多智能体系统正在成为复杂 AI 应用的标准架构。本文对比主流框架的特点和适用场景。

一、框架概览

二、框架详解

2.1 Shannon

定位:生产级多智能体编排平台

核心特点:

• Go + Rust + Python 多语言架构
• Temporal 工作流引擎(确定性回放)
• 内置预算控制与成本追踪
• WASI 沙箱执行
• OPA 策略引擎

架构:

Orchestrator (Go)     → 任务路由、预算控制
Agent Core (Rust)     → 沙箱执行
LLM Service (Python)  → 模型调用、工具执行
Temporal              → 工作流编排

适用场景:

• 生产环境部署
• 需要成本控制
• 需要确定性调试
• 需要安全隔离

示例:

curl -X POST http://localhost:8080/api/v1/tasks \
  -d '{"query": "分析市场数据", "session_id": "quant-1"}'

2.2 AutoGen

定位:微软开源的对话式多智能体框架

核心特点:

• 基于对话的 Agent 交互
• 支持人机协作
• 代码执行能力
• 灵活的 Agent 定义

架构:

UserProxyAgent    → 代表用户,可执行代码
AssistantAgent    → LLM 驱动的助手
GroupChat         → 多 Agent 对话管理

适用场景:

• 研究和原型开发
• 代码生成任务
• 需要人机交互
• 对话式工作流

示例:

from autogen import AssistantAgent, UserProxyAgent

assistant = AssistantAgent("assistant", llm_config=llm_config)
user_proxy = UserProxyAgent("user_proxy", code_execution_config={"work_dir": "coding"})

user_proxy.initiate_chat(assistant, message="分析这个数据集")

2.3 CrewAI

定位:角色扮演式多智能体协作框架

核心特点:

• 角色定义清晰(Role, Goal, Backstory)
• 任务驱动
• 工具集成
• 简单易用

架构:

Agent    → 定义角色和能力
Task     → 定义具体任务
Crew     → 组织 Agent 协作
Tool     → Agent 可用工具

适用场景:

• 快速原型
• 角色明确的任务
• 内容生成
• 研究助手

示例:

from crewai import Agent, Task, Crew

researcher = Agent(
    role='市场研究员',
    goal='分析市场趋势',
    backstory='你是一个资深的量化分析师'
)

task = Task(
    description='分析 BTC 过去一周的走势',
    agent=researcher
)

crew = Crew(agents=[researcher], tasks=[task])
result = crew.kickoff()

2.4 LangGraph

定位:基于图结构的 Agent 工作流框架

核心特点:

• 状态机 + 图结构
• 循环和分支支持
• 与 LangChain 生态集成
• 可视化工作流

架构:

StateGraph   → 定义状态和转换
Node         → 处理节点(函数或 Agent)
Edge         → 状态转换逻辑
Checkpointer → 状态持久化

适用场景:

• 复杂工作流
• 需要循环逻辑
• 需要状态管理
• LangChain 用户

示例:

from langgraph.graph import StateGraph

workflow = StateGraph(AgentState)
workflow.add_node("analyze", analyze_market)
workflow.add_node("decide", make_decision)
workflow.add_edge("analyze", "decide")

app = workflow.compile()
result = app.invoke({"input": "分析市场"})

2.5 MetaGPT

定位:软件开发多智能体系统

核心特点:

• 模拟软件团队
• 角色:PM、架构师、工程师、QA
• 文档驱动开发
• 代码生成

架构:

ProductManager → 需求分析
Architect      → 系统设计
Engineer       → 代码实现
QA             → 测试验证

适用场景:

• 软件开发任务
• 代码生成
• 技术文档生成

三、对比矩阵

四、量化交易场景适配

4.1 场景:市场分析多智能体

4.2 场景:实时交易执行

原因:

• Shannon 有生产级编排和安全沙箱
• AutoGen/CrewAI 缺乏执行控制
• 实时交易需要低延迟和高可靠性

4.3 场景:策略研究原型

原因:研究阶段需要快速迭代,易用性更重要

五、架构选择决策树

你的主要需求是什么?
│
├─ 生产环境部署
│   ├─ 需要成本控制 → Shannon
│   ├─ 需要确定性回放 → Shannon
│   └─ 需要安全沙箱 → Shannon
│
├─ 快速原型开发
│   ├─ 对话式交互 → AutoGen
│   ├─ 角色扮演任务 → CrewAI
│   └─ 复杂工作流 → LangGraph
│
├─ 代码生成任务
│   ├─ 需要人机协作 → AutoGen
│   └─ 模拟开发团队 → MetaGPT
│
└─ 量化交易
    ├─ 研究阶段 → AutoGen / CrewAI
    └─ 实盘阶段 → Shannon

六、集成示例

6.1 Shannon + 量化策略

from shannon import ShannonClient

client = ShannonClient(base_url="http://localhost:8080")

# 提交分析任务
handle = client.submit_task(
    query="分析 BTC/USDT 市场状态,判断是趋势还是震荡",
    session_id="regime-detection"
)

# 等待结果
result = client.wait(handle.task_id)

6.2 AutoGen + 量化研究

from autogen import AssistantAgent, UserProxyAgent

quant_analyst = AssistantAgent(
    "quant_analyst",
    system_message="你是一个量化分析师,擅长分析市场数据和设计策略",
    llm_config=llm_config
)

user = UserProxyAgent(
    "user",
    code_execution_config={"work_dir": "research"}
)

user.initiate_chat(
    quant_analyst,
    message="设计一个基于 RSI 的均值回归策略"
)

6.3 CrewAI + 研究团队

from crewai import Agent, Task, Crew

analyst = Agent(
    role='量化分析师',
    goal='分析市场数据',
    tools=[market_data_tool]
)

developer = Agent(
    role='策略开发者',
    goal='将分析转化为代码',
    tools=[code_execution_tool]
)

reviewer = Agent(
    role='风控审核',
    goal='检查策略风险',
    tools=[risk_analysis_tool]
)

crew = Crew(
    agents=[analyst, developer, reviewer],
    tasks=[...],
    process="sequential"
)

七、未来趋势

1. 标准化:Agent 通信协议标准化
2. 专业化:垂直领域专用框架
3. 生产化:更多框架支持生产部署
4. 融合:多框架集成成为常态
5. 低代码:可视化 Agent 编排工具

八、选择建议

核心原则:没有完美的框架,只有适合场景的选择。研究阶段用简单的框架快速验证,生产阶段用稳健的框架确保可靠运行。