多 Agent 框架

这个 pack 装了什么

这个 pack 收齐了七个多 agent 框架，是 2026 年团队真在生产里跑的那一批，不是 Twitter 上看着炫但一上量就崩的 demo。四个是头部框架，三个是基于它们封装的研究 / 角色模板。

这个 pack 为什么重要

单 agent 是个聊天循环。多 agent 是个系统 —— 跟所有系统一样，要扛住真实负载就得有结构（状态机、队列、重试）。这里四个框架挑的是真能用的结构。三个模板告诉你最常见用例怎么接起来。

四个框架各下了不同的抽象赌注：

• LangGraph 把编排当作状态图。你声明节点（agent / 工具）和边（什么时候跳转），LangGraph 负责 checkpointing 让 30 分钟的任务崩了能续。最接近生产事实标准的那个。
• CAMEL 聚焦显式角色的 agent 间对话。两个 agent 演「用户」「助手」或「研究负责人」「写手」，对话直到目标达成。可复现性和学术 benchmark 强。
• DeepAgents 为长任务而生。顶层 agent 做规划，把子任务派给派生的 sub-agent，每个 sub-agent 有自己的 context window。专门避开「一个巨大 context」的失败模式。
• GPT Researcher 是应用案例。你给它一个研究问题，它跑一个 sub-agent swarm 收证据，输出带引用的长文报告。既是工具也是参考架构。

一条命令装齐

# 装整个 pack
tokrepo install pack/multi-agent-frameworks

# 或者一个一个装
tokrepo install langgraph
tokrepo install camel
tokrepo install deepagents
tokrepo install gpt-researcher

TokRepo CLI 把每个框架的适配器装进你的 AI 工具 —— Claude Code subagent 进 .claude/agents/，Cursor 规则进 .cursor/rules/，Codex CLI 进 AGENTS.md。底层库自己 pip / npm 装；TokRepo 接好 prompt 让你的 CLI 知道什么时候触发。

常见坑

• 别忘了预算。多 agent 任务能指数扇出 —— 一个 planner 派 5 个工人每个再派 5 个子任务，token 烧 25 倍。永远封顶深度和最大派生数。DeepAgents 内建这个；LangGraph 和 CAMEL 你自己设。
• 别天真地跨线程共用 LLM 客户端。多数 SDK 高并发下不完全线程安全。用进程级池或带界限的 async（如 asyncio.Semaphore(8)）。
• 追踪一切。没 trace 的多 agent 调试根本做不动。这个 pack 配 LLM 可观测性 pack 一起 —— Langfuse 和 AgentOps 都有 LangGraph 一等公民集成。
• 小心角色漂移。CAMEL 风格对话里，agent 第 8-10 轮经常忘了自己是谁。每 N 轮加 system 提醒，或在每条消息钉住角色。
• 多 agent ≠ 更好。先试单 Claude Sonnet 4.5 + 扩展思考，再考虑多 agent 系统。2025 年 Anthropic 多 agent 研究博客发现，60% 人们丢给多 agent 的任务，单 agent + 工具就能搞定。

这个 pack 不够用的时候

多 agent 在能并行的子问题上闪光（研究、代码评审、跨主题内容生成）。但在以下场景失利：

• 顺序、深度状态化的任务。整库重构是单 agent 的活 —— 切分到多个 agent 反而协调开销大于收益。
• 延迟敏感的工作流。每次 agent 间跳转都加一个回合。SLA 5 秒以内的，留单 agent。
• 成本敏感的工作流。多 agent 同任务通常 3-10 倍单 agent 成本。难题求质量值得；「总结这封邮件」不值。

正确的上手路径：先用 GPT Researcher 当最简成品例子，等需要自己写编排时再升级 LangGraph 或 DeepAgents。