动态、显式与路由编排
runTeam() 从目标生成任务 DAG，runTasks() 运行你定义的任务图，runAgent() 覆盖单智能体场景。显式 mode、治理声明或自定义 ExecutionRouter 选择 Single 或 Team 执行并暴露 routingDecision。可选开启的 hybrid 路由，只在确定性结果本会是 Single 的位置补一次语义评估——做决定的仍是确定性策略。计划仍可作为数据预览、审阅和重放。
← 全部对比
// 对比
open-multi-agent 对比 AutoGen
AutoGen 在 Python 运行时中把多智能体工作建模为对话；open-multi-agent 则在 TypeScript 运行时中使用任务 DAG。
选 AutoGen，如果
你在 Python 里，偏好对话式或 actor 模型的思维方式，想要原生 OpenTelemetry，并且已把 AutoGen 的维护状态纳入考量。
选 open-multi-agent，如果
你想要一个仍在积极开发、TypeScript 原生、目标驱动拆解、带 token + 估算成本上限和可选一方 OTel 适配器的运行时。
提醒：2026 年微软把 AutoGen 与 Semantic Kernel 合并进了新的 Microsoft Agent Framework，作为其受支持的继任者。AutoGen 仍在收修复，但实际上已进入维护模式（最新版本 0.7.5，2025 年 9 月）。如果你在为一个全新、长期的项目选框架，这点值得掂量。
01 速览
并排来看。
| 维度 | open-multi-agent | AutoGen |
|---|---|---|
| 语言 / 运行时 | TypeScript 原生，可嵌入任意 Node.js 20+ 后端 | Python（autogen-core / autogen-agentchat）；.NET 尚在 preview；无 TypeScript |
| 编排范式 | 单智能体、显式任务 DAG，或由协调器在运行时拆解目标；显式 mode、治理策略或 ExecutionRouter 选择执行拓扑，运行过程中还可以修订尚未执行的任务 | 对话 / group-chat（v0.2），底层是事件驱动的 actor 运行时（v0.4） |
| 运行时依赖 | 3 个直接依赖（Anthropic SDK、OpenAI SDK、Zod），额外提供方与 MCP 为按需 peer 依赖 | 6 个直接依赖（autogen-core） |
| 模型混编 | 支持，同一团队里每个智能体都可用各自的云端或本地模型；模型路由还能把规划交给旗舰模型、把叶子任务交给廉价模型 | 支持，通过 autogen-ext 按智能体设 model_client |
| 运行预算控制 | 运行级 token 与估算美元上限——maxTokenBudget，或配合应用自有 estimateCost 价格表的 maxCostBudget——在模型调用与任务派发边界检查；一个已在途的模型回合可能越过上限 | 无硬上限，软性的、依赖自报用量的 TokenUsageTermination，在轮次之间生效 |
| 可观测性 | TraceRecord v2 + TraceStore、稳定运行标识、可选的一方 OTel 适配器，以及离线的运行后 Run Viewer——无需任何托管服务 | 原生 OpenTelemetry，运行时自动发出 span |
02 真实能力
open-multi-agent 实际包含什么。
OMA 不只是目标拆解与少量依赖。以下均为项目 README 已记录的当前框架能力。
位于不同边界的治理与审批
声明必需或偏好的角色、有序审阅路径与预算感知降级。分别用 onPlanReady 审批计划、onTaskDispatch 审批一个就绪任务、onToolCall 审批一次高影响工具调用、onPlanPatch 审批运行中的每次计划修订，再检查 governanceConclusion。
事件驱动调度与任务证据
依赖完成后，就绪的下游任务立即启动。硬性任务要求在每种指派策略下都会强制执行，无法满足的任务会被拒绝，而不是派发给不合格的智能体；taskResults 保留未经合并的任务输出，结构化依赖载荷携带受限的来源信息。重试与检查点从已完成任务边界恢复；可选开启的 repairable 恢复，还能在任务结果屏障处、于任何原有下游任务启动之前追加替代工作。
生产控制
用轮次、token、估算成本、超时、上下文与循环上限约束每次运行。maxTokenBudget 与 maxCostBudget 在边界检查后停止后续调用；一个已在途的模型回合可能越过上限。模型路由支持有序 fallback。内置工具默认拒绝授权，链路数据以尽力而为方式脱敏检测到的敏感信息。
你的环境与模型
运行在你自己的 Node.js 后端——本地、离线或气隙环境，用你自己的凭证，无需任何托管服务。同一团队可混用云端与本地模型，接入 MCP 工具，并通过 ACP 或进程后端引入外部智能体。
检查、追踪与评估
稳定运行标识、路由决策、保护隐私的 execution receipt、TraceStore 与离线 Run Viewer 均无需托管服务。用版本化的 EvalSet 与 GateVerdict 评估质量，包括路由稳定性闸门，再通过可选 OTel 适配器把运行接入生产遥测。
03 机制
它们差在哪。
AutoGen 把多智能体工作建模为一场对话：智能体在 group chat 里交换消息，协作从这场对话中涌现（它的 v0.4 内核在底层加了一个事件驱动的 actor 模型运行时）。open-multi-agent 则目标驱动：你把一个结果交给协调器，它拆解成一张带显式依赖的任务 DAG，并行运行相互独立的部分。两者现在都有一方 OpenTelemetry 路径。AutoGen 自动发出 OTel span；OMA 不把 OTel 拉进只有三个依赖的 core，而是通过可选的 @open-multi-agent/otel 适配器，把 TraceRecord v2 映射到由应用持有的 provider，另有 TraceStore 与离线 Run Viewer。
AutoGen 适合什么
当 Python 系统采用对话式或 actor 模型协作并需要原生 OpenTelemetry 时，AutoGen 合适。微软目前把新的多智能体工作导向 Agent Framework，因此 AutoGen 主要适用于已经采用它的既有系统。
AutoGen 的 GitHub↗open-multi-agent 适合什么
open-multi-agent 适合你想要一个 TypeScript 原生、仍在积极开发的运行时，想要目标优先的模型、而不是一场需要你去引导的对话，并通过 maxTokenBudget 或 maxCostBudget + estimateCost 给整次运行设上限的场景。可选 OTel 适配器让 core 保持精简，离线 Run Viewer 则给每次已完成运行一条本地检查路径。若从零起步于 Node.js，OMA 既省去 Python 依赖，也避开一个正在过渡期的框架。
// 企业服务
要把它用到生产环境？
open-multi-agent 采用 MIT 许可、可自行免费运行。当你需要在期限内交付、集成，或获得支持时，元定义科技（YuanASI）提供商业交付与支持。