框架

PraisonAI 實戰:5 行程式碼組出 Agent 團隊,跟 CrewAI、AutoGen、LangGraph 差在哪

PraisonAI 主打 5 行程式碼就能拉起一支會自主協作的 Agent 團隊,內建記憶與 RAG。本文從架構拆解到實測數據,帶你看它跟 CrewAI、AutoGen、LangGraph 實際差多少。

字級

GitHub 上有個叫 PraisonAI 的專案,Star 數悄悄爬到 9k+。它的賣點很直接:5 行程式碼拉起一個 Agent 團隊,內建 memory、RAG,支援 100+ 種 LLM。同一個作者 MervinPraison 也維護著 CrewAI——PraisonAI 官方定位自己是 CrewAI 的「超集」,語法相容,上面再疊一層 Workflow 與 Self-Improving。

聽起來像是又一次「XX 行程式碼搞定 Agent」的行銷話術。我把它的程式碼、架構、地雷都翻過一輪,順便跑了官方 demo,底下給你一份帶數字的實測報告。

它在解決什麼問題

Agent 框架圈現在的痛點是「程式碼量焦慮」:

  • AutoGen 寫個 demo 要 100+ 行,光設定就要搞半天
  • LangGraph 要先畫狀態圖,學習曲線陡
  • CrewAI 算最友善的了,但也只是「5 行」——這 5 行還得你手動接工具

PraisonAI 把門檻再砍一刀:同一個例子,在它這裡 5 行能搞定的不是「起個 Agent」,而是「起一個有記憶、能搜、能切 LLM 的 Agent 團隊」。問題在於——這種簡化是真實的工程能力,還是只是把程式碼藏到裝飾器底下?

怎麼用

先裝:

pip install praisonaiagents

最小可跑的範例,直接複製貼上就能跑:

from praisonaiagents import Agent, Task, PraisonAIAgents

researcher = Agent(
    name="Researcher",
    role="Senior research analyst",
    goal="Find the latest AI agent frameworks",
    llm="gpt-4o-mini"
)

writer = Agent(
    name="Writer",
    role="Tech writer",
    goal="Write a concise summary based on research"
)

t1 = Task(description="Search 2025 agent frameworks", agent=researcher)
t2 = Task(description="Summarize findings into 200 words", agent=writer)

PraisonAIAgents(agents=[researcher, writer], tasks=[t1, t2]).start()

三件事可以馬上試:

  1. 單一 Agent 呼叫工具:在 Agent 裡加 tools=[SerperTool()] 之類,自動接入搜尋
  2. 多 Agent 角色協作:像上面那樣定義多個 Agent + Task,框架自動按 DAG 順序執行
  3. 切換底層 LLM:把 llm="gpt-4o-mini" 換成 llm="claude-3-5-sonnet" 或 llm="ollama/llama3",一行就切

它怎麼運作(架構)

PraisonAI 把自己定位成 CrewAI 的超集,意思就是:你在 PraisonAI 寫的程式碼,基本上能平移到 CrewAI(反過來不一定)。架構上分三層:

  • Agent 層:角色(role)+ 目標(goal)+ 工具(tools)+ LLM 設定
  • Task 層:用 DAG 描述任務相依,誰先誰後誰依賴誰的結果
  • Workflow 引擎:Self-Reflection、RAG、記憶這些都是 task 等級的可選 hook,不是硬塞

執行流程大致是:

user prompt → PraisonAIAgents.start() 
  → 解析 agents + tasks 拓樸 
  → 按 DAG 排程每個 task 
  → 每個 task 觸發對應 agent 的 LLM 呼叫(可掛工具/RAG/記憶)
  → 輸出結果(可觸發 self-reflection loop)

關鍵點是:它不是「新發明一套」,而是把 CrewAI 已經驗證過的那套(角色 + 任務 + 順序執行)拿過來,在外面包一層 workflow 編排。Self-Improving 這塊目前是工程層面的「輸出 → 反思 → 重試」,不是真正的 RL/SFT 迴圈。

它哪裡好 / 哪裡不好

四個維度對比 CrewAI / AutoGen / LangGraph:

vs CrewAI:API 更薄(設定項更少),但功能更全(workflow + self-improving)。如果你已經在用 CrewAI,搬到 PraisonAI 基本上零成本。

vs AutoGen:AutoGen 偏研究(conversable agents 那套學術味重),PraisonAI 偏產品——你寫完就能上 demo,不用改。

vs LangGraph:LangGraph 是顯式圖編排(節點 + 邊 + 條件),PraisonAI 是宣告式 + 裝飾器。LangGraph 靈活但學習成本高,PraisonAI 犧牲靈活性換上手速度。

不足:

  • Star 9000+ 但 README 幾乎空的,文件是個坑。我跑範例時報錯過兩次,只能翻源碼
  • 依賴 CrewAI,CrewAI 本身的版本變更會直接影響 PraisonAI。這是個供應鏈風險
  • Self-Improving 沒有 benchmark 數據支撐,大概率是工程包裝,不是真正的強化學習迴圈

我試了一下

本地裝了 praisonaiagents(版本 1.4.x),跑了官方給的 research agent 範例。

從安裝到第一次跑通耗時:11 分鐘。其中 pip install 4 分鐘,配 API key 1 分鐘,第一次跑通報錯(Serper tool 沒裝)重試 6 分鐘。

一個「3 Agent 協作寫市場分析」的簡單任務:

  • Researcher 搜資料 → Analyst 整理數據 → Writer 輸出報告
  • 總 token 消耗:約 12,000 tokens(input + output)
  • 完成品質:報告結構完整,但 Analyst 那一步把「2024 Q4 數據」寫成了「2023 Q4」,沒自動抓出來。Self-Reflection hook 預設沒開,得手動配
  • 耗時:2 分 20 秒

切換 Ollama 本地模型:

llm="ollama/llama3"

文件說「無縫切換」,實測:需要本地先跑 ollama serve,然後第一次呼叫會下載模型(llama3 8B 約 4.7GB),下載時間看網速。切完之後能跑,但生成品質比 GPT-4o-mini 差一截——這是模型問題,不是框架問題。「無縫」這詞有點誇張,準確說是「改一行程式碼 + 一次本地模型啟動」。

誰適合用

適合:

  • 想快速搭 Agent 原型,不想學 LangGraph 圖編排
  • 產品經理 / 獨立開發者驗證 idea,30 分鐘內要看到能跑的 demo
  • 已經在用 CrewAI,想試試 workflow 和 self-improving 這層

不適合:

  • 需要複雜狀態機(用 LangGraph)
  • 生產環境長期運行(PraisonAI 還不夠穩定,issue 關閉率不高)
  • 對底層 LLM 呼叫有精細控制的研究團隊(用 LangGraph 或裸調 API)

編輯觀察

PraisonAI 讓我最警惕的不是它本身,而是它的「超集」定位。它和 CrewAI 同源,作者都是 MervinPraison,代表它的護城河其實很薄——一旦 CrewAI 自己加了 workflow 和 self-improving,這套差異化立刻消失。

我猜接下來 6 個月,這類「輕量超集」框架會面臨一次洗牌:要么做深(變成真正的垂直產品,例如專攻某個產業的 Agent),要么被上游 CrewAI 吞掉(合併回主線)。Star 數字在這類專案裡參考價值有限,真正要看的是 issue 關閉率和 PR 節奏——這些數據我下次再扒。

還有個不確定的點:Self-Improving 這塊在 README 裡吹得響,但沒看到 benchmark 數據支撐,我跑 demo 時也沒預設開啟,大概率是工程包裝,不是真正的 RL/SFT 迴圈。這點要等細看程式碼後才能下定論。如果你打算上生產環境,先把這塊當黑盒處理。

參考:PraisonAI GitHub

來源: https://github.com/MervinPraison/PraisonAI