FDE Times 数据在招 FDE 职位 881▼8 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 55在招公司 185支持远程 25%美国薪资中位数 $201k招聘最多 Databricks 98
ENVI

前线部署工程师(FDE)的专业媒体

工具

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。

与 AutoGen 维护模式和多智能体框架选型相关的配图。
图片:Simon Ray / Unsplash: 图片:Simon Ray / Unsplash
分享微博

要点速览

  • 微软已将 AutoGen 转入维护模式,建议新用户从 Microsoft Agent Framework 起步。
  • CrewAI 主打 crew 和有状态的 Flows,Agno 主打自主掌控技术栈,smolagents 主打极简内核和沙箱化代码执行。
  • 评估框架是一项尽职调查:维护、许可证和安全排在前面,功能排在最后。
信息图展示选择多智能体框架的三个步骤。第 1 步:CrewAI、AutoGen、Agno 和 smolagents 四张卡片,AutoGen 带红色边框和“淘汰”标签,因为它处于维护模式,微软建议改用 Agent Framework。第 2 步:银行的四项需求。智能体不得在生产服务器上运行代码,选 smolagents;持续数天的审批指向 CrewAI;数据不离开银行基础设施指向 Agno;模型必须内部运行指向 smolagents。计分:smolagents 2,CrewAI 1,Agno 1。第 3 步:用客户的一个真实用例,对 smolagents、CrewAI 和 Agno 各做两天 spike。
先剔除不再积极开发的框架,再把每项不容商量的需求对应到合适的框架,最后对剩下的每个框架做两天 spike。

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。

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。

这篇文章对你有帮助吗?

6 个信源
路线图上的下一篇 · 阶段 3: AI 应用最好的向量数据库,往往是客户已在用的那个每加一个服务,就多一套备份、监控和值班;客户已在用 Postgres,就先试 pgvector。