LangGraph против CrewAI и AutoGen – выбор фреймворка для агентов

Кратко

Фреймворк для агентов (agent framework) – это набор инструментов, которым ваши инженеры подключают три примитива агента (использование инструментов, память и планирование), не собирая их с нуля, и в 2026 году разговор задают три имени: LangGraph, CrewAI и AutoGen. LangGraph (версия 1.0 вышла в октябре 2025 года) – это низкоуровневая среда исполнения с упором на контроль, предназначенная для надёжных продакшен-агентов, и она лежит под LangChain, который служит более быстрым высокоуровневым способом собрать одного агента. CrewAI берёт другую модель: вы описываете команду агентов – «crew» – и даёте им сотрудничать, а для детерминированных, повторяемых пайплайнов есть отдельный режим «flows». AutoGen фактически превратился в Microsoft Agent Framework, который объединил AutoGen и Semantic Kernel и вышел в версии 1.0 в апреле 2026 года, так что любой, кто выбирает сегодня «AutoGen», на деле выбирает его преемника – факт, который большинство сравнительных статей до сих пор упускает.

Зачем это нужно

В двух прошлых уроках мы дали цикл агента и три примитива, которые заставляют его работать. Этот урок отвечает на следующий вопрос, который задаёт любая продуктовая команда: на каком фреймворке строить? Выбор не академический – он определяет, как быстро вы выпустите продукт, сколько заплатите за запуск, насколько легко проверите, что агент сделал, и не привяжетесь ли к одному облаку. Если вы прорабатываете агентную функцию для видеосвязи, видеонаблюдения, OTT, e-learning или телемедицины, писать код вам не нужно, но нужно понимать спор, который заведут ваши инженеры, потому что неверный выбор фреймворка под задачу стоит месяцев. К концу вы сможете прочитать любое предложение «возьмём LangGraph» или «пойдём с CrewAI» и проверить, что выбор подходит под задачу, команду и бюджет.

Что на самом деле делает фреймворк для агентов

Начнём с работы, а не с названий. В прошлом уроке мы сказали, что агент – это языковая модель, которой дали три способности, которых у неё самой нет: инструменты, чтобы действовать в мире; память, чтобы переносить знания между шагами; и планирование, чтобы превратить цель в упорядоченные действия. Собрать эти три вручную – настоящая работа. Нужно вести туда-сюда каждый вызов инструмента, хранить и доставать память, крутить цикл планирования, обрабатывать шаг, упавший на полпути, сохранять прогресс, чтобы упавший сервер мог продолжить, и видеть, что агент делал, когда что-то пошло не так. Фреймворк для агентов – это готовая библиотека, которая делает эту «сантехнику» за вас, так что ваши инженеры описывают, что агент должен делать, а фреймворк берёт на себя, как крутится цикл.

Представьте это как разницу между тем, чтобы развести проводку в доме самому, и тем, чтобы купить готовый щиток. Электричество – языковая модель – в обоих случаях одно и то же. Фреймворк – это стандартизированный щиток, который безопасно разводит ток, отключается при коротком замыкании и позволяет следующему электрику понять схему без экскурсии. Без него каждая команда пишет свой цикл, свою логику повторов и своё хранилище памяти – и каждое из этих мест способно породить баг.

Три задачи отличают настоящий фреймворк от скрипта на выходные. Первая – оркестрация (orchestration): решить, какой шаг идёт следующим, выполнять шаги по одному или несколько сразу и как один агент передаёт работу другому. Вторая – состояние и память (state and memory): держать задачу в работе и подтягивать долговременные факты, когда они нужны, – ровно так, как мы описывали память агента в прошлом уроке. Третья – устойчивость и наблюдаемость (durability and observability): сохранять прогресс, чтобы прерванная задача продолжилась, и записывать каждое решение, чтобы человек увидел, почему агент поступил именно так. Фреймворк, который делает все три хорошо, и есть разница между демо и функцией, которую можно показать платящему клиенту.

Нажмите, чтобы увеличить

Сдвиг 2026 года, который нужно знать в первую очередь

Прежде чем сравнивать три фреймворка, нужна одна новость, потому что она перекраивает весь ландшафт, а большинство статей, что вы найдёте, устарели. В конце 2025 и начале 2026 года мир фреймворков для агентов прошёл волну консолидации. Выбор фреймворка в 2026 году – не то же решение, что в 2024 году, и предложение, ссылающееся на пост 2024 года, работает по устаревшей карте.

Изменилось три вещи. Во-первых, в октябре 2025 года LangChain и LangGraph оба достигли версии 1.0 – это их первые стабильные мажорные релизы, с обещанием не вносить ломающих изменений до версии 2.0. Это важно, потому что «1.0» – сигнал: создатели говорят продакшен-командам, что фундамент теперь стабилен достаточно, чтобы строить на нём годами. Во-вторых, AutoGen был поглощён Microsoft Agent Framework. Microsoft объединила два своих агентных проекта – AutoGen, выросший из Microsoft Research, и Semantic Kernel, корпоративный инструментарий – в один фреймворк, который вышел в публичный превью в октябре 2025 года и достиг версии 1.0 3 апреля 2026 года. Сам AutoGen теперь в «режиме поддержки» (maintenance mode): он получает исправления багов и патчи безопасности, но не новые возможности. В-третьих, CrewAI вырос из простой библиотеки в платформу, добавив второй режим исполнения («flows») и коммерческий облачный продукт рядом со своим открытым ядром.

Практический вывод прямой. Если инженер предлагает «AutoGen», спросите, имеет ли он в виду старый AutoGen или его преемника – Microsoft Agent Framework, потому что строить новое на фреймворке в режиме поддержки – медленная ошибка. А если показанное вам сравнение старше октября 2025 года, относитесь к его привязанным к версиям утверждениям с подозрением. Имена выжили; продукты под ними сдвинулись.

Нажмите, чтобы увеличить

Что такое LangGraph – и чем он отличается от LangChain?

Это самая частая точка путаницы в 2026 году, поэтому разберёмся с ней первой. LangChain и LangGraph – два разных инструмента от одной компании, и выбирать между ними не нужно: они спроектированы работать вместе.

LangChain – высокоуровневый инструментарий «быстро начать». Он даёт единый способ обращаться к любому провайдеру моделей – OpenAI, Anthropic, Google и сотням других – через один общий интерфейс, так что смена базовой модели становится изменением в одну строку, а не переписыванием. Главный его строительный блок – функция create_agent, которая разворачивает базовый цикл агента (отправить запрос модели, выполнить инструмент, который она попросит, вернуть результат, повторить до готовности) в несколько строк. Если ваш агент укладывается в этот стандартный цикл, LangChain – самый быстрый путь к рабочей версии.

LangGraph – низкоуровневая среда исполнения с упором на контроль, которая лежит снизу. Там, где LangChain даёт вам заранее сформированный цикл, LangGraph даёт детали, чтобы собрать цикл любой формы. Его суть – в названии: вы описываете работу агента как граф – карту шагов (их называют узлами, nodes), соединённых стрелками (рёбрами, edges), которые показывают, какой шаг ведёт к какому. Поскольку граф может замыкаться на себя и ветвиться в разные стороны, LangGraph выражает сценарии, которые простой прямой цикл не может: агент, который повторяет упавший шаг, делает паузу в ожидании одобрения человека, запускает две ветви сразу или восстанавливается после сбоя ровно с того места, где остановился.

Вот связь, которая снимает путаницу: create_agent из LangChain работает поверх движка LangGraph. С релизов октября 2025 года эти двое формально слоятся. Вы начинаете с высокоуровневого ярлыка LangChain, а когда агент перерастает стандартный цикл, спускаетесь к LangGraph за тонким контролем – не меняя фреймворк и не переписывая с нуля. Распространённая формулировка 2026 года верна: вы не выбираете LangChain или LangGraph; вы начинаете высоко и спускаетесь ниже по мере того, как этого требует задача.

Две возможности LangGraph заслуживают понятного названия, потому что именно из-за них продакшен-команды выбирают его. Устойчивое состояние (durable state) означает, что прогресс агента сохраняется автоматически, так что, если сервер перезапустится посреди долгой задачи, агент продолжит ровно с того места, где остановился, а не начнёт заново. Встроенная персистентность (built-in persistence) означает, что вы можете приостановить агента на часы или дни – например, в ожидании, пока человек одобрит шаг, – и подхватить сценарий позже, без того чтобы ваши инженеры писали свой код базы данных для запоминания недоделанной задачи. Для видеопродукта это разница между агентом-расследователем, который переживает ночной прогон, и тем, который теряет всё при перезагрузке машины.

LangGraph также поставляется со спутником, который стоит знать по имени: LangGraph Studio – визуальная среда, где инженеры могут наблюдать, как агент идёт по своему графу шаг за шагом, смотреть, что он решил в каждом узле, и отлаживать застрявший прогон. Studio в паре с LangSmith, платформой наблюдаемости и оценки от LangChain, – туда команды идут, чтобы увидеть, что их агенты на самом деле делают в продакшене. Этот вид мониторинга мы разбираем в уроке об оценке и наблюдаемости агентов.

История принятия подтверждает выбор. Экосистема LangChain сообщает о порядка 90 миллионах загрузок в месяц, конкретно LangGraph набирает десятки миллионов, а среди названных продакшен-пользователей – Uber, LinkedIn, Klarna, JP Morgan и Cisco. Когда фреймворк работает в компаниях такого масштаба, не вы первым находите его острые углы.

Нажмите, чтобы увеличить

Что такое CrewAI?

CrewAI берёт другую мысленную модель, и для нетехнического читателя она самая интуитивная из трёх. Вместо того чтобы просить вас нарисовать граф, он просит описать команду. Вы задаёте каждого агента так, как написали бы должностную инструкцию – роль («видеоаналитик»), цель («найти всех, кто вошёл после закрытия») и предысторию, которая задаёт его поведение, – а затем группируете нескольких таких агентов в crew, работающую к общей цели. Агенты сотрудничают, передают находки друг другу и делят работу – как небольшой отдел специалистов. CrewAI – независимый Python-фреймворк (ранние версии строились на LangChain, но его переписали, чтобы он стоял сам по себе), и известен он тем, что быстро поднимает правдоподобную мультиагентную конфигурацию.

У CrewAI два режима, и различие чисто ложится на паттерны планирования из прошлого урока. Crews – режим на ролях, ведомый моделью: вы даёте команде цель, и агенты сами решают, как сотрудничать, что гибко, но менее предсказуемо. Flows – событийный, детерминированный режим: вы прописываете явную последовательность – когда происходит это, делай то – для работы, которая должна выполняться одинаково каждый раз и поддаваться аудиту. Дальнейшее правило простое: берите crew, когда путь к ответу открыт и вы хотите, чтобы агенты дорассуждали до него; берите flow, когда шаги фиксированы и нужен повторяемый, проверяемый пайплайн. Многие реальные системы сочетают оба – детерминированный flow, который вызывает рассуждающую crew на том единственном шаге, где действительно нужно суждение.

CrewAI также сильнее всех трёх делает ставку на то, чтобы быть коммерческим продуктом, а не только библиотекой. Рядом с открытым фреймворком он предлагает хостируемую платформу – под брендом AMP Cloud в 2026 году – с визуальным редактором, копилотом для сборки агентов, встроенным мониторингом и ограничителями (guardrails). Компания продвигает тяжёлую корпоративную тягу, заявляя об использовании в большинстве компаний Fortune 500; относитесь к этому как к цифре вендора, а не как к аудированной статистике, но направление ясно: CrewAI хочет быть фреймворком, который бизнес-команда может взять с управляемой поддержкой, а не только тем, что инженеры клонируют из репозитория.

Что такое AutoGen – теперь Microsoft Agent Framework?

AutoGen начинался как исследовательский проект Microsoft для построения агентов, которые решают задачи, разговаривая друг с другом. Его фирменный паттерн – разговор между специализированными агентами: например, один агент пишет план, второй критикует его, а третий исполняет, передавая сообщения туда-сюда, пока они не сойдутся на ответе. Этот разговорный, мультиагентный стиль сделал AutoGen любимцем для экспериментов и для задач, где несколько точек зрения улучшают результат.

Вот часть, которая перекраивает решение в 2026 году. Microsoft сложила AutoGen вместе со своим корпоративным инструментарием Semantic Kernel в один новый фреймворк: Microsoft Agent Framework. Он вышел в публичный превью в октябре 2025 года и достиг версии 1.0 – готового к продакшену релиза со стабильными API – 3 апреля 2026 года, доступен и для Python, и для платформы .NET (инструментария для разработки в экосистеме Microsoft) под разрешительной открытой лицензией. Важно: исходные проекты AutoGen и Semantic Kernel теперь в режиме поддержки: они ещё получают исправления багов и патчи безопасности, но новые возможности идут в Microsoft Agent Framework. Microsoft публикует руководства по миграции для переноса существующих проектов.

В преемнике вы получаете комбинацию, которую задумывали его создатели: лёгкие абстракции агентов и разговоров из AutoGen, соединённые с корпоративными возможностями Semantic Kernel – управляемое состояние, типобезопасность (защита, ловящая часть ошибок до запуска кода), middleware и телеметрия – плюс система рабочих процессов на графах для явной прокладки путей исполнения нескольких агентов. Иначе говоря, новый фреймворк заимствует идею графа, что делает LangGraph мощным, и идею мультиагентности, что делала AutoGen интересным, и нацеливает их на команды, уже вложившиеся в облако Microsoft – Azure.

Практическое правило для продуктовой команды: выбрать «AutoGen» сегодня означает выбрать Microsoft Agent Framework, и это естественный вариант, когда ваша организация уже работает на Azure и .NET или когда инженеры хотят корпоративную поддержку Microsoft за спиной агентов. Если вы не в экосистеме Microsoft, гравитация, тянущая команды к Agent Framework, слабее, и LangGraph или CrewAI обычно ощущаются более родными.

Один агент или команда агентов?

Одно решение проходит сквозь все три фреймворка и определяет, какой из них подойдёт, поэтому на нём стоит остановиться: вашей задаче нужен один агент или несколько агентов, работающих вместе – мультиагентная (multi-agent) система? Различие ровно такое, как звучит. Один агент – это один цикл рассуждений с одним набором инструментов и одной памятью. Мультиагентная система – это несколько таких агентов, у каждого более узкая работа, которые передают работу между собой – то, что в этой области называют передачей (handoff), – пока цель не достигнута.

Мультиагентные конструкции в моде, и у моды есть цена. Притяжение настоящее: разбить сложную работу между специалистами способно повысить качество, потому что агент, сфокусированный только на «написании отчёта об инциденте», обычно делает это лучше, чем тот, кто одновременно жонглирует детекцией, поиском и письмом. AutoGen построил репутацию ровно на этом разговорном паттерне нескольких агентов, а вся метафора CrewAI – это команда. Но каждый лишний агент добавляет шов – место, где один агент неверно понял переданное другим, где стоимость вызовов модели множится и где отладка усложняется, потому что сбой может быть в любом участнике команды или в разговоре между ними. Систему из двух агентов более чем вдвое труднее держать в голове, чем систему из одного.

Честный совет, который повторяют сами создатели фреймворков, – начинать с одного агента и добавлять ещё, только когда один агент измеримо не справляется. Многие задачи, которые выглядят как требующие команды – «расшифруй, потом суммаризируй, потом набросай действия», – на деле один агент, последовательно вызывающий три инструмента, а не три агента, ведущих переговоры. Оставляйте настоящие мультиагентные конструкции для работы, где подзадачи действительно выигрывают от отдельного рассуждения и отдельного контекста: копилот встречи, где агент живой расшифровки и исследовательский агент и впрямь работают в разном ритме, или расследование, где один агент собирает доказательства, а отдельный, более осторожный агент решает, эскалировать ли. Все три фреймворка умеют и одно-, и мультиагентную работу; вопрос в том, заслуживает ли ваша задача лишних агентов, а не в том, позволяет ли их фреймворк.

Сравнение лоб в лоб

Когда каждый фреймворк определён, вот как они выстраиваются по измерениям, которые решают судьбу реальных проектов. Читайте таблицу как стартовый фильтр, а не как приговор – верный выбор зависит от вашей задачи, к чему мы и перейдём.

Одна честная оговорка относится к этой таблице. Три фреймворка сходятся. LangGraph добавил высокоуровневые ярлыки через LangChain; CrewAI добавил детерминированные flows; Microsoft Agent Framework добавил графовые процессы. Разрывы, из-за которых эти фреймворки казались совсем разными в 2024 году, сужаются – и это хорошая новость для вас: неверных ответов меньше, чем раньше, а цена позднего переключения ниже, потому что они всё больше говорят одними понятиями.

Что это стоит

Сами фреймворки открыты и бесплатны для запуска на ваших машинах – вы платите за вызовы модели и серверы, которые мы разбираем в уроке о стоимости ИИ. Денежный вопрос – об управляемых платформах, которые компании-создатели продают сверху и которые берут на себя хостинг, мониторинг и масштабирование, чтобы ваша команда не делала этого. Их модели цен различаются так, что это важно для бюджета, и приведённые ниже цифры – данные начала 2026 года, которые часто меняются: уточните актуальные ставки, прежде чем брать на себя обязательства.

Коммерческая сторона LangChain строится вокруг LangSmith (наблюдаемость и оценка) и LangGraph Platform (хостинг агентов). Входной тариф бесплатен для одиночного разработчика до щедрого месячного лимита шагов агента, тариф Plus стоит около 49 долларов в месяц за место с оплатой по использованию сверху, а крупные развёртывания переходят на индивидуальные корпоративные договоры. CrewAI считает по исполнениям (execution) – одному полному прогону crew – с бесплатным тарифом примерно на 50 исполнений в месяц, тарифом Professional около 25 долларов в месяц на ~100 исполнений и корпоративными планами, которые согласуют на год и которые включают сертификации соответствия и выделенную поддержку. Microsoft Agent Framework бесплатен и открыт; расходы возникают, когда вы запускаете его на управляемых агентных сервисах Azure, оплачиваемых как остальной Azure.

Арифметику стоит проделать один раз, потому что оплата по исполнениям удивляет команды. Допустим, продукт видеонаблюдения гоняет ночного агента-расследователя по 40 камерам, и ночной разбор каждой камеры считается одним исполнением. Это 40 исполнений за ночь, или 40 × 30 = 1 200 исполнений в месяц. На тарифе, включающем 100 исполнений, вы превышаете на 1 100, и при типичной доплате в несколько центов за каждое – скажем, 0,05 доллара – это 1 100 × 0,05 = 55 долларов в месяц только за исполнения, прежде чем посчитан хоть один токен модели. Масштабируйте до 400 камер, и та же математика даёт 12 000 исполнений в месяц, уверенно отправляя вас в зону корпоративных цен. Урок не в том, что одна модель дешевле; он в том, что нужно наложить ваше реальное использование – прогоны в день × дни × площадки – на единицу тарификации до выбора плана, иначе счёт не совпадёт с демо.

За пределами большой тройки

LangGraph, CrewAI и AutoGen задают поисковый трафик и разговор, но они не единственный достойный выбор в 2026 году, и обстоятельное предложение хотя бы упомянет альтернативы. Несколько имён, которые стоит знать: OpenAI Agents SDK – лаконичный инструментарий, продакшен-преемник раннего эксперимента OpenAI «Swarm», построенный вокруг четырёх простых идей – агенты, передачи между ними, ограничители и инструменты, – и это самый быстрый путь, если вы уже привержены моделям OpenAI и хотите минимум обвязки. Google Agent Development Kit (ADK) – вход Google, заточенный под модели Gemini, но умеющий и другие, естественный выбор для команд на Google Cloud. Mastra выделяется для команд, которые пишут на TypeScript, а не на Python, – он достиг версии 1.0 в январе 2026 года, поставляется со встроенной памятью и контролем «человек в цикле» и аккуратно встаёт в современные веб-стеки. А low-code-инструменты вроде n8n позволяют нетехническим людям собирать агентные сценарии, соединяя блоки на холсте, меняя тонкий контроль на скорость и доступность.

Полный разбор этих новых участников – включая Manus AI, Claude Agent SDK, OpenAI Swarm, Google ADK и n8n – мы даём в отдельном разборе фреймворков 2026 года. Для этого урока суть лишь в том, что большая тройка – безопасный вариант по умолчанию, а не всё поле.

Как на самом деле выбрать

Снимите лояльность к брендам, и решение сводится к горстке вопросов о вашей задаче, команде и ограничениях. Пройдите их по порядку, и поле сужается быстро.

Начните с формы работы. Если работа агента – одна открытая цель, которую тянет один цикл рассуждений с парой инструментов, тяжёлая машинерия вам не нужна: create_agent из LangChain (работающий поверх LangGraph) доведёт вас быстрее всего, а Mastra делает то же для TypeScript-команд. Если работа естественно делится между несколькими специалистами, которые сотрудничают, – аналитик, автор, ревьюер, – командная метафора CrewAI ощутится родной. Если работа – долгий, ветвящийся сценарий с одобрениями человека посередине, который нельзя потерять, это родная территория LangGraph.

Затем наложите команду и экосистему. Язык ваших инженеров – жёсткое ограничение, а не предпочтение: у Python-команд есть любой вариант, TypeScript-команды склоняются к Mastra или JavaScript-сборке LangGraph, а .NET-команды тяготеют к Microsoft Agent Framework. Ваше облако тоже важно – Azure-площадки к Microsoft Agent Framework, Google Cloud-площадки к ADK, – потому что управляемые сервисы, биллинг и поддержка там уже на месте.

Наконец, взвесьте контроль против скорости. Больше контроля – больше кода и круче кривая обучения, но меньше сюрпризов в продакшене; больше скорости – рабочий агент на этой неделе, но меньше пространства кастомизировать, когда задача станет необычной. Универсально «лучшего» фреймворка нет, как бы часто так ни ставился вопрос, – есть лишь лучший под конкретную задачу, команду и бюджет. Утешает то, что, учитывая схождение трёх, разумный выбор сегодня редко становится ловушкой завтра.

Нажмите, чтобы увеличить

Сопоставление фреймворков с видеозадачами агентов

Этот раздел заземляет абстрактное решение в видеоработе, к которой ведёт остальной курс. Три агентные работы повторяются в наших доменах, и каждая указывает на свою сильную сторону фреймворка.

Агент-расследователь видео для видеонаблюдения – тема отдельного урока – работает долго, ветвится в зависимости от того, что нашёл детектор, и должен пережить ночной прогон, не потеряв место. Он делает паузу, чтобы человек подтвердил отмеченный фрагмент, прежде чем эскалировать. Этот профиль – долгий, ветвящийся, человек в цикле, нельзя потерять прогресс – учебный случай для устойчивого состояния и персистентности LangGraph.

Агент-копилот встреч для видеосвязи – раскрытый в собственном уроке и связанный со сборкой ассистента встреч на LiveKit – часто естественно делится на роли: один агент расшифровывает и ведёт живое обсуждение, другой подтягивает релевантный контекст, третий набрасывает действия для последующего исполнения. Когда работа раскладывается на сотрудничающих специалистов, командная метафора CrewAI – самое прямое выражение дизайна.

Асинхронный агент разбора видео для архива OTT или e-learning – паттерн архива – обычно гоняет одну фиксированную последовательность по каждому файлу: ингест, расшифровка, разметка, индексация. Шаги не меняются от файла к файлу, поэтому работе нужен детерминированный пайплайн – flows у CrewAI, граф LangGraph с фиксированными рёбрами или процесс Microsoft Agent Framework, если площадка на Azure. Рассуждающую модель вызывают только там, где суждение действительно нужно, удерживая стоимость низкой.

Нажмите, чтобы увеличить

Частая и дорогая ошибка

Самая частая ошибка фреймворка – не выбор «не того», а обращение к фреймворку вообще, когда задаче агент не нужен. Как мы говорили в прошлом уроке, если шаги никогда не меняются, открытый планировщик вам не нужен – нужен обычный скрипт, который вызывает модель на том единственном шаге, где это надо. Поднимать LangGraph, векторную базу и мультиагентную crew, чтобы суммаризировать один десятиминутный фрагмент, – переусложнение, которое стоит денег на запуске и месяцев на сопровождении. Дисциплина, которая держит агентные проекты здоровыми, – сопоставлять инструмент с работой: workflow, когда путь фиксирован, агент, когда он действительно нет, и простейший фреймворк, покрывающий реальное требование. Вторая, родственная ошибка – гнаться за новейшим фреймворком, потому что он был в тренде в прошлом месяце; скучный, стабильный в 1.0 вариант, который ваши инженеры уже знают, обычно выйдет раньше и сломается реже.

Где здесь Фора Софт

Мы строим видеопродукты в видеосвязи, стриминге, OTT, видеонаблюдении, e-learning, телемедицине и AR/VR, и когда функции нужен агент, выбор фреймворка – одно из первых проектных решений, которые мы принимаем с клиентом. Наш подход – идти от задачи, её формы, требований к надёжности и бюджета, и пусть это выбирает фреймворк, а не дефолт на том, что сейчас модно. Для долгого расследования в видеонаблюдении мы склоняемся к контролю и устойчивости; для копилота видеосвязи, который делится на ясные роли, – к командной метафоре; для фиксированного архивного пайплайна – к детерминированному процессу, который вызывает модель только там, где она оправдывает стоимость. Фреймворки сходятся, поэтому мы оптимизируем под то, что инженеры клиента смогут сопровождать после передачи системы, – потому что агентная функция, которую никто в команде не понимает, это пассив, а не актив.

Главное

• Фреймворк для агентов – это «сантехника», которая подключает за вас инструменты, память и планирование.
• LangGraph – низкоуровневый контроль; LangChain – быстрый высокоуровневый слой поверх него.
• CrewAI моделирует агентов как сотрудничающую команду; режим «flows» добавляет детерминированные пайплайны.
• «AutoGen» сегодня – это Microsoft Agent Framework, его преемник 1.0, GA в апреле 2026.
• Выбирайте по форме работы, затем по языку команды и облаку; единого лучшего нет.
• Наложите реальное использование на единицу тарификации каждой платформы до выбора.

Что почитать дальше

• Инструменты, память, планирование – примитивы агента
• Agentic ИИ против Generative ИИ – цикл агента для видео
• Manus AI, Claude Agent SDK, OpenAI Swarm, Google ADK, n8n – разбор фреймворков 2026