8 个开源 Agent / Skill 工具：使用者反馈和官方口径，我对照着理了一遍
想给工作流接个 AI，一搜框架一大把：AutoGen、CrewAI、LangGraph、n8n、Dify……到底谁适合谁？
这篇不替你下结论，也不每个都跑（那是以后的 L2 真测）。这里只做一件事：把网上使用者怎么吐槽、官方怎么定位，对照着收成一份清单。你对着自己的需求挑。
（说明：本文为网络公开资料收集整理，非官方说明，仅供参考；链接与版本可能变动，使用前请自行核实。）
先厘清一个容易混的点——
SKILL 和 AGENT 不是一回事
- Agent（智能体）：让 AI 自主跑一段流程，自己决定调哪个工具、走哪一步。上面那串框架大多属于这一类。
- Skill（技能）：把"怎么做某件具体的事"固化成一个可复用模块——相当于给 AI 装一本"专家操作手册"，需要时按手册执行。它不自己跑流程，是被人/Agent 调用的"能力单元"。
一句话：Agent 是"自己干活的"，Skill 是"被叫来干某类活的专家手册"。 下面两类都收。
---
一、Agent 编排框架（让多个 AI 协同）
1. OpenAI Agents SDK · Swarm 的生产版
- 官方怎么说：MIT 许可，Python 3.9+；官方定位是此前实验性 Swarm 的"生产就绪替代"，核心就 5 个原语——Agent / Tool / Handoff（移交）/ Guardrail（护栏）/ Session。内置 agent loop、tracing、MCP 工具调用。
- 使用者怎么说：多家评测认为它的 handoff（专家间移交）最干净、上手最快，是 2026 年最简单的生产起步框架；但模型层默认绑 OpenAI Responses API，换别家要借 LiteLLM 这类适配层（agentpedia / agentbus 评测）。
- 需要什么：Python 3.9+、一个 OpenAI API key、
pip install openai-agents。 - 上手一句话：
from agents import Agent, Runner写个 Agent，跑Runner.run_sync(agent, "问题")即得答案。 - 源码（GitHub）：https://github.com/openai/openai-agents-python
2. CrewAI · 角色化多智能体，原型最快
- 官方怎么说：MIT 许可，Python；用 role / goal / backstory 定义"团队成员"，框架内部处理通信与任务排序。官方文档建议真实应用从 Flows（状态/条件/循环）起步。
- 使用者怎么说：实测从搭建到跑通耗时最短，典型市场调研任务 20 行 Python 就能转起来；但当 Agent 超过两三个、或依赖关系非线性时，控制流表达力会到瓶颈（xie.infoq.cn / similarlabs 评测）。
- 需要什么：Python 环境、
pip install crewai、一个 LLM API key（不绑死 OpenAI）。 - 上手一句话：定义几个
Agent(role=..., goal=...)，丢进Crew跑起来。 - 源码（GitHub）：https://github.com/crewAIInc/crewAI
3. LangGraph · 图状态机，生产首选
- 官方怎么说：MIT 许可，Python + JS/TS；把流程建成"节点+边"的有向图，原生支持持久化、检查点、人工审批闸口（HITL）、并行与循环。官方列举 Klarna、Uber、LinkedIn 在生产中使用。
- 使用者怎么说：能力天花板在几个框架里最高，复杂流水线稳定；代价是学习曲线最陡，需要图论/状态机基础，生产还要自己补监控运维（xie.infoq.cn / decodethefuture 评测）。
- 需要什么：Python（或 JS）、
pip install langgraph、LLM key；重生产可接 LangSmith（可观测，付费层）。 - 上手一句话：
StateGraph定义节点和边，compile()后invoke跑。 - 源码（GitHub）：https://github.com/langchain-ai/langgraph
4. Microsoft Agent Framework / AutoGen · 微软系归口
- 官方怎么说：AutoGen 已进入维护模式（社区接管，不再加新特性）；微软 2026-04 发布 Agent Framework 1.0（MIT，LTS），合并 AutoGen 与 Semantic Kernel，.NET + Python 双栈，A2A / MCP 原生。
- 使用者怎么说：选 AutoGen 基本就是选"老路维护"或"迁移到 MAF"；AG2 是原始作者社区分叉，走老线。若本就在 Azure / .NET 生态，MAF 的企业支持故事最完整（similarlabs / blckalpaca 评测）。
- 需要什么：Python 或 .NET；
pip install agent-framework；Azure 生态可选。 - 上手一句话：新项目直接按 MAF 的 Agents API 写，别再从头用经典 AutoGen。
- 源码（GitHub）：https://github.com/microsoft/agent-framework
5. MetaGPT · 把"公司 SOP"固化成多智能体
- 官方怎么说：开源多智能体框架，隐喻是"一家软件公司"——产品经理、架构师、工程师等角色协作产出结构化交付物。
- 使用者怎么说：适合把明确、可分解的流程（如生成需求文档、竞品分析）自动化，输出有结构；定位偏研究 / 流程自动化，不是通用生产编排（公开评测与文档归纳）。
- 需要什么：Python、
pip install metagpt、LLM key。 - 上手一句话：给一个自然语言任务，框架按预设角色链产出多份文档。
- 源码（GitHub）：https://github.com/geekan/MetaGPT
---
二、工作流 / Skill 平台（把 AI 嵌进现有业务）
6. n8n · 连接一切的可视化自动化
- 官方怎么说：工作流自动化工具，Docker 或云端部署，默认端口 5678；支持私有化，对数据安全敏感的企业友好。云端版 14 天试用。
- 使用者怎么说：跨系统"连接"能力最强，能把 AI 当作流程里的一个处理节点嵌入现有业务；缺点被多次提到——内置存储默认非持久、版本控制不成熟，上生产要自己加工程化处理（搜狐 / 腾讯云开发者评测）。
- 需要什么：Docker（或注册 n8n Cloud）；接大模型需自备 API key 填进 Credentials。
- 上手一句话：画布拖节点，加一个 "AI Agent" 节点，配模型 + 记忆 + MCP 工具即可。
- 源码（GitHub）：https://github.com/n8n-io/n8n
- 详细操作手册：见《n8n 操作手册：零代码搭一个会自己干活的 AI 工作流》。
7. Dify · 开源 LLM 应用平台，RAG 强
- 官方怎么说：MIT 类开源，GitHub 12 万+ star；定位"像搭积木一样开发 AI 应用"，强项在 RAG 引擎、可视化工作流、插件市场（8000+）。官网云超 5 个智能体需付费，本地部署几行命令起。
- 使用者怎么说：企业级全栈能力、私有化部署是刚需场景的首选；但学习曲线偏陡，高并发下性能要权衡（搜狐总结评测）。
- 需要什么：一台服务器（或 dify.ai 云）；本地部署
git clone+ docker compose 启动；自备模型 key（支持 OpenAI / Claude / DeepSeek / 本地模型）。 - 上手一句话：开网页拖工作流，导入知识库，几分钟出一个问答机器人。
- 源码（GitHub）：https://github.com/langgenius/dify
8. Claude Agent Skills / 开源 Agent Skills 标准 · 可复用专家手册
- 官方怎么说：Anthropic 2025 推出的"程序性知识封装"机制——用
SKILL.md把指令 + 可选脚本/资源打包成能力模块，按 description 匹配自动激活；采用"渐进式披露"（只加载目录元数据，用到才展开细节），省上下文。已有开放标准 agentskills.io。 - 使用者怎么说：最适合"稳定、可重复、要审计"的活——代码审查、文档生成、迁移检查；但它不是长期记忆（那是 Projects/RAG），也不是外部连接（那是 MCP），别拿错地方（claude.com / claudecn 官方说明）。
- 需要什么：Claude Code / Claude.ai / API 其一；自定义技能放
.claude/skills/目录或打包 zip 上传。 - 上手一句话：写一个
SKILL.md（name + description + 指令），需要时 AI 自动按手册执行。 - 资料：官方说明 https://www.claude.com/blog/skills-explained · 开放标准 https://agentskills.io
---
深度说明：一个 Skill 到底长什么样（呼应第 8 条，也接 RED Skill 那篇）
上面把 Agent 和 Skill 分开说了，这里把"Skill 本身"再拆开一层——因为越来越多的工具（Claude Agent Skills、RED Skill、甚至 Coze 的插件）底层都是同一套思路。
一个 Skill 的"四件套"（以 SKILL.md 为例）
- 目录元数据：
name+description，启动时就被加载，用于"该不该激活这个技能"的匹配——这是它能在对的时候被叫出来的关键。 - 指令正文：怎么做这件事的步骤、规则、边界。
references/：长文档、模板、背景知识，按需展开，不占初始上下文。scripts//assets/：可执行的脚本、固定模板等"真家伙"。
渐进式加载（为什么它不占满上下文）
Skill 不是一上来把整本手册塞进对话，而是只加载 name + description（几百字），等任务真正命中时才展开指令正文、再按需读 references/。这就是 Anthropic 说的"渐进式披露"——也是 Skill 能稳定堆很多个而不爆上下文的原因。
三层结构（以 RED Skill 为例）
- CLI 层：
redskill命令行，负责安装/调用/管理； - Skill 层：
SKILL.md本体，定义"怎么干"； - Plugin 层：挂组件 + 对接真实运行环境（OpenClaw / Claude Code 等）。
注意：Skill 是"能力单元"，自己不会跑——它要有人或 Agent 来调用，再交给 Agent 环境执行。
同类 Skill 生态对照（顺手把这条线串起来）
既然都在玩"可复用技能"，摆一起看看各自的身位（细节见《RED Skill 全量上线》与《国外三大 AI 编程智能体横评》）：
| 生态 | 规范 / 格式 | 运行环境 | 分发方式 | 特点 |
|---|---|---|---|---|
| RED Skill（小红书） | 沿用 Anthropic Agent Skills 规范 | 跳站外 Agent（OpenClaw / Claude Code） | 社区种草式、笔记挂载 | 借规范 + 用社区做分发，不卷模型 |
| Claude Agent Skills（Anthropic） | 官方 SKILL.md 规范 + agentskills.io 开放标准 | Claude Code / Claude.ai / API | 目录或 zip 上传 | 最正统，渐进式披露，审计友好 |
| OpenClaw | 开源 Agent 运行环境 | 本地 CLI | 自托管 | 承接 RED Skill 的执行侧，独立也能用 |
| 腾讯 SkillHub / Coze / Dify | 平台自有 Skill / 插件 | 平台内运行 | 平台市场 | 闭环最完整，但相对封闭、绑定平台 |
一句话对照：Anthropic 定规范、Claude Code 是原生运行场；小红书用社区把"种草+分发"做成了差异；Coze/Dify 走平台内闭环。 Skill 这条线，2026 年明显在从"各造各的"走向"共用一套 SKILL.md 语言"。
资料与源码（GIT）一览
| 工具 | 类型 | GitHub / 源码 |
|---|---|---|
| OpenAI Agents SDK | Agent 框架 | github.com/openai/openai-agents-python |
| CrewAI | Agent 框架 | github.com/crewAIInc/crewAI |
| LangGraph | Agent 框架 | github.com/langchain-ai/langgraph |
| Microsoft Agent Framework | Agent 框架（.NET/Py） | github.com/microsoft/agent-framework |
| MetaGPT | 多智能体 | github.com/geekan/MetaGPT |
| n8n | 工作流平台 | github.com/n8n-io/n8n |
| Dify | LLM 应用平台 | github.com/langgenius/dify |
| Claude Agent Skills | Skill 标准 | 官方文档 + agentskills.io（非单一仓库） |
几点事实小结（不替你选）
- 这 8 个全部开源（以 MIT 为主），自托管免费；真花钱的是 LLM token —— 多 Agent 来回对话会明显推高调用量，几个评测都专门提醒了这点。
- "免费框架"不等于"免费运行"。要不要上托管/可观测层（LangSmith、CrewAI AMP、n8n 高级许可）才是成本分水岭。
- 选哪个看三件事：你的语言栈（Python / .NET / 低代码）、要不要持久化与人工审批（要就偏 LangGraph / MAF）、在不在某个大厂生态（Azure 选 MAF、要私有化选 n8n / Dify）。
- 本文是 L1 资料盘点（依据公开使用者说明 + 官方文档对照），未逐一真跑。是否值得深测，看你实际会不会用到。
- 想自己调度试试这些工具，可以在 WorkBuddy 云上模式里用（混元 Hy3 免费体验到 2026-07-22 23:59）；本文只做收集，不引导你买或装任何东西。
- 本文为网络公开资料收集整理，非官方说明，仅供参考；链接与版本可能变动，使用前请自行核实。
参考来源（使用者说明 + 官方口径）
- CrewAI vs AutoGen vs LangGraph 对比（similarlabs，2026）：https://similarlabs.com/blog/crewai-vs-autogen-vs-langgraph
- LangGraph/CrewAI/AutoGen 架构对比（blckalpaca，2026-05）：https://blckalpaca.at/en/knowledge-base/ai-agents/ai-agent-frameworks-comparison
- 2026 Multi-Agent 平台选型（xie.infoq.cn）：https://xie.infoq.cn/article/26b33b0ea03078f874b20cfa5
- OpenAI Agents SDK 指南（agentpedia / agentbus）：https://agentpedia.codes/blog/openai-agents-python-guide
- OpenAI Agents 官方 Quickstart：https://developers.openai.com/api/docs/guides/agents/quickstart
- n8n 部署与使用（腾讯云开发者）：https://new.qq.com/rain/a/20250930A03HEG00
- Dify 入门（搜狐）：https://www.sohu.com/a/966736045_121124359
- Claude Agent Skills 说明（claude.com / claudecn）：https://www.claude.com/blog/skills-explained