任务能事先拆分的场景。 典型：LangGraph、Semantic Kernel。
对话协商（Conversation） 智能体之间互相发消息，直到收敛出结果。灵活，但轮次不可预测。 典型：AutoGen。
角色扮演（Role-Playing） 给每个角色设定身份和立场，让它们对话推进。适合需要多视角讨论的任务。 典型：CAMEL、AgentVerse。
判断标准很简单：任务能写明白子步骤就用第一种，需要探索和讨论用第二、三种。
三、成本必须提前算
多智能体的 token 消耗通常是单智能体的 3 到 10 倍。原因是每个角色都是一次完整的对话上下文，中间消息还会互相叠加。几个能立刻用的约束：
- 给每个智能体设最大轮次上限，避免互相对话停不下来
- 中间环节用便宜模型，只在最终判断用强模型
- 把共享上下文做精简，别把全量历史在每个角色间复制
- 上线前先用固定任务集跑一遍，量出真实平均成本再决定要不要全量开
四、怎么开始
新手从 CrewAI 入手：定义两三个角色，给每个角色一个任务，先跑通一条链路。等到需要条件分支、重试、人工介入，再迁到 LangGraph 这种图编排方案。上来就做复杂拓扑，多半卡在调试阶段。
评估做得好不好，看三点：任务完成率、单任务平均成本、需要人工干预的频率。只看第一个指标容易做出又慢又贵的系统。
常见问题
Q：多智能体一定比单智能体强吗？ 不一定。任务能干净地拆成互不干扰的子任务时，分工有收益；只是问答类需求，多智能体只会变慢变贵。
Q：几个智能体合适？ 多数实用系统在 2 到 5 个之间。超过这个数，协调开销常常吃掉分工带来的收益。
Q：怎么调试？ 把每一步的输入输出落盘或送进追踪工具，先确认是哪个角色跑偏，而不是一上来就改提示词。
Q：能混用不同厂商的模型吗？ 可以，而且常是好策略：便宜模型处理中间步骤，强模型负责最终决策。注意各家工具调用格式不同，要留一层适配。
注：星数与版本持续变动，具体以各项目官方仓库为准。
相关文章
❓ 常见问题
Is multi-agent better than single-agent?
For tasks with separable subtasks, yes - research and industry both show gains; for simple Q and A, no.
What is the token cost?
Multi-agent multiplies token usage - each agent is a full LLM conversation. Budget 3-10x a single agent.
本站文章由编辑人工撰写，收录的工具均经过实测或公开资料核验。文中链接指向工具官网或 GitHub 仓库，仅作信息参考，不构成付费推广。