动态编排与显式编排
runTeam() 从目标生成任务 DAG，runTasks() 运行你定义的任务图，runAgent() 则覆盖单智能体场景。
← 全部对比
// 对比
open-multi-agent 对比 CrewAI
CrewAI 在 Python 中按角色与流程组织智能体；open-multi-agent 在 TypeScript 中支持动态与显式任务 DAG。主要差别是语言与编排模型。
选 CrewAI，如果
你在 Python 中，需要基于角色的 crew、内置记忆与 RAG，以及 CrewAI 的现有集成。
选 open-multi-agent，如果
你的后端是 TypeScript，想要一个精简内核（三个依赖）、目标驱动的拆解，以及硬性 token 预算。
01 速览
并排来看。
| 维度 | open-multi-agent | CrewAI |
|---|---|---|
| 语言 / 运行时 | TypeScript 原生，可嵌入任意 Node.js 18+ 后端 | 仅 Python（3.10+）；无官方 TypeScript 移植 |
| 编排范式 | 三种模式：单智能体、显式任务 DAG，或由协调器在运行时拆解目标 | 基于角色的 crew，在顺序或分层 process 下运行 |
| 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 | 约 30 个直接依赖，另有大量可选 extras |
| 模型混编 | 支持，同一个团队里的每个智能体都可使用各自的云端或本地模型 | 支持，按智能体设 llm=（原生 SDK，其余走 LiteLLM） |
| 运行预算控制 | 通过 maxTokenBudget 设置 token 上限，或通过 maxCostBudget 与应用自有的 estimateCost 价格表设置估算美元上限 | 无硬上限，max_rpm / max_iter 限制 + 事后用量统计 |
| 可观测性 | TraceRecord v2 + TraceStore、可选的一方 OTel 适配器，以及离线的运行后 Run Viewer | 原生事件总线；转发到 Langfuse / OpenLIT / MLflow 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。
围绕智能体的确定性控制
计划可检查、可审批，也可冻结为数据后重放。结果可用 Zod 校验，还支持按智能体流式输出、取消运行，以及提议者与裁判组成的共识校验。
依赖调度与恢复
调度器并行运行互不依赖的分支。任务重试与检查点让中断的运行恢复时不重复已完成任务。
生产控制
通过轮次、token、估算成本、超时、上下文与循环控制限制工作量。工具默认拒绝授权，链路数据默认脱敏敏感信息。
你的环境与模型
运行在你自己的 Node.js 后端、本地、离线或气隙环境中。同一团队可混用云端与本地模型，并可接入 MCP 工具及 ACP 或进程后端的外部智能体。
检查、追踪与评估
稳定运行标识、TraceStore，以及离线 DAG 与 Waterfall Viewer 均不依赖托管服务。可选 OTel 适配器与 EvalSet 可把运行接入生产遥测和 CI 门禁。
03 机制
它们差在哪。
CrewAI 围绕扮演角色的智能体来组织工作，把它们编成一个顺序或分层运行的 crew，并内置记忆与 RAG。open-multi-agent 则把目标交给协调器，让它在运行时把目标拆解成任务 DAG，并行运行相互独立的任务。两者的编排能力面大致相当；决策主要在语言栈，Python 还是 TypeScript，以及你想要多精简的依赖足迹（CrewAI 拉入约 30 个直接依赖，OMA 是三个）。
CrewAI 适合什么
当 Python 项目需要基于角色的 crew、顺序或分层流程、内置记忆与 RAG，以及现有集成时，CrewAI 合适。这些内置能力也会带来更大的依赖规模。
CrewAI 的 GitHub↗open-multi-agent 适合什么
open-multi-agent 适合你的后端是 TypeScript、且想一直待在这里的场景，无需在 Node 应用旁再立一个 Python 服务。内核刻意做得很小（三个运行时依赖；额外提供方与 MCP 仅在你按需启用时才加载），协调器从目标出发规划工作，maxTokenBudget 则给你一道会中止运行的硬性花费上限。
// 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。
// 对比另一个框架
open-multi-agent vs LangGraph → open-multi-agent vs AutoGen → open-multi-agent vs OpenAI Agents SDK → open-multi-agent vs Mastra → open-multi-agent vs Vercel AI SDK → open-multi-agent vs VoltAgent → open-multi-agent vs Inngest AgentKit → open-multi-agent vs LangChain → open-multi-agent vs LlamaIndex → open-multi-agent vs Pydantic AI → open-multi-agent vs Google ADK → open-multi-agent vs Semantic Kernel →