<!-- title: AutoGen退役余震：Agent框架六栈势力重组 -->

## 概述

2026年4月，Microsoft正式将AutoGen置于维护模式，合并Semantic Kernel推出全新Microsoft Agent Framework——这是首个头部Agent框架的实质性退役事件。这一决定如同一枚深水炸弹，在Agent开发生态中引发连锁反应：社区迅速fork出AG2维持生命力；OpenAI Agents SDK借势成为轻量级多Agent的新默认选项；Anthropic将Claude Code SDK更名升级为Claude Agent SDK；Google ADK 2.0以云原生Agent平台身份强势入局。本文以LangGraph、CrewAI、AG2、OpenAI Agents SDK、Claude Agent SDK、Google ADK六大框架为样本，从架构基因、迁移成本、协议适配、生产就绪度四个维度实测势力重组后的真实格局。

## 一、事件复盘：AutoGen退役的产业信号

2026年4月13日，Microsoft宣布停止AutoGen的主动开发，将其与Semantic Kernel合并为统一的Microsoft Agent Framework。官方迁移指南同步发布于Microsoft Learn。这一决定的底层逻辑在于：Microsoft内部评估发现，维护两套Agent框架的资源消耗超过收益，且Semantic Kernel的企业客户基础（Azure生态）远大于AutoGen的研究社区。

社区反应迅速。AutoGen的核心贡献者在项目进入维护模式的48小时内宣布fork，命名为AG2（ag2ai/ag2），以Apache 2.0许可证继续开发。截至目前，AG2已发布v0.12.2版本，保持了与原AutoGen的API兼容性，同时引入了事件驱动架构和Docker沙箱执行。

```python
# AG2保持了原AutoGen的核心API
from ag2 import AssistantAgent, UserProxyAgent

assistant = AssistantAgent(
    name="researcher",
    llm_config={"model": "gpt-4o", "api_key": "..."},
    system_message="你是一个研究助手"
)
user = UserProxyAgent(name="user", code_execution_config={"use_docker": True})
user.initiate_chat(assistant, message="分析2026年Agent框架市场格局")
```

**产业信号解读**：头部厂商开始收编散乱的开源Agent框架，走向"自家SDK+自家云"的绑定模式。这意味着中立框架（LangGraph、CrewAI）的生存策略必须从"功能竞争"转向"生态护城河"。

## 二、六大框架架构基因对比

| 维度 | LangGraph | CrewAI | AG2 | OpenAI Agents SDK | Claude Agent SDK | Google ADK |
|------|-----------|--------|-----|--------------------|------------------|------------|
| **设计范式** | 有向图状态机 | 角色扮演团队 | 对话式多Agent | 工具+交接 | 代码即Agent | 云原生组合 |
| **核心抽象** | Node/Edge/State | Agent/Task/Crew | Agent/GroupChat | Agent/Handoff/Guardrail | Agent/Tool/Hook | Agent/Transfer/Session |
| **状态管理** | 内置检查点 | 基础 | 中等 | 内置 | 内置 | 内置+Vertex AI |
| **多Agent模式** | 图编排 | 层级/顺序/共识 | 群聊/嵌套 | 交接 | 工具代理 | Transfer |
| **协议适配** | MCP原生 | MCP支持 | MCP插件 | MCP实验性 | MCP原生 | A2A/MCP原生 |
| **可观测性** | LangSmith | Langfuse集成 | 终端日志 | 内置Tracing | 内置Tracing | Cloud Trace |
| **模型绑定** | 任意LLM | 任意LLM | 任意LLM | 主要OpenAI | 仅Claude | 主要Gemini |
| **GitHub Stars** | ~15K | ~47.8K | ~6K | ~12K | ~8K | ~5K |
| **企业渗透** | 高 | 60% Fortune 500 | 研究为主 | 快速增长 | 快速增长 | GCP客户 |
| **许可证** | MIT | MIT | Apache 2.0 | MIT | MIT | Apache 2.0 |

## 三、LangGraph：生产护城河最深的选择

LangGraph在2026年已经实质性地取代了LangChain成为LangChain公司的旗舰产品。其核心优势在于将Agent工作流建模为有向图（Directed Graph），每个节点是一个Agent或工具调用，边定义控制流和数据流。这种设计使得复杂的多步骤工作流可以被精确控制、持久化和恢复。

```python
from langgraph.graph import StateGraph, END
from typing import TypedDict

class AgentState(TypedDict):
    query: str
    research_result: str
    draft: str
    review_comments: list[str]

def research_node(state: AgentState) -> AgentState:
    # 调用研究Agent
    result = research_agent.invoke(state["query"])
    return {"research_result": result}

def writer_node(state: AgentState) -> AgentState:
    draft = writer_agent.invoke(state["research_result"])
    return {"draft": draft}

def reviewer_node(state: AgentState) -> AgentState:
    comments = reviewer_agent.invoke(state["draft"])
    return {"review_comments": comments}

def should_revise(state: AgentState) -> str:
    if len(state["review_comments"]) > 0:
        return "writer"
    return END

graph = StateGraph(AgentState)
graph.add_node("research", research_node)
graph.add_node("writer", writer_node)
graph.add_node("reviewer", reviewer_node)
graph.add_edge("research", "writer")
graph.add_edge("writer", "reviewer")
graph.add_conditional_edges("reviewer", should_revise)
```

**生产优势**：LangGraph的检查点机制（Checkpointing）允许Agent在任何节点暂停和恢复执行，这对于长时间运行的生产Agent至关重要。结合LangSmith的可观测性平台，开发者可以追踪每一次Agent运行的完整轨迹、Token消耗和延迟分解。

**局限**：学习曲线陡峭，从安装到第一个可用的多Agent系统通常需要3-5天。图模型的表达力虽强，但简单场景下的抽象层级过高。LangSmith的付费层价格对小型团队构成压力。

**变现评估**：LangGraph + LangSmith的组合是构建"企业级Agent训练营"的最佳技术栈，因为可观测性和评估能力是训练营的核心卖点。潜在定价：训练营¥3,999-¥7,999/人。

## 四、CrewAI：企业渗透率最高的暗马

CrewAI在2026年的数据令人震惊：47.8K GitHub Stars、27M PyPI下载、20亿Agent执行次数、60%的Fortune 500企业采用。估值已达8000万美元。CrewAI的成功不在于技术先进性，而在于将多Agent协作抽象为"团队角色扮演"这一直觉模型。

```python
from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="市场研究分析师",
    goal="分析2026年Agent框架市场趋势",
    backstory="你是一位有10年经验的科技行业分析师",
    tools=[search_tool, web_scraper],
    llm="gpt-4o"
)

writer = Agent(
    role="技术报告撰写人",
    goal="基于研究数据撰写深度分析报告",
    backstory="你擅长将技术分析转化为商业洞察",
    llm="claude-sonnet-4-6"
)

reviewer = Agent(
    role="质量审核员",
    goal="确保报告准确性和完整性",
    backstory="你对数据准确性和逻辑一致性有极高要求",
    llm="gpt-4o"
)

research_task = Task(description="调研六大Agent框架", agent=researcher)
write_task = Task(description="撰写对比报告", agent=writer)
review_task = Task(description="审核报告质量", agent=reviewer)

crew = Crew(
    agents=[researcher, writer, reviewer],
    tasks=[research_task, write_task, review_task],
    process=Process.sequential
)

result = crew.kickoff()
```

**核心优势**：角色抽象极大地降低了多Agent系统的认知复杂度。开发者不需要理解图论或状态机，只需要定义"谁做什么"。CrewAI Enterprise提供了可视化编排界面和企业级安全控制。

**隐忧**：简洁性的代价是灵活性。复杂的条件分支、循环反馈、动态Agent调度等场景下，CrewAI的表现不如LangGraph。有开发者反映，在生产环境中CrewAI的Token消耗比预期高30-50%，因为角色扮演的系统提示词较长。

**变现评估**：CrewAI是"快速交付型训练营"的最佳选择——学员可以在1天内构建出可演示的多Agent系统。潜在定价：训练营¥1,999-¥3,999/人。

## 五、AG2：AutoGen遗产的社区继承者

AG2的定位非常清晰：做AutoGen的忠实继承者，同时引入社区期待已久的功能。v0.12.2版本的核心更新包括事件驱动架构（替代原有的轮询式对话管理）、Docker沙箱代码执行、以及更灵活的Agent组合模式。

```python
from ag2 import AssistantAgent, GroupChat, GroupChatManager

analyst = AssistantAgent(
    name="data_analyst",
    system_message="分析数据并生成洞察",
    llm_config={"config_list": [{"model": "gpt-4o"}]}
)

critic = AssistantAgent(
    name="critic",
    system_message="批判性地审视分析结果，指出潜在偏差",
    llm_config={"config_list": [{"model": "claude-sonnet-4-6"}]}
)

summarizer = AssistantAgent(
    name="summarizer",
    system_message="将讨论总结为可执行的建议",
    llm_config={"config_list": [{"model": "gpt-4o"}]}
)

group_chat = GroupChat(
    agents=[analyst, critic, summarizer],
    messages=[],
    max_round=10
)

manager = GroupChatManager(groupchat=group_chat)
manager.initiate_chat(
    analyst,
    message="分析2026年Q1 AI Agent市场的关键变化"
)
```

**优势**：群聊式的多Agent对话模式在需要辩论、头脑风暴和迭代优化的场景中表现优异。AG2保留了AutoGen最被认可的对话管理能力。

**风险**：社区fork的最大风险是可持续性。AG2目前依赖志愿者贡献者，缺乏商业公司的资源支撑。如果核心贡献者流失，项目可能重蹈AutoGen覆辙。此外，从AutoGen迁移到AG2虽然API兼容，但从AutoGen迁移到Microsoft Agent Framework是Microsoft官方推荐的路径，这造成了社区分裂。

## 六、OpenAI Agents SDK：轻量级新默认

OpenAI在2025年9月低调退役了实验性的Swarm框架，发布了生产就绪的Agents SDK。到2026年中，它已成为OpenAI生态中构建Agent的事实标准。核心概念极其精简：Agent、Tool、Handoff、Guardrail、Trace——五个原语覆盖了80%的Agent场景。

```python
from agents import Agent, Runner, handoff, guardrail

triage_agent = Agent(
    name="triage",
    instructions="根据用户问题判断应该转交给哪个专家Agent",
    handoffs=[
        handhandoff(target=research_agent, description="研究分析类问题"),
        handoff(target=coding_agent, description="编程开发类问题"),
        handoff(target=creative_agent, description="创意写作类问题")
    ]
)

@guardrail
def check_output_quality(ctx, agent, output):
    if output.confidence < 0.7:
        return {"blocked": True, "reason": "置信度过低"}
    return {"blocked": False}

result = Runner.run_sync(
    starting_agent=triage_agent,
    messages=[{"role": "user", "content": "帮我分析LangGraph和CrewAI的优劣"}],
    guardrails=[check_output_quality]
)
```

**设计哲学**：OpenAI Agents SDK的最大创新是"交接"（Handoff）概念——Agent之间的协作不是通过复杂的编排层，而是通过简单的函数调用级交接。这种方式天然映射到客服场景（triage → specialist），也适合流水线式的任务分解。

**局限**：模型绑定是最大的争议点。虽然技术上支持任意LLM，但Handoff、Guardrail等高级功能深度依赖OpenAI的Function Calling格式。使用非OpenAI模型时，部分功能需要手动适配。此外，SDK的成熟度不如LangGraph，复杂状态管理仍需自行实现。

**变现评估**：OpenAI Agents SDK是"入门训练营"的最佳选择——概念最少，上手最快，适合AI Agent零基础学员。潜在定价：训练营¥999-¥1,999/人。

## 七、Claude Agent SDK：代码即Agent的激进实验

2026年初，Anthropic将Claude Code SDK正式更名为Claude Agent SDK，同时开放了Python和TypeScript两个版本。其设计哲学与其他所有框架都不同：它不提供Agent的抽象层，而是直接将Claude Code的Agent循环（规划→工具调用→观察→迭代）暴露给开发者。

```python
from claude_agent_sdk import Agent, Tool

@Tool
def search_web(query: str) -> str:
    """搜索网络获取最新信息"""
    return web_search(query)

@Tool
def read_file(path: str) -> str:
    """读取本地文件内容"""
    with open(path) as f:
        return f.read()

agent = Agent(
    model="claude-sonnet-4-6",
    tools=[search_web, read_file],
    system_prompt="你是一个研究助手，善于搜索和整合信息"
)

result = agent.run("分析2026年AI Agent市场的最新动态")
```

**独特优势**：Claude Agent SDK的Agent Loop是经过Claude Code产品大规模验证的，在长链推理、多步骤执行和自纠错方面表现优异。MCP（Model Context Protocol）的原生支持意味着任何MCP Server都可以直接作为工具接入，这为工具生态提供了指数级扩展能力。

**核心限制**：模型绑定——目前仅支持Claude系列模型。对于需要灵活切换模型的团队，这是硬伤。此外，SDK的社区规模相对较小（GitHub Stars ~8K），第三方教程和资源不如LangGraph/CrewAI丰富。

**变现评估**：Claude Agent SDK适合"MCP生态开发者"训练营，因为它是MCP的最佳实践载体。潜在定价：训练营¥2,499-¥4,999/人。

## 八、Google ADK：云原生的Agent平台

Google在2025年I/O大会上发布Agent Development Kit（ADK），到2026年已迭代至v2.0。ADK的设计目标不是做一个通用Agent框架，而是做Gemini生态和Google Cloud的原生Agent开发层。它同时支持A2A（Agent-to-Agent Protocol）和MCP，是唯一双协议原生支持的框架。

```python
from google.adk import Agent, Transfer, Session

research_agent = Agent(
    name="researcher",
    model="gemini-2.5-pro",
    instruction="执行深度研究分析",
    tools=[google_search, scholar_search]
)

writing_agent = Agent(
    name="writer",
    model="gemini-2.5-pro",
    instruction="将研究结果转化为报告"
)

root_agent = Agent(
    name="coordinator",
    model="gemini-2.5-pro",
    instruction="协调研究者和撰写者的工作",
    transfers=[
        Transfer(target=research_agent, description="研究任务"),
        Transfer(target=writing_agent, description="撰写任务")
    ]
)

session = Session(agent=root_agent)
result = session.run("分析2026年Agent框架竞争格局")
```

**战略定位**：Google ADK不是在做一个框架，而是在做一个平台。ADK与Vertex AI、Cloud Run、Cloud Trace的深度集成意味着：在GCP上部署Agent，ADK是最省力的选择。A2A协议的原生支持使得跨组织Agent通信成为开箱即用的能力。

**现实障碍**：GCP绑定是双刃剑。在Azure/AWS环境中使用ADK需要额外的适配工作。ADK的社区规模（GitHub Stars ~5K）在六大框架中最小，文档和示例的丰富程度不及LangGraph和CrewAI。

## 九、协议层重组：MCP/A2A双轨已成定局

2026年的Agent通信协议格局已从三足鼎立收敛为双轨并行：

- **MCP（Model Context Protocol）**：由Anthropic发起，定位为Agent与工具之间的连接标准。截至2026年5月，已有6400+ MCP Server、9700万次下载，成为事实上的工具接入标准。
- **A2A（Agent-to-Agent Protocol）**：由Google发起，定位为Agent与Agent之间的通信标准。一周年之际已有150+组织支持，登陆Azure、AWS、GCP三大云平台。
- **ACP（Agent Communication Protocol）**：最初由IBM/Cisco推动，但已在2026年初实质性并入A2A生态。

```mermaid
graph TB
    subgraph "2026 Agent协议双层架构"
        subgraph "工具层 - MCP"
            M1[数据库] --> MCP[MCP Server]
            M2[API服务] --> MCP
            M3[文件系统] --> MCP
            M4[代码执行器] --> MCP
            MCP --> Agent_A[Agent A]
            MCP --> Agent_B[Agent B]
        end

        subgraph "协调层 - A2A"
            Agent_A <-->|A2A协议| Agent_B
            Agent_B <-->|A2A协议| Agent_C[Agent C<br/>跨组织]
        end
    end

    style MCP fill:#4CAF50,color:#fff
    style A2A fill:#2196F3,color:#fff
```

**对框架选型的影响**：
- LangGraph：MCP原生支持，A2A通过LangGraph Platform间接支持
- CrewAI：MCP支持良好，A2A通过Enterprise版支持
- AG2：MCP通过插件支持，A2A支持有限
- OpenAI Agents SDK：MCP实验性支持，A2A无官方支持
- Claude Agent SDK：MCP原生支持，A2A无直接支持
- Google ADK：MCP + A2A双协议原生支持

## 十、生产就绪度实测：从开发到运维的全链路

| 评估维度 | LangGraph | CrewAI | AG2 | OpenAI Agents SDK | Claude Agent SDK | Google ADK |
|----------|-----------|--------|-----|--------------------|------------------|------------|
| **Hello World时间** | 45分钟 | 15分钟 | 30分钟 | 10分钟 | 20分钟 | 25分钟 |
| **多Agent系统搭建** | 2-3天 | 4-8小时 | 1天 | 4-6小时 | 6-8小时 | 6-8小时 |
| **生产部署** | LangGraph Platform | CrewAI Enterprise | 自行部署 | 自行部署 | Anthropic API | Vertex AI |
| **可观测性** | LangSmith（强） | 第三方集成 | 终端日志 | 内置Tracing | 内置Tracing | Cloud Trace |
| **评估/测试** | LangSmith Eval | 基础 | 无内置 | 无内置 | 无内置 | Vertex AI Eval |
| **成本控制** | 中等 | 较难 | 中等 | 较易 | 较易 | GCP计费 |
| **Token效率** | 高（图剪枝） | 中低 | 中 | 高 | 高 | 中高 |
| **错误恢复** | 检查点恢复 | 基础重试 | 手动 | 基础 | 基础 | Cloud Run |

## 十一、决策树：不同场景下的框架推荐

```mermaid
graph TD
    START[选择Agent框架] --> Q1{核心需求是什么?}

    Q1 -->|复杂工作流<br/>精确控制| LANG[LangGraph]
    Q1 -->|快速原型<br/>团队协作| CREW[CrewAI]
    Q1 -->|多Agent对话<br/>辩论推理| AG2[AG2]
    Q1 -->|OpenAI生态<br/>简单轻量| OPENAI[OpenAI Agents SDK]
    Q1 -->|Claude生态<br/>MCP工具链| CLAUDE[Claude Agent SDK]
    Q1 -->|GCP部署<br/>A2A通信| GOOGLE[Google ADK]

    LANG --> L1{需要可观测性?}
    L1 -->|是| L2[LangGraph + LangSmith<br/>生产首选]
    L1 -->|否| L3[LangGraph OSS<br/>成本敏感型]

    CREW --> C1{团队规模?}
    C1 -->|<5人| C2[CrewAI OSS<br/>快速迭代]
    C1 -->|>5人/企业| C3[CrewAI Enterprise<br/>可视化编排]

    AG2 --> A1{AutoGen迁移?}
    A1 -->|是| A2[AG2 - API兼容<br/>迁移成本最低]
    A1 -->|否| A3[考虑其他框架<br/>AG2社区风险]

    style LANG fill:#FF6B35,color:#fff
    style CREW fill:#7B68EE,color:#fff
    style AG2 fill:#20B2AA,color:#fff
    style OPENAI fill:#10A37F,color:#fff
    style CLAUDE fill:#D97706,color:#fff
    style GOOGLE fill:#4285F4,color:#fff
```

### 场景推荐矩阵

**场景一：企业级客服Agent**
- 首选：OpenAI Agents SDK（Handoff天然映射客服流转）
- 备选：LangGraph（需要精确控制流转逻辑时）

**场景二：研究分析多Agent系统**
- 首选：CrewAI（角色分工直觉映射）
- 备选：AG2（需要辩论式讨论时）

**场景三：DevOps自动化Agent**
- 首选：Claude Agent SDK（MCP生态的工具覆盖最广）
- 备选：LangGraph（需要复杂状态管理时）

**场景四：跨组织Agent协作**
- 首选：Google ADK（A2A原生支持）
- 备选：LangGraph Platform（支持外部Agent调用）

**场景五：AI Agent训练营/教育**
- 入门级：OpenAI Agents SDK（概念最少）
- 进阶级：CrewAI（多Agent直观）
- 企业级：LangGraph（生产就绪）

## 十二、Token经济学：六大框架的隐藏成本

根据多个生产案例的实测数据，六大框架在相同任务下的Token消耗差异显著：

| 框架 | 单次任务平均Token | 隐式开销来源 | 月成本估算（1000任务/天） |
|------|-------------------|-------------|--------------------------|
| LangGraph | 3,200 | 状态序列化、检查点写入 | $480-720 |
| CrewAI | 5,800 | 角色系统提示词、团队协调 | $870-1,160 |
| AG2 | 4,500 | 群聊上下文累积 | $675-900 |
| OpenAI Agents SDK | 2,800 | Handoff交接消息 | $420-560 |
| Claude Agent SDK | 3,000 | MCP工具描述注入 | $450-600 |
| Google ADK | 3,500 | A2A消息格式化 | $525-700 |

CrewAI的Token消耗最高，主要因为每个Agent的角色描述、目标和背景故事（backstory）都作为系统提示词在每次调用时完整注入。在3个Agent的协作场景中，仅系统提示词就可能消耗2000+ Token。LangGraph通过图剪枝和条件边，可以跳过不需要的节点，在复杂工作流中反而更省Token。

## 十三、2026下半年趋势预判

**预判一：框架数量将腰斩。** 目前市场上活跃的Agent框架超过20个，但到2026年底，预计只有5-7个能保持活跃更新。淘汰标准：是否有商业实体支撑（LangGraph/LangChain公司、CrewAI公司）或大厂背书（OpenAI/Anthropic/Google）。

**预判二：MCP将成为所有框架的标配。** 截至2026年5月，LangGraph、CrewAI、Claude Agent SDK已原生支持MCP。预计到2026年底，不支持MCP的框架将失去竞争力。MCP Server的数量预计将从6400增长至20000+。

**预判三：A2A将从协议走向产品。** Google已开始在Google Cloud Console中提供A2A的可视化配置界面。预计2026下半年，AWS和Azure也将推出A2A管理服务，Agent间通信将从"自行实现"变为"平台配置"。

**预判四：Agent可观测性将成为独立的付费产品类别。** LangSmith、Langfuse、Arize等平台正在从"开发者工具"演变为"Agent运维平台"，预计将出现专门针对Agent的APM（Agent Performance Monitoring）品类。

## 参考来源

1. [Microsoft Retires AutoGen: The First Major Agent Framework Sunset](https://agentmarketcap.ai/blog/2026/04/13/microsoft-autogen-maintenance-mode-agent-framework-sunset-2026) — AutoGen退役与Microsoft Agent Framework合并的详细分析
2. [Agent SDK Platform Wars 2026: Claude vs OpenAI vs Google ADK vs AWS](https://agentmarketcap.ai/blog/2026/04/07/agent-sdk-platform-wars-anthropic-openai-google-adk-aws-bedrock) — 三大厂商Agent SDK的数据驱动选型矩阵
3. [MCP vs A2A vs ACP: How Three Rival Agent Protocols Became a Two-Layer Architecture](https://agentmarketcap.ai/blog/2026/04/05/mcp-vs-a2a-vs-acp-agent-communication-standards) — Agent协议从三足鼎立到双轨并行的收敛分析
4. [CrewAI's Stealth Dominance: 2B Agent Runs, 60% of Fortune 500](https://agentmarketcap.ai/blog/2026/04/06/crewai-stealth-dominance-10m-agent-runs-fortune-500-open-source) — CrewAI企业渗透率与增长数据
5. [Google A2A Protocol at One Year: 150+ Orgs, Cloud Giant Buy-In](https://agentmarketcap.ai/blog/2026/04/12/google-a2a-protocol-state-2026-adoption-enterprise) — A2A协议一周年生态数据与三大云平台支持情况

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)