22个AI Agent框架正面对决，前12名仅相差1.4个百分点

研究人员刚刚对22个AI Agent框架进行了正面测试。16,495个任务，$3,154 API费用，685,000次API请求，24天计算。

令人不安的发现：前12个框架仅相差1.4个百分点。

LangGraph、CrewAI、AutoGen、MetaGPT、OpenAI Agents——在相同条件下测试，相同模型，相同配置。每次会议上讨论的架构差异——单Agent vs 多Agent，层级式vs图式——对推理准确率几乎没有可测量的影响。

真正有影响的是：内存管理、重试策略、上下文窗口纪律、失败处理。是工程，不是架构。

MetaGPT——65K GitHub stars，研究中最受欢迎的框架——在数学任务上得分0%。微软的AutoGen排名第22名中的第18名。Camel在单个基准测试上运行了11天都没完成。

GitHub stars什么都预测不了。最受欢迎的框架表现最差。

增加更多Agent反而更糟。两个Agent是最佳配置。四个Agent增加了成本和时间，却没有提高准确率。