CrewAI, nebo AutoGen: serverless provoz obrací zdánlivě snadnou volbu

Pro víceagentní proces s pevnými větvemi a sdíleným stavem dává smysl začít u CrewAI Flows. Jestliže další krok vzniká výměnou zpráv a předáváním práce mezi agenty, přirozenější volbou je AutoGen AgentChat. U krátkých serverless úloh však může do výběru výrazně promluvit i čas spuštění nového procesu.

To mění zdánlivě jednoduché porovnání rolí a konverzace. Provozní měření sice ukazuje výrazný rozdíl ve studeném startu, testovalo však balíček odlišný od současného Microsoft AutoGen AgentChat. Rozhodnutí proto musí spojit tvar úlohy, způsob nasazení a přesnou verzi softwaru, nikoli převzít rychlejší číslo jako vlastnost celé produktové řady.

Co řídí další krok: úkol, nebo rozhovor?

Dokumentace CrewAI Crews popisuje tým agentů s přidělenými úkoly a sekvenčním či hierarchickým procesem. Sekvenční proces předává práci v určeném pořadí; v hierarchickém procesu ji koordinuje manažerský agent. Taková skladba se hodí tam, kde lze odpovědnosti vymezit předem, například oddělit vyhledání podkladů, jejich posouzení a vytvoření výstupu.

Přehled AutoGen AgentChat představuje přednastavené agenty a typy týmů nad událostně řízeným AutoGen Core. Selector Group Chat vybírá dalšího účastníka ze společného kontextu, Swarm pracuje s předáváním mezi agenty a GraphFlow umožňuje uspořádat jejich práci do orientovaného grafu. AutoGen tedy nabízí i řízený postup; jeho konverzační týmy jsou užitečné především tehdy, když samotná výměna zpráv určuje, kdo má pokračovat.

Rozdíl se projeví v odpovědnosti za rozhodnutí. Pokud dalšího účastníka určuje obsah dosavadní práce, dává smysl týmový mechanismus. Pokud má schválený výsledek vždy pokračovat stejnou větví, je čitelnější zapsat pravidlo do řídicí vrstvy aplikace. Pouhé rozdělení agentů do rolí ještě neříká, zda má další krok vybírat model, nebo program.

Kde mají žít větvení a stav

Dokumentace CrewAI Flows ukazuje navazující kroky, podmíněné směrování, sdílený stav i jeho perzistenci. Flow tak může držet pravidla procesu, zatímco Crew spustí jen pro část, v níž je potřeba samostatnější spolupráce agentů. To je podstatné u práce, která čeká na externí událost nebo se může přerušit: aplikace potřebuje znát stav požadavku bez rekonstruování rozhodnutí z celé konverzace.

V podmíněném příkladu se požadavek klasifikuje, podle výsledku přejde ke schválení a po něm k týmu agentů. Klasifikace a schvalovací bod jsou součástí definovaného toku; agentní tým řeší jen úkol, kde může přinést více pohledů. Každý další konverzační tah by v takové úloze znamenal další rozhodování modelem o pravidlu, které už aplikace zná.

Perzistence stavu ovšem sama o sobě nevyřeší každý výpadek dlouhého procesu. Je třeba určit, co se ukládá po dokončení kroku, zda se smí již provedená akce opakovat a jak se naváže na čekající schválení. AutoGen rovněž umožňuje pracovat se stavem týmů a řízeným grafem; výhoda Flows spočívá v tom, že pevné větve a stav tvoří přímo základ návrhu procesu.

Studený start mění cenu krátké úlohy

Ve změřeném srovnání Tacavar ze září 2026 trval studený start CrewAI 1.15.22 přibližně 4 441 ms a balíčku pyautogen 0.2.35 přibližně 1 631 ms; průměr průchodu s voláním nástroje byl naopak 861 ms u CrewAI a 1 135 ms u pyautogen. Prostředím bylo Ubuntu se čtyřmi virtuálními procesory, stejným modelem gpt-4o-mini a nástrojem pro sčítání; průchod se opakoval pětkrát, studený start představovalo jediné spuštění nového procesu pro každou konfiguraci.

Studený start zde znamená dobu od spuštění nového procesu do připravenosti obsloužit požadavek, včetně importů a inicializace klienta. Pokud se proces vytváří pro každou krátkou úlohu, tato doba vstupuje do každého běhu. Služba, která stejný proces používá opakovaně, náklad na inicializaci rozloží mezi více požadavků. Průměr samotného volání nástroje proto odpovídá na jinou provozní otázku než čas prvního spuštění.

Úloha se sčítáním neprověřila kvalitu výstupu víceagentního týmu, zotavení po chybě ani dlouhou konverzaci. Výsledek také není měřením serverless platformy: zachycuje spuštění čerstvého procesu v popsaném prostředí. Pro nasazení s jiným modelem, délkou promptu nebo způsobem udržování procesu v paměti může být poměr čekání jiný.

Naměřený balíček není dnešní AgentChat

Migrační příručka Microsoftu popisuje AgentChat 0.4 jako přepracovanou náhradu větve 0.2 a uvádí, že vydání balíčku pyautogen po verzi 0.2.34 už nepocházejí od Microsoftu. Rychlejší start testovaného balíčku proto nelze připsat současnému AgentChat. Podobnost názvů zakrývá rozdíl v původu balíčku i v architektuře, což je pro výklad benchmarku zásadní.

Stejně opatrně je nutné číst údaj o režii promptu. Srovnání nepřináší přímo měřitelnou hodnotu pro CrewAI, takže z něj nelze sestavit poctivé pořadí obou frameworků podle počtu tokenů. V reálném procesu navíc spotřebu ovlivňuje počet volání modelu, délka předávané historie a to, zda tým potřebuje několik vzájemných odpovědí. Krátký prompt při jednom volání může být méně důležitý než další zbytečný tah celé skupiny.

Rozhodovací strom pro nasazení

1. Krátká serverless úloha: začněte přesným balíčkem a způsobem spouštění. Pokud pro každý požadavek vzniká nový proces, zahrňte do rozhodnutí inicializaci i čas úlohy. Publikovaný rozdíl je silný důvod věnovat studenému startu pozornost, ale rychlost testovaného pyautogen nepřenášejte na AgentChat.
2. Dlouho běžící řízený proces: jestliže předem znáte větve, schvalovací body a stav, který má přežít přerušení, nabízí CrewAI Flows přímý způsob, jak je vyjádřit. Agentní Crew zapojujte v části, kde role skutečně rozdělují práci. U opakovaných akcí současně určete, co se má stát při obnovení běhu.
3. Konverzační tým: pokud výsledek závisí na výměně návrhů, výběru dalšího účastníka nebo předávání úkolu mezi agenty, odpovídají tomu typy týmů v AutoGen AgentChat. Podmínka ukončení a povolený počet tahů pak určují, jak dlouho se bude spolupráce rozvíjet a kolik kontextu se pošle modelu.

Přečtěte si také:

• Lokální LLM, nebo cloud: levnější volbu mění vytížení
• SAFE, nebo konvertibilní půjčka: jednoduchost mění pořadí věřitelů
• n8n, nebo Make: levnější běh může znamenat vlastní server