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。
← 全部对比企业服务
// 对比
open-multi-agent 对比 Pydantic AI
Pydantic AI 把 Pydantic 校验应用于智能体，并通过 Logfire 埋点；open-multi-agent 则在 TypeScript 运行时中使用任务 DAG。主要差别是语言与编排模型。
选 Pydantic AI，如果
你在 Python 中，需要经过校验的智能体输入输出、Logfire 埋点与内置用量上限。
选 open-multi-agent，如果
你想要 TypeScript 原生、目标驱动的多智能体编排，一个从目标构建任务 DAG 的协调器，外加一道按边界检查的 token 熔断器。
01 速览
并排来看。
| 维度 | open-multi-agent | Pydantic AI |
|---|---|---|
| 语言 / 运行时 | TypeScript 原生，可嵌入任意 Node.js 20+ 后端 | Python 原生（构建于 Pydantic 之上）；无 TypeScript 移植 |
| 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 | 类型安全、提供方无关的智能体，带工具调用与依赖注入；多智能体通过委派与 pydantic-graph 实现 |
| 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 | 一个精简内核（pydantic-ai-slim）；模型提供方 SDK 是可选 extras |
| 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，提供方无关，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 | 支持，UsageLimits 含 total_tokens_limit，超支前即抛错（这里少数带真正 token 上限的之一） |
| 可观测性 | TraceRecord v2 + TraceStore、稳定运行标识、可选开启的运行事件日志（记录每次模型调用实际看到了什么）、一方 OTel 适配器，以及离线的运行后 Run Viewer——无需任何托管服务 | 经 Pydantic Logfire 的原生 OpenTelemetry（内置埋点） |
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。关卡也可以挂起而不是就地作答：请求与审阅者的决定与检查点一同持久化，于是决定发生在进程之外，运行随后从完全相同的受审内容恢复。
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。重试与检查点从运行器的安全边界恢复，会回放一个已提交的工具结果，而不是把那个工具再跑一次；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，框架自有的模型流量可以被限制在回环地址或一份源允许清单内，内置 shell 通过你选择的执行器运行，链路数据则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。可选开启的仅追加运行事件日志会记录每一次适配器调用，以及模型看到的每个块的来源，verifyRun() 则可对一份已完成的日志做冷校验。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。
Pydantic AI 提供经校验的输入输出、依赖注入、提供方无关的智能体，以及 Logfire 埋点。它的 UsageLimits(total_tokens_limit=…) 作用于单次 agent run。open-multi-agent 的差别在语言与编排形态：TypeScript 协调器构建并行任务 DAG，maxTokenBudget 则封顶整次 DAG 运行。
Pydantic AI 适合什么
当 Python 项目需要经过校验的智能体输入输出、依赖注入、Logfire 追踪与内置用量上限时，Pydantic AI 合适。它的多智能体模式使用委派与 pydantic-graph。
Pydantic AI 的 GitHub↗open-multi-agent 适合什么
open-multi-agent 适合你想要 TypeScript 原生、目标驱动的多智能体编排：协调器从目标规划一张并行任务 DAG，而非你去接线委派；maxTokenBudget 在边界观察到超限后停止后续调用。若你在 Node 而非 Python，OMA 让你留在这里。
// 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。