WBlog

wangzhiwei blog

0%

Autogen

发表于

根据最新时间，我为你详细对比 AutoGen vs LangGraph，帮你面试时清晰表达技术选型思路。

一、核心定位对比

维度 AutoGen LangGraph
设计哲学 对话驱动，Agent 像人一样聊天协作 状态机驱动，流程像 DAG 一样严谨执行
控制粒度 较灵活，框架决定发言顺序 强可控，开发者明确定义每一步流转
交互模式 自然语言对话，多轮协商 结构化状态（State），节点间数据传递
适用场景 开放探索、创意任务、代码生成 企业流程、审批链路、合规要求
学习曲线 低，几行代码启动多 Agent 对话 中，需理解状态图、节点、边、条件分支
生态归属 微软主推，Azure 集成深 LangChain 官方，社区最大

二、架构差异图解

AutoGen：网状对话

1
2
3
4
5
UserProxy → Planner → Coder → Reviewer
     ↑        ↓         ↓        ↓
     └────────┴─────────┴────────┘
     
框架决定：谁说话、说几句、什么时候停

LangGraph：DAG 状态机

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
          ┌─────────┐
          │  Start  │
          └────┬────┘
               ▼
          ┌─────────┐
          │ Planner │──┐
          └────┬────┘  │
               ▼       │
          ┌─────────┐  │ (需要检索)
          │ Retrieve│◄─┘
          └────┬────┘
               ▼
          ┌─────────┐
          │ Generate│
          └────┬────┘
               ▼
          ┌─────────┐
          │  End    │
          └─────────┘

你定义：每一步去哪、条件分支、循环、并行

三、代码风格对比

相同任务：写 RAG API

AutoGen 版本（对话式）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from autogen import AssistantAgent, UserProxyAgent, GroupChat

# 创建专家 Agent
planner = AssistantAgent("planner", system_message="拆解RAG需求")
coder = AssistantAgent("coder", system_message="写FastAPI代码")
reviewer = AssistantAgent("reviewer", system_message="审查代码")

# 群聊，自动协调
groupchat = GroupChat(agents=[planner, coder, reviewer], messages=[], max_round=10)
manager = GroupChatManager(groupchat=groupchat)

# 启动：一句话需求，Agent 自己讨论实现
user_proxy.initiate_chat(manager, message="写个RAG API")
# 结果：对话历史，代码在 work_dir 里

LangGraph 版本（你的简历，状态机式）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
from langgraph.graph import StateGraph, END

# 明确定义状态
class RAGState(TypedDict):
    query: str
    plan: dict
    documents: list
    answer: str

# 明确定义每个节点做什么
def plan_step(state: RAGState):
    state["plan"] = planner_agent(state["query"])
    return state

def retrieve_step(state: RAGState):
    state["documents"] = vector_db.search(state["plan"]["keywords"])
    return state

def generate_step(state: RAGState):
    state["answer"] = llm.generate(state["documents"])
    return state

# 明确定义流转关系
workflow = StateGraph(RAGState)
workflow.add_node("plan", plan_step)
workflow.add_node("retrieve", retrieve_step)
workflow.add_node("generate", generate_step)

workflow.set_entry_point("plan")
workflow.add_edge("plan", "retrieve")
workflow.add_edge("retrieve", "generate")
workflow.add_edge("generate", END)

# 编译执行
app = workflow.compile()
result = app.invoke({"query": "什么是RAG"})
# 结果：结构化状态，每一步可追溯

四、关键能力对比表

能力 AutoGen LangGraph 场景建议
多 Agent 协商 ⭐⭐⭐⭐⭐ 原生支持 ⭐⭐⭐ 需自己实现 开放讨论用 AutoGen
流程可控性 ⭐⭐ 框架决定 ⭐⭐⭐⭐⭐ 开发者决定 企业合规用 LangGraph
循环/条件分支 ⭐⭐ 对话隐式 ⭐⭐⭐⭐⭐ 显式定义 复杂逻辑用 LangGraph
并行执行 ⭐⭐ 难控制 ⭐⭐⭐⭐ 支持 Map-Reduce 批量处理用 LangGraph
人机协作 ⭐⭐⭐⭐⭐ 灵活介入 ⭐⭐⭐ 需节点埋点 需人类审批用 AutoGen
调试可追溯 ⭐⭐ 看对话历史 ⭐⭐⭐⭐⭐ 状态快照 生产排障用 LangGraph
代码生成执行 ⭐⭐⭐⭐⭐ 内置 Docker ⭐⭐ 需自己集成 AI 写代码用 AutoGen
持久化/断点续传 ⭐⭐ 需扩展 ⭐⭐⭐⭐⭐ 内置 Checkpoint 长流程用 LangGraph

五、企业级场景选型决策树

1
2
3
4
5
6
7
8
9
10
11
开始
 │
 ├─ 任务是否开放探索型？（写代码、研究、创意）
 │   └─ 是 → AutoGen（快速原型，Agent 自主协商）
 │
 └─ 否 → 任务是否有严格流程？（审批、合规、固定步骤）
     ├─ 是 → LangGraph（状态机可控，审计可追溯）
     │
     └─ 否 → 两者混合
         ├─ LangGraph 管主流程（严格步骤）
         └─ AutoGen 做子任务（某节点内多 Agent 讨论）

六、混合架构设计（面试亮点）

“我的企业级 Agent 平台用 LangGraph 做主框架，确保流程合规可追溯。但在 ‘代码生成’节点内，嵌入 AutoGen 的 Code-Executor，让多个 Coder Agent 讨论优化，最后返回结果到主流程。”

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
from langgraph.graph import StateGraph
from autogen import AssistantAgent, UserProxyAgent

# LangGraph 主流程（严格可控）
def code_generation_node(state: RAGState):
    """这个节点内部用 AutoGen 多 Agent 协作"""
    
    # AutoGen 子流程
    coder = AssistantAgent("coder", system_message="写Python代码")
    reviewer = AssistantAgent("reviewer", system_message="审查代码")
    executor = UserProxyAgent("executor", code_execution_config={"use_docker": True})
    
    groupchat = GroupChat(agents=[coder, reviewer, executor], ...)
    manager = GroupChatManager(groupchat=groupchat)
    
    # 执行 AutoGen 对话
    executor.initiate_chat(
        manager, 
        message=f"写代码实现：{state['requirements']}"
    )
    
    # 提取最终代码，返回 LangGraph 状态
    state["generated_code"] = extract_final_code(executor.chat_messages)
    return state

# LangGraph 主流程
workflow = StateGraph(RAGState)
workflow.add_node("plan", plan_step)
workflow.add_node("code_gen", code_generation_node)  # ← 内部是 AutoGen
workflow.add_node("test", test_step)
workflow.add_edge("plan", "code_gen")
workflow.add_edge("code_gen", "test")

七、面试金句

场景 金句
技术选型 “LangGraph 做流程骨架，AutoGen 做灵活血肉，根据任务特性分层选择。”
企业优势 “企业级场景选 LangGraph，因为状态机比对话更易审计、更易回滚、更易测试。”
开放任务 “探索性任务如代码生成，AutoGen 的多 Agent 协商 + 真执行更高效。”
混合架构 “我的设计是**’外刚内柔’**：外层 LangGraph 保证合规，关键节点内嵌 AutoGen 提升智能。”

八、一句话对比

AutoGen LangGraph
像什么 微信群聊，大家讨论出结果 工作流引擎，每一步按图纸执行
适合 创意、探索、代码生成 企业流程、合规、生产系统
你的项目 了解即可 深入精通，简历重点
两者关系 补充工具 主力框架