Agent 开发框架排行榜
如果你要自己写一个 Agent，而不是拿现成的来用，就在这一类里选。框架之间的差别主要在编排模型（图、角色、对话）、语言（Python / TypeScript）和可观测性；分数只说明代码和文档经不经得起审查，选型还要看你的技术栈。
| # | Agent | FARS | 信任 | Star | 许可证 | 语言 | 最近提交 |
|---|---|---|---|---|---|---|---|
| 1 | AgentScope 2.0 | 70 | 16/29 | 33.5k | Apache-2.0 | Python | 2026-10-19 |
| 2 | Pydantic AI | 65 | 13/29 | 20.7k | MIT | Python | 2026-10-19 |
| 3 | OpenAI Agents SDK ✓ OpenAI | 64 | 18/29 | 30.1k | MIT | Python | 2026-10-19 |
| 4 | Google ADK ✓ Google | 55 | 12/29 | 21.9k | Apache-2.0 | Python | 2026-10-19 |
| 5 | AutoGen 多智能体框架 ✓ Microsoft | 52 | 11/29 | 61.5k | CC-BY-4.0 | Python | 2026-10-16 |
| 6 | Mastra | 52 | 10/29 | 28.9k | NOASSERTION | TypeScript | 2026-10-19 |
| 7 | Haystack | 52 | 8/29 | 26.8k | Apache-2.0 | Python | 2026-10-19 |
| 8 | LlamaIndex | 48 | 7/29 | 52.6k | MIT | Python | 2026-10-14 |
| 9 | Letta | 47 | 10/29 | 25.2k | Apache-2.0 | 未标注 | 2026-10-18 |
| 10 | LangGraph | 44 | 0/29 | 43.5k | MIT | Python | 2026-10-19 |
| 11 | smolagents | 42 | 7/29 | 29.9k | Apache-2.0 | Python | 2026-10-06 |
| 12 | LangChain | 41 | 0/29 | 148.1k | MIT | Python | 2026-10-19 |
| 13 | Agno Agent Platform | 41 | 7/29 | 42.8k | Apache-2.0 | Python | 2026-10-19 |
| 14 | CrewAI | 40 | 4/29 | 59.9k | MIT | Python | 2026-10-19 |
哪些项目进榜：本榜只收这一类里独立可用、仍在维护、并且被大量用户按名字搜索的工具；建在它们之上的插件、技能包和配置层不进榜，放在对应工具的详情页里。入选名单在本站的公开仓库里维护，每次变动都有记录。
排序依据是 FARS 总分，Star 只用来打平手——热度衡量的是关注度，不是这东西撑不撑得住。看排序之前有两点要知道：这些都是静态评审（只看源码、文档与仓库元数据，没有做运行复测），可靠性、有效性、可验证三项因此被压了上限，实际可得满分是 77 而不是 100；而且几分之差落在这套方法的噪声范围内。请把这张表当成值得进一步考察的短名单，而不是结论。每个分数都链到完整的维度拆解和背后的证据。 评分方法 →
1. AgentScope 2.0
用于构建、运行和部署可观察、可控智能体的 Python 框架。
2. Pydantic AI
用 Python 类型与 Pydantic 校验构建可组合的生成式 AI 应用。
3. OpenAI Agents SDK
用 Python 构建可调用工具、协作分工并可观测的多智能体工作流。
差异在哪
若项目使用 JavaScript 或 TypeScript，仓库明确指向独立的 Agents SDK JS/TS；本仓库是 Python 版本。
4. Google ADK
用 Python 构建、编排、评估和本地运行复杂 AI 智能体应用。
差异在哪
README 仅明确说明 ADK 2.0 与 ADK 1.x 的迁移关系：2.0 生成的会话可被 ADK 1.28+ 读取（额外字段会被忽略），但不能被更早的 1.x 版本读取。
5. AutoGen 多智能体框架
用分层 API 构建可自主运行或与人协作的多智能体应用。
差异在哪
Microsoft Agent Framework 是 AutoGen 的企业级后继者。AutoGen 已进入社区维护模式，不再增加功能；Microsoft Agent Framework 被描述为具有稳定 API、长期支持、多提供商模型支持，以及通过 A2A 和 MCP 实现跨运行时互操作的生产就绪方案。新项目应优先选择 Microsoft Agent Framework，现有 AutoGen 项目则可继续维护并使用官方迁移指南过渡。
6. Mastra
用 TypeScript 构建、编排、评估并部署 AI 应用与智能体。
7. Haystack
用可组合管线与工作流构建可控的生产级 LLM 应用。
8. LlamaIndex
用于构建基于私有数据的检索、索引与文档智能应用的 Python 框架。
差异在哪
README 将 LlamaIndex 描述为可与 LangChain 集成的框架，但没有提供两者的功能或性能对比。
9. Letta
用持久记忆构建可学习、可持续改进的状态化智能体。
差异在哪
对新项目，README 建议使用 Letta Agent SDK；上一代 V1 SDK（TypeScript 的 @letta-ai/letta-client 与 Python 的 letta-client）仍可用于直接对接 Letta API。
10. LangGraph
用于构建可持久恢复、具备记忆和人工介入能力的长运行状态化智能体工作流。
差异在哪
Deep Agents 是构建在 LangGraph 之上的高层包，面向需要规划、子智能体和文件系统的复杂任务；LangGraph 则提供更低层的状态化编排基础设施。对于 JavaScript/TypeScript，README 指向独立的 LangGraph.js 作为等价库。
11. smolagents
Hugging Face 出品，用几行代码跑起来的「用代码思考」智能体库
差异在哪
与 CrewAI、LangGraph 等偏重「流程编排」的多智能体框架不同，smolagents 更专注于单个智能体本身如何执行动作——用代码而不是文本 JSON 来表达工具调用，实现上更接近轻量库而非重量级平台；如果你需要的是编排多个协作智能体，CrewAI/LangGraph 更合适；如果你需要一个简单、可审查、模型无关的单体智能体基座，smolagents 更直接。
12. LangChain
用于构建可组合、可替换模型的智能体与 LLM 应用框架。
差异在哪
LangChain 面向通用的智能体与 LLM 应用组件组合；LangGraph 被定位为处理复杂任务、提供更低层且可控工作流编排的框架。对于 JavaScript/TypeScript，README 指向等价库 LangChain.js。
13. Agno Agent Platform
用 SDK、AgentOS 运行时和控制台构建、自托管并运营智能体平台。
差异在哪
README 将 agentos-railway、agentos-docker、agentos-aws、agentos-gcp、agentos-azure、agentos-fly、agentos-render、agentos-modal 与 agentos-helm 描述为部署脚本不同、其余相同的启动模板；它们是部署入口的替代选择，而不是功能竞争产品。
14. CrewAI
编排多智能体协作的开源 Python 框架
差异在哪
与 LangGraph 等图式编排框架相比，CrewAI 的「角色扮演」抽象（每个 Agent 有明确角色和目标）对熟悉团队协作隐喻的开发者更直观，学习曲线相对平缓；如果你需要更细粒度的状态图控制，LangGraph 可能更合适，两者也可以结合使用（CrewAI 官方文档也提到过与其他框架协同的场景）。