Phase 5 · 多 Agent 工作流对比：它们为什么是「同一张图」
目标：正面比较 CrewAI / AutoGen 等主流框架，并指出它们与 LangGraph 在「图」这一层其实是同构的。这是本项目核心主张的第一次正式亮相。
先看两个框架怎么设计
CrewAI：角色 + 流水线（crew）
- 你定义若干 Agent（角色），每个角色有
role / goal / backstory； - 用 Task 把角色串成一条顺序/并行的流水线（crew）；
- 前一个 Agent 的输出自动成为下一个的输入。
它的心智模型是：几个专职角色排成一条流水线。
AutoGen：对话 + 协调者
- 你定义若干 ConversableAgent（可对话角色）；
- 一个 GroupChat / 协调者 决定「下一句话该谁说」；
- 角色之间互相发消息，直到某角色说「任务完成」。
它的心智模型是：一群角色在群里聊天，由协调者控场。
把它们「翻译」回图
现在用我们前几章的视角重看：
| 框架概念 | 图里的对应物 |
|---|---|
| Agent / 角色 | 节点（node） |
| Task 串联 / 消息传递 | 边（edge） |
| CrewAI 的顺序执行 | 固定顺序的边 |
| AutoGen 协调者「下一个谁说」 | 条件边（conditional edge） |
| 共享的状态 / 对话历史 | 图的状态（state） |
结论：CrewAI 的顺序 crew ≈ 一张「线性图」；AutoGen 的群聊 ≈ 一张「带条件边的图」。两者底层都是「状态 + 节点 + 边」，只是 API 长得不一样。
这就是本项目的核心主张：主流 Agent 框架的底层逻辑，都能映射到 LangGraph 的「状态图 + 节点 + 条件边」模型。 掌握 LangGraph，你就掌握了它们的通用语言。
示例 1：手写一个 crew（模拟 CrewAI）
文件：examples/p5/mini_crew.py
不装 CrewAI，用三个 prompt 模板把「研究员 → 写手 → 审校」串成流水线。你会看到它和 CrewAI 的 crew 是同一个结构——只是 CrewAI 帮你把「把上一步输出喂给下一步」这件事自动化了。
python -m examples.p5.mini_crew示例 2：协调者路由（模拟 AutoGen 的条件边）
文件：examples/p5/agent_router.py
一个协调者读取用户请求，输出「该派给 math / language / code 哪个专家」，然后执行对应节点。这个「派给谁」的瞬间，就是 AutoGen group-chat 里协调者决定「下一个谁发言」的条件边。
python -m examples.p5.agent_router关键认知
到这里，范式统一论已经呼之欲出：
- Phase 3：单 Agent 循环 = 图（思考/工具/观察节点 + 条件边）
- Phase 4：带工具 Agent = 图（思考节点 + 工具节点 + 条件边）
- Phase 5：多 Agent 框架 = 图（角色节点 + 顺序/条件边 + 共享状态）
既然它们本质都是图，为什么不直接用一个专门描述「图」的框架来统一表达？ 这正是 Phase 6 要回答的问题——LangGraph 登场。
验收清单
- [ ] 能说出 CrewAI（角色+流水线）与 AutoGen（对话+协调者）的设计差异
- [ ] 能把「角色 / 消息 / 协调者决策」分别映射到「节点 / 边 / 条件边」
- [ ] 跑通过示例 1（手写 crew）和示例 2（协调者路由）
- [ ] 能复述本项目核心主张：「主流 Agent 框架底层皆图」
下一步
Phase 6：LangGraph 图编排——正式用状态图、节点、条件边把前面所有案例「归一」表达，并对比「用框架图 vs 前面手写的图」代码量差异。范式统一论在此完成闭环。
扩展示例 / Extra Example
双 Agent 辩论（examples/p5/debate.py）
模拟 AutoGen group-chat 的一种形态：两个角色交替发言、互相挑战，由简单轮次循环驱动。
python -m examples.p5.debate