多 Agent 框架横向对比调研：AgentScope 2.0 / LangGraph / AutoGen / LangChain

写在前面：本文基于各项目官方文档与公开仓库做横向对比，属外部观察；版本与维护状态以官方为准，星级表示相对侧重、非绝对评分，不构成选型承诺或商业建议。

一、先给结论

这四个名字经常被并排比较，但它们其实不在同一抽象层——先判断「你要的是一个工具库、一个编排引擎，还是一个生产运行时」，比纠结谁的星更多更重要。

一句话定位：

选型建议（详见第三节研判）：

• 要生产级多 Agent 工程化（沙箱 / 权限 / 审计 / K8s）：优先评估 AgentScope 2.0。
• 要显式流程控制（状态机、分支循环、人审中断）：优先 LangGraph。
• 只是单 Agent + 工具的轻应用或原型：LangChain 上手最快。
• 已有 AutoGen 群聊原型、或在微软技术栈内：建议把目光转向其官方后继者 Microsoft Agent Framework，并评估迁移成本。

跟进判断（topics 惯例）：AgentScope 2.0 — 建议跟进（多 Agent + 工程化是当前缺口最对位的一类）；LangGraph — 建议跟进（编排层事实标准之一）；LangChain — 维持了解（作为工具库与生态入口）；AutoGen — 观望 / 转向后继者（官方维护模式，新项目谨慎新建）。下一步见 3.4。

二、事实层：四框架基础对照

本节为公开可查信息。每行尽量标注状态：已确认（有官方文档 / 仓库支撑）/ 自我披露（项目方口径）/ 未对外披露 / 待核（本文未能从一手来源确认）。星级为相对侧重，非绝对评分。

总览（在用户给定维度基础上，据官方信息做了校订，校订处在下文小节说明）：

2.1 开发主体与维护状态（本文重点校订）

• AgentScope：官方组织为 agentscope-ai（源自阿里通义 / ModelScope 生态）。2.0 的关键变化是把原本独立的 AgentScope-Runtime（工具沙箱、Agent-as-a-Service、全栈可观测）整合进主框架。已确认（官方仓库 + 文档）。
• LangGraph / LangChain：均由 LangChain 团队维护，分属「编排引擎」与「工具库」两层。已确认。
• AutoGen：起于微软研究院。据官方信息，2026 年 AutoGen 与 Semantic Kernel 已进入维护模式（继续修 bug / 安全补丁，不再加新特性），微软在 2026-04 推出 Microsoft Agent Framework（MAF）1.0，将二者统一并加入图式多 Agent 工作流；社区另有分叉 AG2（ag2ai/ag2）延续旧版 GroupChat 风格。已确认（微软 Learn 迁移指南 / 发布博客）。
  • 校订说明：用户给定表中「维护放缓」一项，据官方实际更接近「已转维护模式 + 官方后继者 MAF」。对新项目，这条比星级更影响决策。

2.2 多 Agent 与通信

• AgentScope 的 MsgHub 在官方文档中定位为「多 Agent 对话的消息广播中心」，免去手写消息转发。已确认。
• LangGraph 的协作以共享状态为中介，而非独立消息总线；多 Agent 更多是「多个图 / 子图」的组织问题。已确认。

2.3 工程化与安全

这一节是四者差异最大的地方，也是「框架」与「运行时」的分水岭。

• AgentScope 2.0 自我披露的生产能力包括：事件系统、权限系统、多租户 / 多会话服务、Workspace / 沙箱（local / Docker / E2B）。自我披露 + 官方文档。
• 其余三者未内置安全沙箱 / 权限隔离，需要使用方自行补齐——这是中性的能力边界描述，不代表它们「做不到」，而是「不在框架默认职责内」。

2.4 记忆与编排

• LangGraph 的强项是把流程显式画成图：可中断（human-in-the-loop）、可恢复（checkpoint）、可回放，适合需要强过程控制的场景。已确认。
• AutoGen 的群聊式自动协商在快速验证上灵活，但「过程可控性」相对弱——这是范式取舍，不是优劣定论。

2.5 生态与 MCP

• MCP 一行的校订：LangChain 官方维护 langchain-mcp-adapters 适配库，LangGraph 共用该库——因此二者对 MCP 的支持是官方一方适配，而非纯第三方插件。已确认（官方仓库）。
• AgentScope 在官方文档中提到 MCP 支持，但「底层原生」的具体程度本文未逐项核实，列入第五节。

三、研判：四类需求，四种选择

以下为外部观察者的一种解读，落在「能力结构与职责边界」上，不对任一项目做命运预测或商业判断。

3.1 核心矛盾：它们不在同一层

把四者并排打星，容易制造「AgentScope 全五星、LangChain 全一星」的错觉。但 LangChain 的「一星多 Agent」不是缺陷，而是定位——它本就是单 Agent 工具库；拿运行时的标准去要求一个库，等于拿卡车的载重去苛责一辆轿车。更有用的读法是：先确定你站在哪一层。

应用层职责自上而下：
  运行时（沙箱/权限/可观测/部署） ← AgentScope 2.0 主打
  编排（流程/状态/分支/恢复）     ← LangGraph 主打
  多 Agent 协商（群聊/角色）       ← AutoGen 范式（官方转维护）
  工具库（模型+工具+提示）         ← LangChain 主打

3.2 按场景选

3.3 三条「比星级更硬」的约束

1. 官方维护状态：AutoGen 新建项目前，先读微软的「AutoGen → Agent Framework 迁移指南」，评估是用 AG2 社区线还是直接上 MAF。
2. 安全边界谁来担：若上生产且涉及代码执行 / 工具调用，沙箱与权限是硬需求——要么选自带（AgentScope 2.0），要么预留自建成本（LangGraph / LangChain）。
3. 语言栈：需要 Java 的团队，AgentScope 的双栈是少见的现成项；其余三者以 Python 为主。

3.4 跟进 / 不跟进 / 观望 + 下一步

• AgentScope 2.0 — 跟进：下一步可跑通 MsgHub 多 Agent + Workspace 沙箱的最小样例，验证「沙箱 / 权限」是否如文档所述开箱即用。
• LangGraph — 跟进：作为编排层事实标准之一，值得掌握其图 / checkpoint / 中断恢复模型。
• LangChain — 维持了解：作为工具库与生态入口与 MCP 适配来源持续关注，不必作为多 Agent 主力。
• AutoGen — 观望 / 转向：存量原型可维持，新项目优先评估 Microsoft Agent Framework。

四、行业横向参照

以下为同类「Agent 框架分层」的通用结构参照，非针对上述任一项目的实测数据。

当前 Agent 框架生态大致可分三层，常被混为一谈：

一个常见的工程现实是：很多团队最终是「库 + 编排 + 自建运行时」的拼装，而运行时层正是多数自建方案踩坑最多、也是「自带运行时」框架价值最集中的地方。此为行业横向观察，不代表任一项目实际占比。

五、延伸对比：AgentScope vs OpenClaw（框架整体 + Skill 两层）

本节为对照 + 研判混合。OpenClaw 事实以其核心仓库 openclaw/openclaw 与官方文档为准；含两处对外部说法的校订，校订处标注。

5.1 核心矛盾：这两个也不在同一层

把 AgentScope 和 OpenClaw 放一起比，最容易得出「OpenClaw 处处不如」的错觉，但它俩的品类不同：

• AgentScope = 企业级多 Agent 运行时框架 / SDK，给开发者编码搭后端多 Agent 系统。
• OpenClaw = 本地优先、单设备的 AI 执行网关产品，开箱即用，主打「AI 在我这台电脑上动手」（iMessage / 文件 / 浏览器 / 定时脚本）。

一句话：AgentScope 解决「多 Agent 怎么协作、调度、隔离、上生产」；OpenClaw 解决「AI 怎么在本机软硬件上执行操作」。拿运行时框架的多 Agent / 多租户标准去要求一个本地网关产品，属于跨品类比较。

整体对照（在用户给定表基础上，据官方信息校订，校订见 5.2 / 5.3）：

5.2 架构差异与一处集成校订

• AgentScope（多 Agent 内核）：Runtime / 事件总线 → Model 适配 → Agent 层（协调者 / 子 Agent）→ Skill 工具中间件 → Studio 观测。已确认（官方文档）。
• OpenClaw（本地执行网关）：Gateway（单进程、官方称「single source of truth」，默认 ws://127.0.0.1:18789，常以 launchd / systemd 长驻）→ Channels（IM 渠道，本质是插件）→ Skill 执行 → 本地记忆 / 会话。已确认（官方文档 + 站内既有 OpenClaw 调研）。

校订①（集成关系）：用户稿称「OpenClaw 是 AgentScope 可接入的本地执行 Harness 节点，AgentScope 可调度多个 OpenClaw 节点」。本文未能从任一方官方资料证实存在「AgentScope 编排 OpenClaw」的官方集成。需厘清的是：OpenClaw 自带 Agent Harness SDK，但方向相反——它用来把外部编码 harness（Claude Code / Cursor / Gemini CLI 等，经 ACP）接进 OpenClaw，而非被 AgentScope 当作节点调度。因此「AgentScope × OpenClaw 组合」目前应视为一种可设想的自建架构，而非现成的官方能力（列入第六节）。

5.3 Skill 两层对比（含一处机制校订）

两者的技能描述都以 SKILL.md 为载体，但工程化深度与运行边界不同。

校订②（加载机制）：用户稿称 AgentScope 用「渐进式披露」、OpenClaw 用「全量预加载 / 关键词触发」。但据 OpenClaw 官方文档，OpenClaw 的 Skill 同样是渐进式披露（懒加载）：发现阶段只读每个 skill 的 name + description（约 30–50 token），激活时才读完整 SKILL.md，执行时再按需读 scripts/ references/ assets/。OpenClaw 的 SKILL.md 本就沿用 Anthropic skill 的渐进式披露范式——所以「渐进式披露」并非 AgentScope 独有，两者在这一点上机制相近。真正的差异不在「懒加载有无」，而在工程化深度与运行边界。

这一节的核心判断：两者 Skill 的分野不是「懒加载 vs 预加载」，而是 「工程化业务能力包（沙箱 / 权限 / 版本 / 团队共享 / 多语言执行）」 对 「自然语言驱动的本地自动化指令」——前者服务多 Agent / 多租户的生产系统，后者服务单人本机的开箱即用。

5.4 选型与组合（研判）

以下为外部观察者的一种解读，落在能力边界与品类定位上。

• 选 AgentScope：企业后端 / Java 集成、多 Agent 协作、分布式 / 多租户、云端 + 本地混合任务、对审计 / 权限 / 监控 / 断点恢复有要求、需长期沉淀团队技能资产。
• 选 OpenClaw：个人 Mac 本地助手、IM 机器人与桌面 / 文件 / 浏览器 / 定时自动化、单人开箱即用、想用自然语言快速写 skill。
• 组合（设想，非现成官方方案）：以一个多 Agent 编排层在云端调度业务、把每台 Mac 上的 OpenClaw 作为本地执行端，理论上可兼顾「云端多 Agent」与「本地软硬件操作」。可行性需自建验证——如 5.2 所述，目前无「AgentScope 官方把 OpenClaw 当节点」的一手证据，不宜当成开箱即用能力。

六、未能验证的事实清单

• 各框架截至本文检索的确切版本号（AgentScope 2.0 / LangGraph / LangChain / AutoGen 0.7.x / MAF 1.0 的精确小版本与发布日期），以官方 release 为准。
• AgentScope MCP「底层原生」的具体实现程度（与适配库方案的差异），需以官方 MCP 文档逐项核实。
• AgentScope 分层记忆（短时 / 任务 / 长期）的持久化后端与检索能力细节。
• AutoGen 各能力在维护模式下的可用性边界，以及 AG2 社区线与 MAF 的功能差集。
• 各项目星级为主观相对评分，非基准测试结果；不同任务下相对位次可能变化。
• 「AgentScope 把 OpenClaw 当本地执行 Harness 节点调度」：本文未从任一方一手资料证实存在该官方集成；OpenClaw 的 Agent Harness SDK 是「把外部 harness 接进 OpenClaw」的反向能力。该「组合方案」属设想，需自建验证。
• OpenClaw 对 MCP 的兼容程度、其 Skill 是否有多后端 / 版本管理（ClawHub 之外）的细节，本文未逐项核实。
• 获取路径：四者官方文档 / GitHub release / CHANGELOG；微软 Learn 的 Agent Framework 迁移指南；OpenClaw 核心仓库 openclaw/openclaw 与 docs.openclaw.ai。

七、信息来源

一手资料（官方文档 / 仓库）

• AgentScope（主框架）：https://github.com/agentscope-ai/agentscope ｜ 文档 https://doc.agentscope.io ｜ Java https://java.agentscope.io
• AgentScope Runtime：https://github.com/agentscope-ai/agentscope-runtime
• AgentScope 1.0 论文：https://arxiv.org/abs/2508.16279
• LangGraph：https://langchain-ai.github.io/langgraph/ ｜ 仓库 https://github.com/langchain-ai/langgraph
• LangChain：https://python.langchain.com/ ｜ 仓库 https://github.com/langchain-ai/langchain
• LangChain MCP 适配：文档 https://docs.langchain.com/oss/python/langchain/mcp ｜ 仓库 https://github.com/langchain-ai/langchain-mcp-adapters
• AutoGen：https://microsoft.github.io/autogen/ ｜ 仓库 https://github.com/microsoft/autogen
• Microsoft Agent Framework：概览 https://learn.microsoft.com/en-us/agent-framework/overview/ ｜ AutoGen 迁移指南 https://learn.microsoft.com/en-us/agent-framework/migration-guide/from-autogen/
• AG2（社区分叉）：https://github.com/ag2ai/ag2
• OpenClaw：核心仓库 https://github.com/openclaw/openclaw ｜ 文档 https://docs.openclaw.ai ｜ Skills https://docs.openclaw.ai/tools/skills ｜ Agent Harness 插件 https://docs.openclaw.ai/plugins/sdk-agent-harness

站内交叉

• 国内通用智能体（本地操作型 Agent）深度测评对比
• AGI-like Agent 用户图景
• Cloudflare 边缘 Agent 实践
• Reasonix 深度技术调研：DeepSeek 原生 Coding Agent
• 如何让一个 channel 被 OpenClaw 官方集成：四档分发机制
• OpenClaw 火爆半年后：普通人真的用了吗？

以上为分析视角，不是预测，也不是建议。星级为相对侧重而非绝对评分；版本与维护状态以各项目官方发布为准。