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 LlamaIndex
LlamaIndex 起步于数据 / RAG 框架，后来在其上长出智能体 workflow；open-multi-agent 则从编排出发。如果你的问题是「在自己的数据上做检索」，两者从相反的一端切入。
选 LlamaIndex，如果
你的核心问题是在自己的数据上做 RAG，索引、检索、查询引擎，并且想要在其之上构建的智能体，用 Python。
选 open-multi-agent，如果
你的核心问题是在 TypeScript 中协调多个智能体、依赖、审批与恢复步骤，并接入你已经采用的检索层。
01 速览
并排来看。
| 维度 | open-multi-agent | LlamaIndex |
|---|---|---|
| 语言 / 运行时 | TypeScript 原生，可嵌入任意 Node.js 20+ 后端 | Python；也有 TypeScript 移植（LlamaIndex.TS） |
| 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 | 数据 / RAG 优先（索引、检索、查询引擎），加上智能体 workflow（AgentWorkflow、FunctionAgent） |
| 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 | llama-index-core 约 29 个直接依赖（面向 RAG：numpy、nltk、tiktoken、networkx…） |
| 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，按智能体设模型 |
| 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 | 无硬性 token 上限 |
| 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 | 一个 instrumentation 模块，加上集成（Arize、Langfuse 等） |
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。
LlamaIndex 是检索优先的：它的重心在于把你的数据建索引并查询，智能体 workflow 叠在上面。open-multi-agent 是编排优先的：它把目标拆解成任务 DAG 并协调智能体，检索交给你。两者只在边缘重叠，RAG 重的应用偏向 LlamaIndex；多智能体协调问题偏向 OMA。LlamaIndex 为那套数据工具带着约 29 个内核依赖；OMA 是三个。
LlamaIndex 适合什么
当核心问题是在自己的数据上做检索，并希望加载器、索引、检索器、查询引擎与智能体 workflow 位于同一技术栈中时，LlamaIndex 合适。
LlamaIndex 的 GitHub↗open-multi-agent 适合什么
open-multi-agent 适合编排是问题核心的场景：一个把目标拆成并行任务 DAG 的协调器、TypeScript 原生、三个依赖、一道硬性 maxTokenBudget。它不自带检索，RAG 或工具你随意带，这让内核保持小、编排保持通用。
// 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。