# AutoGen 进入维护模式，FDE 选框架该先问什么

> 微软已引导新用户转向 Agent Framework，选型先问谁来维护，再问安全团队能否放行。

原文: https://fdetimes.net/zh/tools/autogen-maintenance-mode-choosing-multi-agent-framework/

微软随后补充，新用户应从 Microsoft Agent Framework 起步。

设想这样一位客户：去年基于 AutoGen 做了一个智能体概念验证，现在想把它推上生产环境。你要告诉他们的第一件事，与提示词或智能体架构都无关。

你得告诉他们：他们依赖的框架已经进入维护模式，而且微软自己也为新项目推荐了另一款产品。

对前线部署工程师（FDE）来说，选择多智能体框架是一项尽职调查，不是个人口味问题。你离开之后，客户还要长期承担这个选择的后果。因此，本文按客户安全团队或 CTO 提问的顺序展开。

## 还有谁在维护？

AutoGen 是最直接的教训。代码仍采用 MIT 许可证，客户依然可以使用和 fork。维护模式并不意味着项目消失了。但既然微软自己都让新用户从 Agent Framework 起步，新项目在基于 AutoGen 构建之前就应该慎重考虑。

旧文档同样可能误导你。Microsoft Research 的 AutoGen 页面至今仍把 v0.4 介绍为一次彻底重新设计，采用异步、事件驱动架构。这个页面没有标注日期，也只字未提 Agent Framework。如果只读这一页，很容易以为 AutoGen 仍是新项目的默认选择。

还有一个命名陷阱。smol.ai 是另一家公司，做的是持续微调平台，与 Hugging Face 的 smolagents 无关。在发给客户的架构文档里写错名字，是丢掉信誉最快的方式。

## 各框架承诺了什么？

弄清哪些框架仍被推荐用于新项目之后，下一步是读它们如何介绍自己。这只是它们的承诺，尚未经过验证。

| 框架 | 自我定位 | 值得核实 | 许可证 |
|---|---|---|---|
| CrewAI | 智能体、crew、flow；宣称从第一天起即可用于生产 | 支持 start/listen/router 的 Flows、状态持久化、恢复长工作流 | 自行核实 |
| AutoGen | 异步、事件驱动架构（v0.4） | 处于维护状态；微软推荐 Agent Framework | MIT（代码） |
| Agno | 用于智能体平台的框架加运行时（AgentOS） | 使用你自己的数据库，可在任意云容器中运行 | Apache-2.0 |
| smolagents | 约一千行代码的智能体内核 | CodeAgent，可通过 Modal、Blaxel、E2B、Docker 沙箱运行 | 自行核实 |

CrewAI 称护栏、记忆、知识和可观测性全部内置。这有助于提速，但也意味着要接受 CrewAI 对这些概念的定义。smolagents 走的是另一条路，在原始代码之上尽量保持抽象层轻薄。

## 一个测试案例：银行的文档处理智能体

假设客户是一家银行，想要一套智能体系统来读取贷款申请、查询内部数据，再把案件转交给人工审核员。摆在桌面上的需求有四条，每一条都把你推向不同方向。

第一条来自安全团队：智能体不得在生产服务器上运行代码。这里 smolagents 占优，因为 CodeAgent 以代码形式编写动作，并可在 Docker 或 E2B 等沙箱中运行。走进安全评审时，你能给出具体答案。

第二条是一个持续数天、等待签字的审批流程。CrewAI Flows 适合这种场景，因为它会持久化执行状态，并能恢复长工作流。第三条是数据不得离开银行的基础设施。Agno 强调的正是这一点：你的数据库，你的云容器。

最后一条是模型必须在内部运行。smolagents 支持 Hub 上的模型、通过 LiteLLM 接入的 OpenAI 或 Anthropic，以及本地运行的 Transformers 或 Ollama。仅从文档看，每个框架侧重这些需求中的不同部分，所以你的任务是向客户讲清楚：选了某一个，他们优先保障的是什么，接受的取舍又是什么。

**要点:** 别问哪个框架最强。先问客户哪些需求不容商量，然后逐个排除。

## 仅凭文档评估的局限

上面列出的每项优势都是项目自己宣称的。“从第一天起即可用于生产”只是一句口号，直到你跑一个中途失败的工作流，看它能否真正恢复。对比表是起点，不是结论。

所以，一个小小的验证步骤比任何评测都重要。针对每个入围框架，用客户的一个真实用例做两天的 spike，胜过开很多次会。

## 先学什么？

如果你刚起步，先学 smolagents。约一千行的内核足够小，可以从头读到尾。稍作简化地说，你会发现智能体本质上就是一个循环：调用模型，执行动作，读取结果。然后再学 CrewAI Flows，掌握如何管理状态和长时间运行的工作流。

简历上别只罗列框架名称。可以写这样一行：“按维护状态、许可证和沙箱要求评估了四个智能体框架，为 X 系统选定了方案”。阅读 FDE 岗位描述时，留意 security review、on-prem 或 self-hosted 这类词，因为它们正是你刚刚练过的评估标准。

框架会不断更替，AutoGen 就是例证。以系统负责人的视角去读 README，这项能力可以带到任何项目中。

**本周动手试试:**

- 打开你所用每个框架的 README，把维护状态和许可证记录在一页表格里
- 在 Docker 沙箱中运行 smolagents CodeAgent，模型通过 Ollama 在本地运行
- 用 start/listen/router 搭一个三步的 CrewAI Flow，故意在中途停止，再检查它能否恢复

## 信源

- [CrewAI Documentation](https://docs.crewai.com/)

- [GitHub - microsoft/autogen](https://github.com/microsoft/autogen)

- [AutoGen - Microsoft Research](https://www.microsoft.com/en-us/research/project/autogen/)

- [GitHub - agno-agi/agno](https://github.com/agno-agi/agno)

- [smolagents (Hugging Face docs)](https://huggingface.co/docs/smolagents/index)

- [smol.ai - Continuous Fine-tuning Platform for AI Engineers](https://smol.candycode.dev/)
