10 个开源 Agent 工具，逐个核过星数和许可证：两个已经不是原来的东西了
搭 Agent 这件事越来越容易了，但选错框架能白白搭进去几个小时。
@RodmanAi（Leonard Rodman）在 X 上列了 10 个值得看的开源仓库，每个一句话定位加一个链接。这类清单的价值在于省掉你自己去找的时间。它通常缺的那一块是「现在什么状态」——项目改名了、代码搬家了、许可证收紧了、仓库只有十几颗星，这些才是选型时会咬人的地方。
所以这份清单我照着 10 个链接逐个查了 GitHub API（2026-10-27）：星数、主语言、许可证、最新发行版、最后推送时间，顺手翻了一遍各自的 README。查完发现两处比清单本身更要紧的变动：清单里至少有两个仓库，已经不是它名字所代表的东西了。
先给结论表，再一个一个说清楚，最后单列查出来的问题。
一、一张表看清这 10 个仓库
| # | 仓库 | 星数 | 语言 | 许可证 | 最新版本 | 最后推送 |
|---|---|---|---|---|---|---|
| 1 | agno-agi/agno | 42,919 | Python | Apache-2.0 | v3.1.10 | 10-27 |
| 2 | crewAIInc/crewAI | 60,172 | Python | MIT | 1.15.30 | 10-27 |
| 3 | pydantic/pydantic-ai | 20,903 | Python | MIT | v2.62.0 | 10-27 |
| 4 | openai/openai-agents-python | 30,332 | Python | MIT | v0.24.0 | 10-27 |
| 5 | microsoft/semantic-kernel | 28,706 | C# | MIT | dotnet-1.81.0 | 10-27 |
| 6 | letta-ai/letta | 25,267 | Python | Apache-2.0 | 0.16.8 | 10-18 |
| 7 | QwenLM/Qwen-Agent | 17,219 | Python | Apache-2.0 | v0.0.26 | 2026-03-04 |
| 8 | n8n-io/n8n | 208,780 | TypeScript | Sustainable Use（非 OSI） | n8n@2.45.4 | 10-27 |
| 9 | BerriAI/litellm | 62,161 | Python | MIT + enterprise/ 另算 | v1.106.4 | 10-27 |
| 10 | oxylabs/web-api-mcp | 18 | Python | MIT | 无发行版 | 10-15 |
星数从 18 到 208,780，差着四个数量级。18 颗星那个不代表没用，但这 10 个不是同一类东西，下面按角色分组。
二、Agent 框架：六个取向不同
1. Agno
原文定位：带工具和记忆的 Agent 构建。
它现在自称「self-improving agent platform」，分三层：Build（用 Agno / Claude Agent / Codex 的 SDK 搭 agent，再组成 teams 和 workflows）、Run（AgentOS 把它们跑成常驻服务，自带 REST API 和 MCP server，还带鉴权、角色权限、断点续跑）、Improve（用 trace、评测和过往对话回头改进 agent）。
除了一堆库，它还带一层服务化运行时：产品走 REST API 调，Claude/ChatGPT 走 MCP，Slack 这类聊天应用走它自己的 Interfaces。对「写完还想挂到线上」的人，这是省事的地方；对「只想在脚本里跑一遍」的人，这层是多余的。
4.29 万星，Apache-2.0，最新 v3.1.10（10-23），当天仍有推送。
2. CrewAI
仓库： github.com/crewAIInc/crewAI
原文定位：组建协作式 Agent 团队。
清单里星数最高的纯框架（6.02 万星）。它有两个抽象，别混：
- Crews：角色驱动的自治协作——谁研究、谁写、谁审，你像写岗位说明书一样写代码；
- Flows：事件驱动的流程控制，精确到单次 LLM 调用和每一步的状态。
新手通常从 Crews 入手，因为它直观；要做有硬性顺序、需要人工审批的业务流程，Flows 才是那个能上生产的层。MIT 许可，最新 1.15.30。
3. Pydantic AI
仓库： github.com/pydantic/pydantic-ai
原文定位：构建可靠、类型安全的 Agent。
名字里的 Pydantic 是关键：它把结构化输出和类型校验当成第一性设计。Agent 要吐 JSON 给下游系统吃，类型在运行期就被钉住，比「在 prompt 里求模型别写错」可靠得多。
README 现在把自己定位成「Python AI SDK」——除了 agent，还覆盖实时语音、图像生成、embedding。另有一个叫 Harness 的组件，专门处理长时间运行、需要多轮协作的任务。
2.09 万星，MIT，最新 v2.62.0（10-27），是这批里迭代最快的之一。
4. OpenAI Agents SDK
仓库： github.com/openai/openai-agents-python
原文定位：用工具和 handoff 编排工作流。
名字带 OpenAI，但它 provider-agnostic，接别家模型没问题。
核心概念有四个：agents（带指令、工具、护栏的 LLM）、handoffs（把对话交给另一个 agent 继续）、agents-as-tools（把 agent 当工具调用）、guardrails（输入输出校验）。此外还有 sandbox agents、realtime agents、voice agents 三个现成的壳。
3.03 万星，MIT，最新 v0.24.0（10-15）。版本还在 0.x，接口会变，长期项目要留意。想用 TypeScript 的，官方另有 openai-agents-js。
5. Semantic Kernel（已并入 Microsoft Agent Framework）
仓库： github.com/microsoft/semantic-kernel 接棒者： github.com/microsoft/agent-framework（14,343★，Python + .NET，MIT，10-27 仍活跃）
原文定位：把 AI 集成进现有应用。
Semantic Kernel 的 README 顶部现在挂着一个 IMPORTANT 声明，“Semantic Kernel is now Microsoft Agent Framework”，并指向新仓库。
所以这个 2.87 万星的老仓库，实际状况是「仍在维护、但官方已把继任者立起来」。新项目按官方意思应该看 microsoft/agent-framework（支持 Python 和 .NET）；已经在 SK 上的存量项目不必慌，但要清楚迁移方向在哪。
它主语言是 C#（另有 Python、Java）。.NET 栈的团队在这里面几乎只有它和继任者这两个选择。
6. Qwen-Agent
仓库： github.com/QwenLM/Qwen-Agent
原文定位：带工具调用和 RAG 的 Agent。
阿里 Qwen 团队的官方 Agent 框架，工具调用、RAG、代码解释器、MCP 都齐，和 Qwen 系列模型配合最紧——README 里写得很直接：它现在是 Qwen Chat 的后端。
现查 1.72 万星，Apache-2.0。但最后代码推送停在 2026-03-04，最新发行版 v0.0.26 是 2025-05-29。README 的更新日志到 2026-02-16（Qwen3.5 的示例），也就是说它不是死了，是近八个月没有新提交。选它要有心理准备：issue 可能没人及时理，新模型适配靠自己。
三、记忆层：Letta（代码已经搬家）
7. Letta
仓库： github.com/letta-ai/letta 实际代码： github.com/letta-ai/letta-code（3,715★，TypeScript，Apache-2.0，10-27 活跃）
原文定位：带长期记忆的 Agent。
前身是 MemGPT，做的是「让模型自己管上下文」——核心记忆、归档记忆、召回记忆分层，模型通过工具调用自己搬运数据。如果你的痛点不是「Agent 不会用工具」而是「聊三轮就忘」，它瞄准的正是这个。
letta-ai/letta 这个 2.53 万星的仓库，README 现在只有几十行，明确写着「当前源码在 letta-ai/letta-code」。新的安装方式是 npm install -g @letta-ai/letta-code，跑起来是个终端交互界面。
所以清单里给的那个链接，现在是指路牌，不是本体。真正在开发的是 TypeScript 版，Python 老代码的活跃度得单独判断。
四、连接层：模型网关、编排、实时数据
8. n8n
原文定位：用 AI 和应用集成来自动化工作流。
二十万星的自动化平台，画布式编排，官方说有 1500+ 集成、9000+ 工作流模板，也能混写 JavaScript/Python 和 npm 包。适合「把一堆 SaaS 串起来，中间塞一个 AI 步骤」，不适合当代码级 Agent 框架用——它的抽象是节点，不是 agent。
9. LiteLLM
仓库： github.com/BerriAI/litellm
原文定位：一个 API 接 100+ 家模型供应商。
它不是 Agent 框架，是模型网关。两种用法：当 Python SDK 直接嵌进代码，或者把 Proxy Server 部署成集中式网关上，统一鉴权、重试、回退、限流、成本统计。接口兼容 OpenAI 格式，换供应商不用改业务代码。
6.22 万星，最新 v1.106.4（10-25）。多模型、多供应商的团队，迟早会需要这一层。
10. Oxylabs Web API MCP
仓库： github.com/oxylabs/web-api-mcp
原文定位：给 Agent 接入实时网页数据。
Oxylabs 是做代理和网页抓取的商业公司，这个仓库是他们官方的 MCP 服务封装——让 Agent 通过标准 MCP 调他们的抓取 API。
清单里性质最特殊的一个：它本质是接入层，真正的抓取跑在 Oxylabs 的付费 API 上。仓库 18 颗星、没有发行版、MIT 许可。当「MCP 怎么接实时数据」的参考实现看没问题，别指望它是社区项目。
五、查出来的六处偏差
原文说这 10 个都是「open-source tools」，严格讲有几处站不住：
1. n8n 不是 OSI 定义的开源
n8n-io/n8n 的 LICENSE.md 写得很清楚：用的是 Sustainable Use License（fair-code）。你可以自由自用、用于自己的内部业务、非商业或非营利目的、修改分发（保留声明），但不能把它当服务转售；带 .ee. 标记的企业功能另有授权。GitHub 标 NOASSERTION 就是这个原因。
自己内部用完全没问题；产品要基于它做托管服务卖给客户，先看许可再动手。
2. LiteLLM 是「核心 MIT + 企业目录另算」
LICENSE 原文：enterprise/ 目录下的内容按该目录自己的许可，其余部分才是 MIT。所以「MIT」对核心成立，对企业功能不成立。用之前确认你要的功能落在哪一边。
3. Semantic Kernel 已经并入 Microsoft Agent Framework
上面说过，官方 README 直接声明了。清单把它当晚辈列出来，实际它现在是上一代。
4. Letta 的代码不在清单给的那个仓库里
letta-ai/letta 只剩指路内容，活跃开发在 letta-ai/letta-code（TypeScript）。
5. Qwen-Agent 近八个月没有代码提交
最后推送 2026-03-04，发行版停在 2025-05-29。它仍是 Qwen Chat 的后端，不算废弃，但「活跃度」和清单给人的印象不一致。
6. Oxylabs 那个是厂商工具，不是社区项目
18 颗星、无发行版、能力依赖付费 API。价值在「省你自己写 MCP server」，不在「开源生态」。
其余四个（Agno、CrewAI、Pydantic AI、OpenAI Agents SDK）都是真 MIT/Apache-2.0，且最近一周内有推送，可以放心评估。
六、怎么选：按你的问题挑，别按星数挑
| 你的问题 | 先看 | 理由 |
|---|---|---|
| 只是想搭第一个 Agent | CrewAI 或 Agno | 抽象直观、示例多、社区大 |
| 要结构化输出给下游系统吃 | Pydantic AI | 类型约束是设计前提 |
| 要做分诊 / 多阶段交接 | OpenAI Agents SDK | handoff 是一等公民 |
| 团队是 .NET 栈 | Microsoft Agent Framework | SK 的继任者，别再新起 SK |
| Agent 记不住上下文 | letta-code | 记忆分层 + 自我管理，注意已是 TS |
| 要接好几家模型、控成本 | LiteLLM | 网关层解决，业务代码不动 |
| 要把 SaaS 串起来加一步 AI | n8n | 节点编排，非工程师也能改；先看许可 |
| 要中文模型全家桶 | Qwen-Agent | 先接受 8 个月无提交的现实 |
| 要实时网页数据 | Oxylabs MCP 或自建 MCP | 看清那是付费 API 的封装 |
| 要托管给别人用 | 一律先看许可证 | n8n、LiteLLM 的企业功能与转售都有边界 |
最后一句实话：这 10 个里没有哪一个是必须用的。框架换来换去的成本通常比一开始选错还高，花两天把两个候选各搭一遍最小可用版本，比读十篇对比文章管用。
清单里 10 个仓库的地址都在上面各节，另附两个接棒仓库（microsoft/agent-framework、letta-ai/letta-code），都能直接点。