
Docker Agent 替代品:4 框架 10 维对比
先给结论。只想写份 YAML 就跑起一支 Agent 团队,留在 cagent 别换。团队有 Python 工程师、要断点续跑、要接自己的审核流,那就换,首选 LangGraph。
再补两条分支:强依赖 OpenAI 的追踪和护栏,换 OpenAI Agents SDK;想两周内做出让老板看得见的东西,试试 CrewAI。
这篇不谈「10 个 Agent 框架大盘点」那种清单。我们从 cagent 出发:它强在哪,什么信号说明该换了,换到谁,换过去付多少代价。所有版本号、stars、许可证都是发稿当天从官方仓库和定价页直接拉的。
cagent 现在到底是个什么状态
先把事实摆清楚,因为很多中文文章还在用 2025 年的数字。
Docker Agent(社区常叫 cagent)是 Docker 工程团队做的 Agent 构建器和运行时,仓库 docker/docker-agent,Go 语言,Apache-2.0。官方自我描述:用声明式 YAML 配置构建、运行、分享 AI Agent。
发稿时的硬数据,都是从 GitHub 官方仓库 和 发布页 直接读的:
- stars 4,606,fork 529,open issues 61
- 最新版本 v1.152.0,2026 年 10 月 21 日发布
- 仓库创建于 2025 年 9 月 1 日,也就是说这个项目才刚满一岁
- 语言 Go,安装方式是 Docker Desktop 4.63+ 自带的 CLI 插件,或者 brew install docker-agent
那个版本号值得单说。一年多推到 152 个版本,平均两天多一版,更新快,但反过来说 API 和行为还在高频变动。要把它塞进生产流水线,得接受隔几天重跑回归。

它的能力清单里,这几项是真差异化的:
- 一份 YAML 定义整支团队,root agent 可以委派给子 agent,不用写胶水代码
- 工具生态走 MCP,本地、远程、Docker 容器化的 MCP server 都能挂
- 模型不绑定厂商,OpenAI、Anthropic、Gemini、Bedrock、Mistral、xAI 都支持,也能用 Docker Model Runner 跑本地模型
- 内置 think、todo、memory 三个推理工具,RAG 支持 BM25、向量、混合检索和重排
- 用 OCI registry 分发 Agent,docker agent run myorg/agent:tag 就能拉别人的 Agent 来跑
第 5 条是 cagent 独一份的思路:把 Agent 当镜像来分发和版本管理。对「团队内部统一标准 Agent」非常好用,其它框架目前没做到。
什么信号出现,说明你该换掉 cagent
不是所有人都会踩到这些坑,但踩到的人基本没法绕。我把实际会遇到的情况归成四类,你逐条对号。
信号一:你需要 SDK,而不是一个 CLI
cagent 的形态是命令行工具加 TUI,可编程入口是 YAML 和一批命令行参数,你的 Agent 逻辑活在配置文件里,不在代码里。
要做「Agent 作为产品功能嵌进 Web 应用」,按请求动态生成 Agent、按用户权限改写工具列表、结果写进自己的数据库,YAML 就是天花板,每次逻辑变化都要改配置、重建镜像、重新部署。要 SDK,只能走 CrewAI、LangGraph、OpenAI Agents SDK。
信号二:你要断点续跑和人工审批节点
cagent 有确认机制,但那是「工具调用前点确认」,不是「工作流跑到第三步暂停、等审批人上班后从第三步继续」。工作流级断点需要状态快照和恢复,这是 LangGraph 的看家本领:checkpoint 配 thread_id,能回溯任意节点重放。cagent 的会话历史给对话用,不给工作流编排用,两件事经常被混淆。
信号三:你的团队不是 Go 团队
cagent 是 Go 项目。不用写代码就能用,但只要改它的行为(加自定义 toolset、改调度逻辑),就得进 Go 代码。纯 Python 团队为改 Agent 框架去学 Go,账算不过来。
另外三家都是 Python 起步,你的工程师已经在写 Python,改造成本接近零。另一个相关情况是云厂商绑定:全栈在 Azure、或公司规定推理走 Bedrock,硬塞一个 Go 写的本地 CLI 进去,运维要骂人。
信号四:你要深度的可观测和评估
cagent 有 telemetry,但那不给你的评估体系用。你要的是「20 个 prompt 变体各跑 100 次,比较工具调用准确率和 token 成本」,需要 trace、dataset、evaluator 三件套。LangGraph 有 LangSmith,Agents SDK 内置 tracing,CrewAI 有 Cloud 和 Studio。cagent 在这个维度是空白。
四个替代框架的 10 维对比表
下表每一个数字都能在本文 evidence 里找到出处。stars 和版本号取自本文发稿当天(2026 年 10 月 25 日)的 GitHub 官方 API,价格取自各家官方定价页。
| 维度 | Docker Agent (cagent) | CrewAI | LangGraph | OpenAI Agents SDK | AutoGen |
|---|---|---|---|---|---|
| 开源协议 | Apache-2.0 | MIT | MIT | MIT | 代码 MIT / 文档 CC-BY-4.0 |
| GitHub stars | 4,606 | 60,081 | 43,863 | 30,271 | 61,554 |
| 最新版本 | v1.152.0(2026-10-21) | 1.15.30(2026-10-24) | 1.2.17(2026-10-24) | v0.24.0(2026-10-15) | python-v0.7.5(2025-09-30) |
| 定义方式 | YAML 配置 + CLI | Python 代码 + 可视化 Studio | Python 代码(图结构) | Python 代码 | Python 代码 |
| 框架本体价格 | 免费 | 免费(Basic 档 50 次工作流执行/月) | 免费(MIT 核心库) | 免费 | 免费 |
| 配套付费服务 | 无(无官方商业版) | Enterprise 定制报价 | LangSmith Plus 39 美元/席位/月 | 无强制,OpenAI 平台按量计费 | 无(走 Azure) |
| 多 Agent 编排 | root + 子 agent 委派 | Crews(角色协作)+ Flows(事件驱动) | 图 + 条件边 + 子图,支持层级 | handoffs + agents as tools | 群聊式多 Agent 对话 |
| 本地模型 | 支持,Docker Model Runner | 支持(走 LiteLLM 层) | 支持 | 支持,官方称兼容 100+ LLM | 支持 |
| 分发方式 | OCI registry 推拉 Agent 镜像 | 私有 Agent/tool 仓库、导出 MCP server | LangGraph Platform 部署 | 无官方打包分发 | 无官方打包分发 |
| 适合谁 | 不写代码就想跑起 Agent 团队 | 想要业务级可视化编排 | 要精确控制工作流的生产系统 | OpenAI 生态内的轻量多 Agent | 研究型、微软/Azure 栈 |
分维度详解:换到谁,为什么
维度一:写代码还是写配置
最根本的分野。cagent 把「不写代码」当卖点,一份 YAML 就是全部逻辑,上手极快,代价是灵活性锁死在 schema 里。CrewAI 走中间路线,要写 Python 但抽象层比 LangGraph 高,定义角色、目标、Task 再组装成 Crew,还有 Studio 可视化编辑器。LangGraph 最低层,State、Node、Edge 全显式定义,控制力最强、曲线最陡。OpenAI Agents SDK 最轻,核心概念就五个。
判断很简单:愿意写大量 Python 且要精确控制,LangGraph;中等量且要快出结果,CrewAI;少量且全在 OpenAI 生态,Agents SDK。

维度二:多 Agent 编排模型差在哪
cagent 是委派制,root 把做不了的活派给子 agent,拓扑是树,但两个子 agent 不能像群聊那样互相商量。CrewAI 是角色制,Crews 按顺序或层级协作,Flows 用事件驱动做精确调度。LangGraph 是图制,能循环、能条件分支、能开子图、能多 agent 互评投票,画错就死循环。OpenAI Agents SDK 是 handoff 制,把控制权明确移交下一个 Agent。AutoGen 是群聊制,自动选下一个发言者,原型最快但不可预测。
这里有个常见误判:cagent 的树基本覆盖了大多数实际需求。不少人换掉它是换错了方向,被「多 Agent」这个词吸引去上图编排,结果复杂三倍、稳定性更差。
维度三:本地模型和模型自由度
这一维度 cagent 反而最强,很多人换出去又换回来就是因为这个。它支持 OpenAI、Anthropic、Gemini、Bedrock、Mistral、xAI,并深度集成 Docker Model Runner。后者支持 llama.cpp(默认,全平台)、vLLM(生产高吞吐,需 NVIDIA GPU)、Diffusers(Stable Diffusion)三种引擎,模型能从 Docker Hub、任意 OCI registry 或 Hugging Face 拉。
这意味着可以 Mac 上跑通、搬到有卡的 Linux 换 vLLM 提吞吐,模型名不用改。CrewAI 和 LangGraph 自由度同样高,但本地推理要自己搭 Ollama 或 vLLM。
维度四:钱的算法
五家本体都免费,差异在配套服务。cagent 没有官方商业版,成本就是 token 或电费。CrewAI 只有两档:Basic 免费含 50 次工作流执行/月,Enterprise 定制报价、含 SSO 和 RBAC、附 45 天 onboarding。LangGraph 核心库 MIT 永久免费,但 LangSmith 另算:Developer 档 0 美元含每月 5,000 条 trace 且仅 1 席位,Plus 档 39 美元/席位/月不限席位,五人团队要用完整追踪是 195 美元/月起。OpenAI Agents SDK 无强制服务费,tracing 按用量计费。
容易忽略的是免费额度的颗粒度:CrewAI 的 50 次是执行次数,LangSmith 的 5,000 条是 trace 条数。自动化一天跑几百次,两档都是三天用完的水平。
维度五:分发和复用
cagent 的 OCI registry 方案是独创的。团队打包成镜像,同事跑 docker agent run 公司/客服-agent:v3 就跑起来,版本、权限、审计全借用容器生态。CrewAI 有私有 Agent 和工具仓库,能导出成 MCP server。LangGraph 走 LangGraph Platform,另两家没有官方一体化打包。
如果痛点是「每人自己搭一套、出问题没法复现」,这是 cagent 最值得留下的理由。
维度六:生产可靠性
LangGraph 最强,原因很具体:checkpoint 让长任务中断恢复,人工审批可在节点挂起,thread_id 管理会话历史,Studio 能回溯任意 checkpoint 重放。CrewAI 用 Flows 补齐,事件驱动、支持确定性编排。
cagent 其实不弱,v1.152.0 做了 REST API 的 CSRF 和 DNS rebinding 加固、历史加载从二次方降到线性。但它同期还在做 Claude 5.x 九模型显式表和拒绝服务端 fallback,说明相当一部分研发精力花在适配新模型上,而不是更多编排能力。
维度七:生态热度和你能找到多少答案
这条最不技术但最影响日常。stars 依次是 AutoGen 61,554、CrewAI 60,081、LangGraph 43,863、Agents SDK 30,271、cagent 4,606。
AutoGen 最新 Python 版本停在 python-v0.7.5(2025 年 9 月 30 日),一年多没发新版,微软已转向新的 Agent Framework 产品线,用之前先看 issues。CrewAI 官方说社区课程认证开发者超 10 万,第三方称它被近一半财富 500 强使用,但官方定价页写 65%,口径不一致,数字别太当真。
cagent 社区小,但官方文档质量不差,概念、配置、TUI、CLI、MCP、RAG、各 provider 都有独立页面。
场景化推荐:对号入座
你是运营、产品,不会写代码,要一个能跑起来的 Agent 团队。 留在 cagent。写份 YAML,docker agent new 交互式生成,二十分钟能跑通。换到任何 Python 框架都是自找麻烦。步骤看 Docker Agent cagent 安装教程,配置字段看 Docker Agent YAML 教程。
你是 Python 后端,要 Agent 长在业务系统里。 换 LangGraph。SDK、状态管理、断点续跑、人工审批,这些在前端产品里迟早要用到。代价是学习曲线最陡,第一周基本在画图。
你要两周内做出让老板看得见的东西。 换 CrewAI。角色抽象直观,Studio 能拖,官方例子能直接改。选择不优雅,但见效快。
你在用 OpenAI API,只要轻量多 Agent。 换 OpenAI Agents SDK。概念少,tracing 内置,handoff 语义清晰。缺点是 v0.24.0 还在 0.x,会有破坏性变更,锁版本号再上。
你在 Azure 栈上,公司要求走微软方案。 看 AutoGen 或微软新的 Agent Framework,先查维护状态再定。
你的核心需求是本地模型、数据不出内网。 留在 cagent,配 Docker Model Runner 这条路最短。额度算账看 Docker Agent 免费用。
你要深度追踪和评估,天天调 prompt。 换 LangGraph 加 LangSmith,或 OpenAI Agents SDK。这条没办法,cagent 给不了。

迁移成本:从 cagent 换出去要付什么
这部分竞品清单文基本不写,但它决定你换得值不值。
第一笔:YAML 重写成代码。 一份 agent.yaml 装着模型、指令、toolsets、委派关系,换到 Python 框架全要变成对象实例化代码。三 Agent 小团队约 150 到 300 行 YAML,重写是 200 到 400 行 Python,半人天到一个半人天。
第二笔:MCP 工具重新接。 cagent 的 MCP 内置,写 type: mcp 加个 ref 就行。换到 LangGraph 要自己接适配层;Agents SDK 反而轻松,原生支持 MCP,v0.24.0 还加了 annotations 透传,这一笔最便宜。
第三笔:RAG 重建。 cagent 自带 BM25、向量、混合检索和重排。换出去后 LangGraph 要接 retriever 生态,CrewAI 有内置但偏浅。重度用 RAG 的话这是最大的一笔。
第四笔:分发方式丢失。 OCI registry 换到任何一家都没有对等方案,得自己搭 CI 打包、写部署文档、管版本一致性。这是长期隐性成本,很多人迁移完半年后才疼。
第五笔:本地模型体验降级。 从 Docker Model Runner 换到自建 Ollama 或 vLLM,多出 GPU 环境维护、模型版本管理、推理服务监控。原来在 Mac 上跑小模型验证,换完可能直接跑不动。
反向的那笔账:留下来要付什么。 在 cagent 上每加一个自定义逻辑,就是一次 schema 绕道或一份 Go 代码修改。项目一年推到 152 个版本,你的 fork 隔几天就得 rebase,这个成本不迁移也要付。
实用建议:迁移算一次性两周投入,留下的成本按月要花多少小时绕道来算,两数一比就有答案。
常见问题
Docker Agent cagent 是免费的吗,有没有商业版
开源框架本体免费,Apache-2.0,仓库公开。没有官方商业版,也不卖席位或额度,支出只有模型 API 费用或本地机器成本,用 Docker Model Runner 跑本地模型可以做到零 API 支出。细账看 [Docker Agent 免费额度怎么拿](https://www.ai345.info/ai-guide/docker-agent-free-guide)。
Docker Agent 和 CrewAI 哪个好
看你会不会写 Python。不会写或不想写,选 cagent,一份 YAML 跑起一支团队,还能用 OCI registry 推给同事。会写且要业务级可视化编排,选 CrewAI,有 Studio 编辑器和 Crews 加 Flows 两层抽象。Stars 是 60,081 对 4,606,社区厚度差一个数量级。
cagent 能接 MCP 吗,换框架以后 MCP 工具还能用吗
能接。cagent 内置 MCP,本地、远程、Docker 化三种都行,写 toolsets 加 type: mcp 即可。MCP 是协议层的东西,不绑框架,换框架工具还在,但接入代码要重写。OpenAI Agents SDK 原生支持 MCP,迁移最省事;LangGraph 要自己接适配层。
多智能体框架为什么不推荐 AutoGen 了
不是不推荐,是要先看维护状态。AutoGen 仓库 61,554 stars 很高,但最新 Python 版本停在 python-v0.7.5(2025 年 9 月 30 日),一年多没新版,微软的 Agent 能力已迁到新的 Agent Framework 产品线。在 Azure 生态里先确认官方推荐哪个包,别照 2025 年的教程装。
从 cagent 迁移到 LangGraph 大概要多久
按工作量拆:三 Agent 小团队,YAML 重写成图结构约半人天到一人天,MCP 重接约半天,RAG 重建最重、一到两天。加上测试回归,实际一到两周比较现实。还在原型阶段、没有生产流量,这个投入值得;已经在生产跑几个月,先算清楚停下来两周的机会成本。
这些框架国内能正常用吗
框架本体都是开源代码,pip 或 brew 装下来就能跑,没网络门槛。有门槛的是模型:用 OpenAI、Anthropic、Gemini 官方 API 在国内要处理网络问题;不想折腾就走本地模型,cagent 配 Docker Model Runner 最省事,支持 llama.cpp 全平台跑量化 GGUF,也能从 Hugging Face 拉。另外 Docker Hub 拉镜像在国内可能很慢,提前配好加速。

京ICP备2024094994号-29