autogen相关开源项目

autogen、crewai、langflow、ragflow等Agent与RAG相关汇总入口。摘要做一些简介和对比。

一些学习资源或参考资料：

crewAI

领先的多智能体平台：通过强大的人工智能代理简化跨行业的流程。使用任何LLM和云平台构建和部署自动化工作流。

用于协调角色扮演的自主人工智能代理的框架。通过培养协作智能，CrewAI 赋能代理无缝协作，解决复杂任务。

github：https://github.com/crewAIInc/crewAI

官网：https://www.crewai.com/

autogen

AutoGen is a framework for creating multi-agent AI applications that can act autonomously or work alongside humans.

github:https://github.com/microsoft/autogen

官网：https://microsoft.github.io/autogen/stable/

安装：

安装autogen和autogen studio:

bash

pip install -U "autogen-agentchat" "autogen-ext[openai]"

pip install -U "autogenstudio"

studio启动：

bash

autogenstudio ui --port 8080 --appdir ./my-app

方便启动，设置zshrc：

bash

alias studio="autogenstudio ui --port 8080 --appdir ~/projects/autogen_studio"

Autogen定位为多智能体编排工具，与FlangFlow的对比：

AutoGen 与 OpenAI Agent SDK 的对比：

维度	AutoGen	OpenAI Agent SDK
开发背景	微软开发，开源多代理框架	OpenAI 推出，轻量级生产就绪工具包
核心功能	多代理协作、高度可定制、代码执行、人机交互	轻量设计、多代理编排、结构化输出、OpenAI 集成
易用性	学习曲线稍陡，AutoGen Studio 降低门槛	上手简单，API 清晰，适合快速开发
适用场景	复杂协作任务（软件开发、数据分析）	简单到中等任务（客服、内容生成）
社区与生态	开源，社区活跃，支持多种 LLM	OpenAI 生态，发展中，专注 OpenAI 模型
局限性	配置复杂，非 OpenAI 模型需额外适配	功能有限，定制性较弱，仍在完善
推荐人群	需要深度定制、复杂工作流的开发者	快速原型开发、依赖 OpenAI 模型的用户

AutoGen与其他竞品对比：

框架	开发背景	核心特点	优势	与 AutoGen 的区别
AutoGen	微软，开源	多代理协作、可定制、代码执行、人机交互	企业级功能，复杂任务支持	-
CrewAI	开源社区	角色分工、多代理协作	简单易用，快速原型开发	更简洁，功能不如 AutoGen 丰富
LangChain / LangGraph	开源社区	数据整合、多代理工作流（图结构）	生态丰富，工具调用强	偏单代理或数据驱动，协作性稍弱
OpenAI Agent SDK	OpenAI	轻量设计、结构化输出、OpenAI 集成	上手快，生产就绪	功能基础，定制性不如 AutoGen
MetaGPT	开源社区	软件开发团队模拟、代码生成	专注软件开发，代码质量高	应用范围窄，协作不如 AutoGen 通用
MiniAutoGen	开源社区	轻量多代理对话	简洁灵活，资源占用低	功能少，缺乏企业级支持
GenWorlds	开源社区	事件驱动、多代理交互	交互性强，适合复杂模拟	事件而非对话驱动，配置更复杂
AutoGPT	开源社区	单代理任务自动化	配置简单，适合小任务	无多代理协作，定制性弱

多智能体框架里面，最值得研究的首推crewAI，适合入门，体验好。

langflow

Langflow is a powerful tool for building and deploying AI-powered agents and workflows.

github：https://github.com/langflow-ai/langflow

官网：https://www.langflow.org/

安装：

Install with uv (recommended)

bash

uv venv langflow
cd langflow && source bin/activate
uv pip install langflow

bash

alias langflow="cd ~/projects/langflow && source bin/activate && python -m langflow run"

Install with pip

bash

pip install langflow

运行：

bash

python -m langflow run

方便启动，设置zshrc：

bash

alias langflow="python -m langflow run"

与autogen对比，简单理解：

Langflow 就像一个可视化编程环境，你可以用它来设计各种 NLP 流程，包括如何处理文本、调用模型等等。如果你想创建一个问答系统，你可能会用 Langflow 连接一个文档加载器、一个文本分割器、一个向量数据库和一个语言模型。

AutoGen 更像是一个“导演”，你可以定义多个“演员”（智能体），并告诉他们各自的角色和目标，然后让他们相互交流、协作，共同完成一个复杂的任务。例如，你可以创建一个程序员智能体和一个项目经理智能体，让他们一起完成一个软件开发项目。

autogen与langflow的使用场景不一样，langflow的RAG功能比autogen的更强。

使用文档QA示例：

简单替换openai为gemini：

文档查询的工作流就创建完毕了，可以在对话框问答，也可以通过api：

curl -X POST \
    "http://127.0.0.1:7860/api/v1/run/c6973f72-73c1-46bd-baaf-408b9482a6c1?stream=false" \
    -H 'Content-Type: application/json'\
    -d '{"input_value": "如何解锁copilot",
    "output_type": "chat",
    "input_type": "chat",
    "tweaks": {
  "ChatInput-p9oJx": {},
  "ChatOutput-q3Esq": {},
  "ParseData-RHvJ3": {},
  "File-ijQBE": {},
  "Prompt-NgjhF": {},
  "GoogleGenerativeAIModel-1A1Me": {}
}}'

在roo code中让AI写自己的MCP Server，提示词示例：

请为我开发一个用于文档问答系统的MCP Tool，要求实现用户能够输入要检索的提示词，然后进行检索，最后获取到检索的结果。

下面是文档问答系统的api交互方式：

## 请求内容如下，其中input_value的值就是用于检索的提示词
curl -X POST \
    "http://127.0.0.1:7860/api/v1/run/c6973f72-73c1-46bd-baaf-408b9482a6c1?stream=false" \
    -H 'Content-Type: application/json'\
    -d '{"input_value": "如何解锁copilot",
    "output_type": "chat",
    "input_type": "chat",
    "tweaks": {
  "ChatInput-p9oJx": {},
  "ChatOutput-q3Esq": {},
  "ParseData-RHvJ3": {},
  "File-ijQBE": {},
  "Prompt-NgjhF": {},
  "GoogleGenerativeAIModel-1A1Me": {}
}}'

## 响应内容格式如下，其中text的值就是检索到的结果

{"session_id":"c6973f72-73c1-46bd-baaf-408b9482a6c1","outputs":[{"inputs":{"input_value":"如何解锁copilot"},"outputs":[{"results":{"message":{"text_key":"text","data":{"timestamp":"2025-03-25T12:09:12+00:00","sender":"Machine","sender_name":"AI","session_id":"c6973f72-73c1-46bd-baaf-408b9482a6c1","text":"要解锁完整版的Copilot并解决调用Claude3.7模型报错，需要去掉`x-onbehalf-extension-id`。具体步骤是：\n\n1.  找到配置文件并去掉以下代码：`,\"x-onbehalf-extension-id\":`${A}/${c}`\n2.  保存修改后的文件。\n3.  重启VS Code。\n\n解锁后，Copilot就可以使用claude 3.7模型了。\n","files":[],"error":false,"edit":false,"properties":{"text_color":"","background_color":"","edited":false,"source":{"id":"GoogleGenerativeAIModel-1A1Me","display_name":"Google Generative AI","source":"gemini-2.0-flash"},"icon":"GoogleGenerativeAI","allow_markdown":false,"positive_feedback":null,"state":"complete","targets":[]},"category":"message","content_blocks":[],"id":"6605c870-ddef-4c0a-83a8-cb84b86c9bdf","flow_id":"c6973f72-73c1-46bd-baaf-408b9482a6c1"},"default_value":"","text":"要解锁完整版的Copilot并解决调用Claude3.7模型报错，需要去掉`x-onbehalf-extension-id`。具体步骤是：\n\n1.  找到配置文件并去掉以下代码：`,\"x-onbehalf-extension-id\":`${A}/${c}`\n2.  保存修改后的文件。\n3.  重启VS Code。\n\n解锁后，Copilot就可以使用claude 3.7模型了。\n","sender":"Machine","sender_name":"AI","files":[],"session_id":"c6973f72-73c1-46bd-baaf-408b9482a6c1","timestamp":"2025-03-25T12:09:12+00:00","flow_id":"c6973f72-73c1-46bd-baaf-408b9482a6c1","error":false,"edit":false,"properties":{"text_color":"","background_color":"","edited":false,"source":{"id":"GoogleGenerativeAIModel-1A1Me","display_name":"Google Generative AI","source":"gemini-2.0-flash"},"icon":"GoogleGenerativeAI","allow_markdown":false,"positive_feedback":null,"state":"complete","targets":[]},"category":"message","content_blocks":[]}},"artifacts":{"message":"要解锁完整版的Copilot并解决调用Claude3.7模型报错，需要去掉`x-onbehalf-extension-id`。具体步骤是：\n\n1.  找到配置文件并去掉以下代码：`,\"x-onbehalf-extension-id\":`${A}/${c}`\n\n2.  保存修改后的文件。\n\n3.  重启VS Code。\n\n解锁后，Copilot就可以使用claude 3.7模型了。\n\n","sender":"Machine","sender_name":"AI","files":[],"type":"object"},"outputs":{"message":{"message":"要解锁完整版的Copilot并解决调用Claude3.7模型报错，需要去掉`x-onbehalf-extension-id`。具体步骤是：\n\n1.  找到配置文件并去掉以下代码：`,\"x-onbehalf-extension-id\":`${A}/${c}`\n2.  保存修改后的文件。\n3.  重启VS Code。\n\n解锁后，Copilot就可以使用claude 3.7模型了。\n","type":"text"}},"logs":{"message":[]},"messages":[{"message":"要解锁完整版的Copilot并解决调用Claude3.7模型报错，需要去掉`x-onbehalf-extension-id`。具体步骤是：\n\n1.  找到配置文件并去掉以下代码：`,\"x-onbehalf-extension-id\":`${A}/${c}`\n\n2.  保存修改后的文件。\n\n3.  重启VS Code。\n\n解锁后，Copilot就可以使用claude 3.7模型了。\n\n","sender":"Machine","sender_name":"AI","session_id":"c6973f72-73c1-46bd-baaf-408b9482a6c1","stream_url":null,"component_id":"ChatOutput-q3Esq","files":[],"type":"text"}],"timedelta":null,"duration":null,"component_display_name":"Chat Output","component_id":"ChatOutput-q3Esq","used_frozen_result":false}]}]}

然后扔给AI就可以了：

一次性完成，非常完美：

然后roo code就可以调用MCP了：

Flowise

Drag & drop UI to build your customized LLM flow

与langflow类似，是langflow最大的竞品。

github：https://github.com/FlowiseAI/Flowise

官网：https://flowiseai.com/

与langflow区别：

Langflow更适合需要深度定制和与LangChain框架紧密集成的复杂项目，尤其是在原型设计阶段。它的界面对于熟悉LangChain的开发人员来说很直观。

Flowise更侧重于易用性和快速部署，拥有一个模板市场，使其成为初学者和希望快速构建LLM应用程序的团队的理想选择。它在集成外部平台和处理来自各种来源的数据方面可能更灵活。

Langflow、FlowiseAI和Dify的对比分析：

相同点：

可视化界面: Langflow、FlowiseAI和Dify都提供用户友好的拖放界面，旨在简化大型语言模型（LLM）应用程序的构建过程，无需或很少需要编码. 它们都旨在使AI开发对更广泛的用户可访问.

LLM应用构建: 这三个平台都专注于帮助用户构建基于大型语言模型的应用程序，如聊天机器人、文档分析系统等.

低代码/无代码: 它们都属于低代码或无代码平台，旨在降低AI开发的门槛.

集成能力: 它们都支持与各种AI模型、API和数据源的集成.

快速原型设计: 这三个平台都非常适合快速原型设计和实验.

不同点：

langgraph

Build resilient language agents as graphs.

github：https://github.com/langchain-ai/langgraph

官网：https://langchain-ai.github.io/langgraph/

核心定位：用于构建复杂、有状态、多参与者的 LangChain 应用的框架，特别是涉及智能体 (Agents) 交互的场景。

设计理念：将工作流视为一个图 (Graph)，其中节点代表不同的步骤或智能体，边代表它们之间的交互和状态转移。这使得构建更复杂的、可以进行决策和循环的流程成为可能。

与langflow区别：

简单理解：

Langflow 就像一个画板，你可以用各种预制的形状（LangChain 组件）画出你的 NLP 流程。

LangGraph 更像是一个编程框架，你需要用代码来定义一个复杂的流程图，其中每个节点可以是一个智能体，边代表它们之间的对话和协作。

总结：langgraph复杂，比Langflow复杂，不清楚使用场景就默认不碰。

ragflow

RAGFlow is an open-source RAG (Retrieval-Augmented Generation) engine based on deep document understanding.

github：https://github.com/infiniflow/ragflow

官网：https://ragflow.io/

与langflow区别：

简单理解：

RAGflow 更像是一个专精的工具，它的目标就是让你更方便、更高效地构建RAG系统。它可能提供了一些预设的 RAG 流程、优化的组件或者特定的功能来简化 RAG 的开发过程。

Langflow 是一个多面手，它提供了一个通用的平台，你可以用它来搭建各种 NLP 应用，其中构建 RAG 系统只是它的一个能力。你可以使用 Langflow 提供的各种工具和组件来创建一个RAG工作流。

LightRAG

LightRAG: Simple and Fast Retrieval-Augmented Generation

github：https://github.com/HKUDS/LightRAG

与ragflow区别：

说明：

LightRAG: 更像一个轻量级工具，适合快速部署和动态调整，强调效率和低资源占用。
RAGFlow: 更像一个全能平台，适合需要强大功能和复杂数据处理的企业场景。

与graphrag对比：

graphrag

A modular graph-based Retrieval-Augmented Generation (RAG) system

github：https://github.com/microsoft/graphrag

官网：https://microsoft.github.io/graphrag/

Graph RAG 与 RAGFlow 对比：

Graph RAG 和 RAGFlow 都是检索增强生成（Retrieval-Augmented Generation, RAG）技术领域的代表性框架，但它们在设计理念、功能定位和技术实现上存在显著差异。以下从多个维度对两者进行详细对比，帮助理解它们的适用场景和优劣势。

基本概念

Graph RAG

定义: Graph RAG 是一种基于知识图谱（Knowledge Graph, KG）的 RAG 技术，通过将信息组织为实体和关系的结构化网络，增强检索和生成能力。它由微软提出并开源，强调利用图结构来提升复杂查询的处理能力。
核心特点: 通过知识图谱捕捉实体间的关系，支持多跳推理和全局性问题的回答，例如总结性查询（Query-Focused Summarization, QFS）。
技术基础: 结合大语言模型（LLM）自动构建知识图谱，并通过图遍历和社区摘要生成答案。

RAGFlow

定义: RAGFlow 是一个开源的 RAG 引擎，由 Infiniflow 开发，专注于深度文档理解和多模态数据处理，旨在为企业和个人提供高效的知识检索与生成工作流。
核心特点: 支持多种文件格式（PDF、Word、图片等）的精细解析，提供灵活的配置和可视化工具，强调易用性和工程化实践。
技术基础: 集成多种 LLM 和向量数据库，优化文档切分、索引和检索流程，支持 Graph RAG 作为其功能模块之一。

技术实现对比

维度	Graph RAG	RAGFlow
数据表示	基于知识图谱，结构化表示实体和关系	主要基于向量数据库，支持知识图谱扩展
检索方式	图遍历 + 向量搜索，强调关系推理	向量相似性检索为主，可选知识图谱增强
文档处理	依赖外部预处理，专注图构建和查询	内置深度文档解析，支持多模态和复杂格式
生成能力	通过社区摘要和图上下文生成全局答案	结合检索内容和 LLM 生成，支持引用溯源
扩展性	专注于知识图谱场景，扩展需自定义实现	模块化设计，支持多种 LLM 和数据库集成

功能与优势

Graph RAG

优势:
- 复杂查询处理: 适合多跳推理和全局性问题，如“数据集的主题是什么？”。
- 上下文理解: 通过知识图谱提供更丰富的语义上下文，减少 LLM 幻觉。
- 高效性: 相比传统 RAG，Token 消耗更低（论文显示减少 26%-97%）。
局限:
- 构建成本: 知识图谱的自动构建依赖 LLM，计算资源需求较高。
- 适用范围: 更适合结构化数据或需深度关系分析的场景，对非结构化数据处理能力有限。

RAGFlow

优势:
- 多模态支持: 支持丰富的文件类型（如图片、PDF、Excel），解析能力强。
- 易用性: 提供可视化界面和配置选项，降低使用门槛。
- 灵活性: 集成 Graph RAG 功能，同时支持传统 RAG，适用场景更广。
局限:
- 检索精度: 传统向量检索为主，在复杂推理任务上可能不如 Graph RAG。
- 性能开销: 处理复杂文档时，解析和索引可能较耗时。

适用场景

Graph RAG:
- 适用于需要深度语义理解和关系推理的任务，如知识问答、学术研究、法律分析等。
- 适合已有结构化数据或能构建高质量知识图谱的场景。
RAGFlow:
- 适用于企业知识管理、文档密集型应用（如技术文档、客服知识库）。
- 适合快速部署和处理非结构化、多模态数据的场景。

实际案例对比

案例: 处理《西游记》第 3-7 回内容，回答“唐僧团队的关系如何影响任务？”。
- Graph RAG: 通过构建人物关系图谱（唐僧-孙悟空-猪八戒等），分析多跳关系，提供深入回答。
- RAGFlow: 依赖文档切片和向量检索，可能返回片段化信息，需用户进一步整合。

结论与建议

选择 Graph RAG:
- 如果你的需求集中在复杂查询、多跳推理或全局总结，且有资源支持知识图谱构建。
选择 RAGFlow:
- 如果你需要一个开箱即用的 RAG 解决方案，处理多样化文档，并希望兼顾易用性和扩展性。
结合使用: RAGFlow 已集成 Graph RAG 功能，可根据具体任务灵活切换，兼顾两者的优势。

综上，Graph RAG 在特定场景下提供更高的精度和深度，而 RAGFlow 则以全面性和实用性取胜。选择时应基于数据特性、业务需求和资源条件权衡。

autogen相关开源项目 ​

crewAI ​

autogen ​

langflow ​

Flowise ​

langgraph ​

ragflow ​

LightRAG ​

graphrag ​

autogen相关开源项目

crewAI

autogen

langflow

Flowise

langgraph

ragflow

LightRAG

graphrag