CrewAI vs AutoGen: il confronto con un progetto in manutenzione

Il contesto che cambia la domanda

Questo confronto compare in centinaia di articoli scritti quando i due framework si contendevano lo stesso spazio. Quel tempo è finito. Il repository ufficiale di AutoGen apre con un avviso che non lascia margini di interpretazione:

AutoGen is now in maintenance mode. It will not receive new features or enhancements and is community managed going forward.

Tradotto: niente nuove funzioni, niente miglioramenti, gestione affidata alla comunità. Lo stesso avviso indica la direzione: chi inizia ora dovrebbe partire da Microsoft Agent Framework, il successore costruito dagli stessi team. AutoGen conta ancora 60,5 mila stelle su GitHub, più delle 57.200di CrewAI, ma quel numero misura l'attenzione accumulata dal 2023, non lo sviluppo di oggi.

Un confronto onesto deve quindi rispondere a due domande: come si posiziona CrewAI rispetto ad AutoGen per com'è adesso, e come si posiziona rispetto a chi ne ha raccolto l'eredità. Le trattiamo entrambe.

Conversazione contro ruoli e compiti

La differenza di fondo fra i due framework resta interessante anche ora, perché i successori di AutoGen la ereditano quasi intatta.

AutoGen organizza il lavoro come una conversazione. Gli agenti sono partecipanti a una chat: si scambiano messaggi e un meccanismo di coordinamento decide chi parla. Il pacchetto AgentChat offre squadre preconfezionate: il Selector Group Chat coordina gli agenti con un contesto condiviso e un selettore centralizzato, lo Swarm usa un selettore locale basato sugli strumenti. Sotto, autogen-core espone un modello a eventi per chi vuole il controllo fine. Le condizioni di terminazione stabiliscono quando la conversazione deve fermarsi, e un umano può entrare nel giro come partecipante.

CrewAI organizza il lavoro come una squadra con mansioni. Ogni agente ha un ruolo, un obiettivo e una backstory; ogni compito ha una descrizione e un output atteso esplicito; un processo, sequenziale o gerarchico, stabilisce chi fa cosa e in quale ordine. Per la parte che deve essere deterministica ci sono i Flows, con eventi, stato condiviso e persistenza.

In pratica: il modello a conversazione rende bene quando la strada per la soluzione non è nota in partenza e deve emergere dallo scambio, ma il numero di messaggi, quindi i token e i costi, emerge insieme alla soluzione. Il modello a ruoli e compiti obbliga a dichiarare la struttura prima, e in cambio dà esecuzioni più leggibili e costi più prevedibili. Nessuno dei due è giusto in assoluto: dipende da quanto il tuo problema è una pipeline e quanto è una discussione.

Cosa significa davvero "in manutenzione"

Per chi deve scegliere oggi, la manutenzione non è un'etichetta astratta. Ha conseguenze concrete e datate.

• Il codice continua a funzionare. I pacchetti restano su PyPI e i sistemi già installati girano con le dipendenze bloccate. Nessuno spegne niente.
• Niente nuove funzioni, per dichiarazione esplicita. Le novità dei fornitori di modelli, nuove API, nuove capacità, arriveranno tardi o mai. In un settore che cambia ogni trimestre, è un costo che cresce da solo.
• Le correzioni dipendono dalla comunità."Community managed" significa che un bug verrà corretto se qualcuno si offre. La distanza fra "si può correggere" e "qualcuno lo farà" è la misura del rischio che ti prendi.
• La documentazione è ferma insieme al codice. Le guide restano leggibili, ma non seguiranno l'evoluzione dei modelli e delle integrazioni.

AG2 e l'eredità di AutoGen

Chi apprezza il modello a conversazione non è rimasto senza opzioni. L'eredità di AutoGen si è divisa in due rami, e vanno tenuti distinti perché rispondono a esigenze diverse.

AG2 è il fork della comunità creato dagli autori originali di AutoGen: licenza Apache 2.0, circa 4,9 mila stelle, sviluppo attivo. Si installa con pip install ag2, ed esiste anche il pacchetto ag2-classic per chi ha bisogno del vecchio namespace autogen. È la strada della continuità: stessa filosofia, governance indipendente da Microsoft, comunità più piccola dei numeri a cui AutoGen aveva abituato.

Microsoft Agent Framework è invece il successore ufficiale, e merita la sezione dedicata più sotto: non è un fork, è una piattaforma nuova che assorbe le idee di AutoGen dentro un progetto più ambizioso.

Il confronto punto per punto

La tabella confronta CrewAI 1.15.16 con AutoGen per come sono oggi, 17 agosto 2026. Dove lo stato di manutenzione pesa sul giudizio, lo diciamo nella riga.

Microsoft Agent Framework, l'alternativa vera

Se nel 2024 la domanda era "CrewAI o AutoGen", oggi in un ambiente Microsoft la domanda giusta è "CrewAI o Microsoft Agent Framework". La documentazione ufficiale lo definisce il successore diretto di AutoGen e Semantic Kernel, creato dagli stessi team: combina le astrazioni semplici di AutoGen per i pattern a uno o più agenti con le funzioni enterprise di Semantic Kernel, come la gestione dello stato per sessione, la type safety, i middleware e la telemetria, e aggiunge workflow a grafo con percorsi di esecuzione espliciti.

I fatti verificati: versione 1.0 il 3 aprile 2026, licenza MIT, circa 12,9 mila stelle su GitHub, supporto per Python e .NET con API coerenti fra i due linguaggi. Fra i fornitori di modelli supportati ci sono Microsoft Foundry, Azure OpenAI, OpenAI, Anthropic e Ollama. Esiste una guida ufficiale di migrazione da AutoGen.

Quando conviene rispetto a CrewAI? Quando l'infrastruttura è già su Azure, quando in squadra c'è codice .NET, o quando servono i contratti di supporto e la governance che un'azienda vincolata a Microsoft si aspetta. CrewAI resta più maturo come progetto Python puro, ha una comunità più grande (57.200stelle contro 12,9 mila) e un modello a ruoli che si spiega in un pomeriggio. Agent Framework ha dalla sua l'integrazione profonda con l'ecosistema Microsoft e una versione 1.0 recente, con tutto quello che una piattaforma giovane comporta.

Migrare da AutoGen: le tre strade

Chi ha già codice AutoGen in produzione ha tre opzioni, in ordine di sforzo crescente.

• Restare, con le dipendenze bloccate. Legittimo per sistemi stabili che non devono evolvere. Il costo è il rischio accumulato descritto sopra.
• Passare ad AG2 o ad Agent Framework. AG2 conserva la filosofia e riduce lo sforzo; Agent Framework ha la guida ufficiale di migrazione e il futuro dalla sua, ma è una piattaforma nuova da imparare.
• Riscrivere su CrewAI. Non esiste un convertitore: si mappa ogni partecipante della conversazione su un ruolo e ogni fase su un compito con output atteso. Conviene quando, guardando i log, la tua "conversazione" era in realtà una pipeline travestita.

Il caso più comune è il terzo: una coppia scrittore e critico che si scambia messaggi finché il critico approva. In CrewAI diventa due ruoli e due compiti in sequenza.

from crewai import Agent, Task, Crew, Process

# In AutoGen: writer e critic si scambiano messaggi fino allo stop.
# In CrewAI: due compiti in sequenza, con l'output atteso dichiarato.

scrittore = Agent(
    role="Redattore tecnico",
    goal="Scrivere una bozza solida su {tema}",
    backstory="Cita solo fatti che sa verificare.",
    llm="openai/gpt-5.4-mini",
)
revisore = Agent(
    role="Revisore",
    goal="Trovare errori e passaggi deboli nella bozza",
    backstory="Legge come un lettore ostile.",
    llm="openai/gpt-5.4-mini",
)

bozza = Task(
    description="Scrivi una bozza su {tema}.",
    expected_output="Bozza di 500 parole in italiano.",
    agent=scrittore,
)
revisione = Task(
    description="Correggi la bozza e consegna la versione finale.",
    expected_output="Testo finale con elenco delle correzioni.",
    agent=revisore,
)

crew = Crew(agents=[scrittore, revisore], tasks=[bozza, revisione],
            process=Process.sequential)
print(crew.kickoff(inputs={"tema": "agenti AI"}).raw)

La differenza operativa si vede subito: il ciclo di revisione non è più una trattativa aperta fra due agenti, è un passaggio dichiarato. Si perde la possibilità che il critico rimandi indietro la bozza tre volte, si guadagna un costo per esecuzione stabile. Se quel ciclo di andata e ritorno serve davvero, in CrewAI si modella con il processo gerarchico o con un Flow, e va scelto in modo esplicito.

Il verdetto

Il confronto con l'AutoGen di oggi si chiude da solo: un framework attivo batte un framework congelato per qualsiasi progetto nuovo. Il confronto vero, quello con i successori, resta aperto e dipende dal contesto più che dalla tecnica.