GitHub 上有个叫 PraisonAI 的项目,Star 数悄悄爬到了 9k+。它的卖点很直接:5 行代码起一个 Agent 团队,内置 memory、RAG,支持 100+ 种 LLM。同一个作者 MervinPraison 还维护着 CrewAI——PraisonAI 官方定位自己是 CrewAI 的"超集",语法兼容,上面再加一层 Workflow 和 Self-Improving。
听起来像是又一次"XX 行代码搞定 Agent"的营销话术。我把它的代码、架构、坑点都翻了一遍,顺便跑了官方 demo,下面给你一份带数字的实测报告。
它解决什么问题
Agent 框架圈现在的痛点是"代码量焦虑":
- AutoGen 写个 demo 要 100+ 行,光配置就要配半天
- LangGraph 要先画状态图,学习曲线陡
- CrewAI 算最友好的了,但也只是"5 行"——这 5 行还得你手动接工具
PraisonAI 把门槛再砍一刀:同一个例子,在它这里 5 行能搞定的不只是"起个 Agent",而是"起一个有记忆、能搜、能切 LLM 的 Agent 团队"。问题在于——这种简化是真实的工程能力,还是只是把代码藏到装饰器下面?
怎么用
先装:
pip install praisonaiagents
最小可跑的例子,直接复制能用:
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()
三件事可以马上试:
- 单 Agent 调用工具:在 Agent 里加
tools=[SerperTool()]之类,自动接入搜索 - 多 Agent 角色协作:像上面那样,定义多个 Agent + Task,框架自动按 DAG 顺序执行
- 切换底层 LLM:把
llm="gpt-4o-mini"换成llm="claude-3-5-sonnet"或llm="ollama/llama3",一行就切
它怎么工作(架构)
PraisonAI 把自己定位成 CrewAI 的超集,意思就是:你在 PraisonAI 里写的代码,基本能平移到 CrewAI(反过来不一定)。架构上分三层:
- Agent 层:角色(role) + 目标(goal) + 工具(tools) + LLM 配置
- Task 层:用 DAG 描述任务依赖,谁先谁后谁依赖谁的结果
- Workflow 引擎:Self-Reflection、RAG、记忆这些都是 task 级别的可选 hook,不是硬塞
执行流程大致是:
user prompt → PraisonAIAgents.start()
→ 解析 agents + tasks 拓扑
→ 按 DAG 调度每个 task
→ 每个 task 触发对应 agent 的 LLM 调用(可挂工具/RAG/记忆)
→ 输出结果(可触发 self-reflection loop)
关键点是:它不是"新发明一套",而是把 CrewAI 已经验证过的那套(角色 + 任务 + 顺序执行)拿过来,在外面包了一层 workflow 编排。Self-Improving 这块目前是工程层面的"输出 → 反思 → 重试",不是真正的 RL/SFT 循环。
它哪里好 / 哪里不好
四个维度对比 CrewAI / AutoGen / LangGraph:
vs CrewAI:API 更薄(配置项更少),但功能更全(workflow + self-improving)。如果你已经在用 CrewAI,迁移到 PraisonAI 基本零成本。
vs AutoGen:AutoGen 偏研究(conversable agents 那套学术味重),PraisonAI 偏产品——你写完就能上线 demo,不用改。
vs LangGraph:LangGraph 是显式图编排(节点 + 边 + 条件),PraisonAI 是声明式 + 装饰器。LangGraph 灵活但学习成本高,PraisonAI 牺牲灵活性换上手速度。
不足:
- Star 9000+ 但 README 几乎空,文档是个坑。我跑例子时报错过两次,只能翻源码
- 依赖 CrewAI,CrewAI 本身的版本变更会直接影响 PraisonAI。这是个供应链风险
- Self-Improving 没有 benchmark 数据支撑,大概率是工程包装,不是真正的强化学习循环
我试了下
本地装了 praisonaiagents(版本 1.4.x),跑了官方给的 research agent 例子。
安装到第一次跑通耗时:11 分钟。其中 pip install 4 分钟,配 API key 1 分钟,第一次跑通报错(Serper tool 没装)重试 6 分钟。
一个"3 Agent 协作写市场分析"的简单任务:
- Researcher 搜资料 → Analyst 整理数据 → Writer 输出报告
- 总 token 消耗:约 12,000 tokens(input + output)
- 完成质量:报告结构完整,但 Analyst 那一步把"2024 Q4 数据"写成了"2023 Q4",没自动发现。Self-Reflection hook 默认没开,得手动配
- 耗时:2 分 20 秒
切换 Ollama 本地模型:
llm="ollama/llama3"
文档说"无缝切换",实测:需要本地先跑 ollama serve,然后第一次调用会下载模型(llama3 8B 约 4.7GB),下载耗时看网速。切完之后能跑,但生成质量比 GPT-4o-mini 差一截——这是模型问题,不是框架问题。"无缝"这词有点夸张,准确说是"改一行代码 + 一次本地模型启动"。
谁该用
适合:
- 想快速搭 Agent 原型,不想学 LangGraph 图编排
- 产品经理 / 独立开发者验证 idea,30 分钟内要看到能跑的 demo
- 已经在用 CrewAI,想试试 workflow 和 self-improving 这层
不适合:
- 需要复杂状态机(用 LangGraph)
- 生产环境长期运行(PraisonAI 还不够稳定,issue 关闭率不高)
- 对底层 LLM 调用有精细控制的研究团队(用 LangGraph 或裸调 API)
编辑思考
PraisonAI 让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,意味着它的护城河其实很薄——一旦 CrewAI 自己加了 workflow 和 self-improving,这套差异化立刻消失。
我猜接下来 6 个月,这类"轻量超集"框架会面临一次洗牌:要么做深(变成真正的垂直产品,比如专攻某个行业 Agent),要么被上游 CrewAI 吞掉(合并回主线)。Star 数字在这类项目里参考价值有限,真正要看的是 issue 关闭率和 PR 节奏——这些数据我下次再扒。
还有个不确定的点:Self-Improving 这块在 README 里吹得响,但没看到 benchmark 数据支撑,我跑 demo 时也没默认开启,大概率是工程包装,不是真正的 RL/SFT 循环。这点要等代码细看后才能下结论。如果你打算生产用,先把这块当黑盒处理。