Manus AI, Claude Agent SDK, OpenAI Swarm, Google ADK, n8n – Глубокий Разбор Фреймворков 2026

Кратко

Прошлый урок разобрал три устоявшихся фреймворка для агентов – LangGraph, CrewAI и AutoGen, – но 2026 год добавил вторую волну инструментов, которую продуктовой команде в видео теперь тоже нужно понимать: Manus ИИ (готовый автономный агент, который вы покупаете, а не библиотека, которую кодите), Claude Agent SDK и OpenAI Agents SDK (наборы инструментов от двух ведущих создателей моделей), Google Agent Development Kit вместе с Vertex AI Agent Builder (облачный вариант) и low-code-платформы n8n и Zapier (где не-инженер собирает агента, соединяя блоки на холсте). Эти шесть не взаимозаменяемы: они лежат на спектре от «купить готового агента» до «собрать его из примитивов», и правильный выбор зависит от того, сколько контроля вам нужно против того, как быстро вы хотите выпустить продукт. Два SDK от создателей моделей особенно важны для realtime-видео, потому что оба теперь поставляют голосовые и realtime-блоки – у OpenAI Agents SDK есть конвейер speech-to-text → агент → text-to-speech, а Claude Agent SDK даёт агенту компьютер, чтобы искать по файлам, запускать код и проверять собственный результат. Этот урок объясняет каждый инструмент простым языком, сравнивает их по тем параметрам, что решают исход проекта, и показывает, какой подходит копилоту видеоконференции, агенту-исследователю видеонаблюдения или пайплайну разбора архива.

Зачем это нужно

Урок про выбор фреймворка дал вам три имени, которые задают разговор, но в реальном предложении 2026 года всплывут и Manus, и SDK от создателей моделей, и набор от Google, или low-code-инструмент – и нужно понимать, что каждый из них на деле, прежде чем оценивать выбор. Эти новые инструменты меняют арифметику «строить или купить»: с Manus у вас может быть рабочий автономный агент за полдня и без инженеров, а с Claude или OpenAI SDK команда соберёт ровно того агента, которого хочет, и будет владеть каждой строкой. Если вы прорабатываете агентную функцию для видеосвязи, видеонаблюдения, OTT, e-learning или телемедицины, неверная точка на этом спектре тратит деньги в обе стороны – переплата за «чёрный ящик», который не настроить, или переинженеринг кастомного агента там, где хватило бы low-code-сценария. К концу вы сможете прочитать любое предложение «давай просто возьмём Manus» или «соберём на OpenAI Agents SDK» и проверить, что оно подходит под задачу, команду и бюджет.

Где находится этот урок

Начнём с одной карты. В уроке про выбор фреймворка для агентов мы разобрали три фреймворка, которые держат поисковый трафик, – LangGraph, CrewAI и AutoGen (теперь Microsoft Agent Framework). Это универсальные code-first-библиотеки: ваши инженеры собирают три примитива агента – использование инструментов, память и планирование – в любую форму, которую требует задача. Этот урок про вторую волну: инструменты, которые появились или повзрослели в 2025–2026 и которые меняют, кто строит агента и сколько уже готово за вас.

Чище всего держать шесть инструментов в голове как единый спектр – от покупки готового агента до сборки из деталей. На одном конце – продукт, на который вы подписываетесь и направляете на задачу. На другом – набор, который собирают ваши инженеры. Чем ближе инструмент к концу «купить», тем быстрее вы выпускаете и тем меньше контролируете; чем ближе к концу «собрать», тем больше контроля и тем больше инженерной работы. Каждый инструмент этого урока лежит где-то на этой линии, и назвать его позицию – первый шаг к хорошему выбору.

Нажмите, чтобы увеличить

Четыре формы описывают всё поле. Управляемый автономный агент – готовый продукт: вы описываете цель, и он работает, без кода (Manus). Low-code-платформа позволяет не-инженеру собрать агента, соединяя блоки на холсте (n8n, Zapier). SDK от создателя модели – код-набор от компании, которая делает модель, заточенный под её сильные стороны (Claude Agent SDK, OpenAI Agents SDK). Облачный набор – код-набор плюс управляемая среда исполнения от облачного провайдера, нацеленный на команды, уже сидящие в этом облаке (Google ADK с Vertex AI Agent Builder). Держите эти четыре формы в уме – и каждый инструмент ниже встанет на место.

Manus ИИ – автономный агент, которого покупают, а не строят

Manus AI – это инструмент, который в 2025-м сделал «автономный агент» расхожей фразой. Это не библиотека, которую ваши инженеры импортируют; это готовый продукт, на который вы подписываетесь. Вы даёте Manus цель простым языком – «исследуй этих пятерых конкурентов и собери мне сравнительную таблицу» или «преврати эту папку клипов в размеченную нарезку хайлайтов» – и он планирует шаги, делает работу и возвращает готовый результат, без кода с вашей стороны.

Идею, которая заставляет Manus работать, стоит назвать, потому что остальной урок к ней возвращается: Manus даёт агенту полноценный виртуальный компьютер. За кулисами агент получает собственный веб-браузер, собственный терминал командной строки и собственную файловую систему – и использует их так, как человек-ассистент с ноутбуком: открывает веб-страницы, пишет и запускает код, сохраняет файлы и проверяет свою работу. Дать агенту компьютер, а не просто окно чата – вот что позволяет ему выполнять длинные многошаговые задачи, а не только отвечать на вопросы.

Manus вырос из компании Beijing Butterfly Effect Technology и публично запустил агента в марте 2025 года. По сообщениям, он привлёк $75 млн от венчурной фирмы Benchmark при оценке около $500 млн в апреле 2025 года и перенёс штаб-квартиру в Сингапур в середине 2025-го по мере международной экспансии. Один корпоративный факт в движении, и относиться к нему стоит как к подвижной цели: по сообщениям, Meta договорилась купить Manus в конце 2025 года примерно за $2 млрд, но в 2026-м китайский регулятор заблокировал сделку, оставив вопрос владения нерешённым по состоянию на середину 2026 года. Продукт всё это время работает нормально; вопрос владения – из тех фактов, что стоит перепроверить, прежде чем закладывать его в дорожную карту.

Подвох Manus – в модели оплаты, и это та же ловушка, что мы отметили для платформ с поэкземплярной оплатой в прошлом уроке. Manus тарифицирует в кредитах, а не за фиксированные места. Есть бесплатный тариф с ежедневным обновлением кредитов и платные тарифы (Pro и Team) с месячным запасом кредитов – но одна сложная задача может съесть большое, плохо предсказуемое число кредитов, и оценки заранее, до запуска агента, нет. Для разовой исследовательской задачи эта непредсказуемость терпима; для функции, которая гоняет одну и ту же работу тысячи раз в месяц, она делает бюджетирование по-настоящему трудным. Manus – правильный инструмент, когда нужен автономный результат без сборки чего-либо и при умеренном объёме. Он неправильный, когда нужно встроить агентное поведение внутрь своего продукта, настроить, как он рассуждает, или гонять предсказуемо большой объём – для этого есть SDK ниже.

Claude Agent SDK – дайте агенту компьютер

Claude Agent SDK – это набор Anthropic для сборки агентов поверх её моделей Claude, и у его названия есть короткая история, которую стоит знать, потому что она путает людей. Он начинался как Claude Code SDK – движок внутри Claude Code, кодового ассистента Anthropic, – и Anthropic переименовала его в Claude Agent SDK 29 сентября 2025 года. Причина переименования и есть весь смысл инструмента: движок, питающий кодового ассистента, оказался способен питать почти любого агента, поэтому название расширили под факт.

Принцип дизайна тот же, что заставляет работать Manus, но сформулированный как инженерная цель: дайте агенту компьютер. SDK даёт агенту те же базовые инструменты, что и человеку за клавиатурой, – выполнить команду в терминале, создать файл, отредактировать файл, искать по файлам, – и этого небольшого набора хватает, чтобы читать таблицы, искать в вебе, строить визуализации и делать большую часть цифровой работы. Anthropic описывает работу агента как цикл из четырёх шагов: собрать контекст, совершить действие, проверить работу и повторить до готовности. Это тот же паттерн «рассуждение–действие», что мы описывали в уроке про примитивы агента, упакованный так, чтобы ваши инженеры не собирали его заново.

Четыре возможности делают Claude Agent SDK сильным для продакшена. Субагенты (subagents) позволяют главному агенту порождать помощников, каждый из которых работает в собственном изолированном контексте и возвращает только важное, – полезно для параллельного поиска по большому архиву без перегрузки памяти главного агента. Компакция (compaction) автоматически суммирует ранние шаги, когда окно контекста заполняется, чтобы длинная задача не упёрлась в предел. Агентный поиск (agentic search) позволяет агенту искать нужное в файловой системе обычными командами вроде grep, что часто проще и прозрачнее, чем строить векторную базу. А проверка встроена в цикл: агент может сверить работу с правилами, посмотреть на скриншот собственного вывода или дать второй модели оценить результат. Как и любой серьёзный инструмент 2026 года, он подключается к внешним сервисам через Model Context Protocol (MCP) – открытый стандарт подключения инструментов к агентам, – так что может дотянуться до Slack, базы данных или архива без кода интеграции.

Для видеопродукта практический вывод такой: Claude Agent SDK подходит агентам, которым надо делать настоящую цифровую работу во времени – просеять видеоархив, запустить код анализа, написать отчёт и проверить его, – а не только болтать. Это code-first-набор, поэтому ему нужны инженеры, но он даёт им высокий потолок и тот же «harness», что Anthropic использует для собственных агентов.

OpenAI Agents SDK – продакшен-преемник Swarm

OpenAI Agents SDK – это лёгкий набор OpenAI для сборки агентов, и он несёт имя, которое люди всё ещё ищут, но которое больше не указывает на живой продукт: Swarm. Swarm был экспериментом OpenAI 2024 года по оркестрации мультиагентов – полезным для учёбы, никогда не предназначавшимся для продакшена. В марте 2025 года OpenAI заменил его на Agents SDK, и старый код Swarm теперь говорит вам это напрямую: это «production-ready-эволюция Swarm». Если инженер в 2026-м предлагает «OpenAI Swarm», он имеет в виду Agents SDK; строить новое на заархивированном эксперименте Swarm было бы ошибкой.

Вся привлекательность SDK в том, что он маленький. У него лишь несколько базовых идей. Агенты (agents) – это языковые модели, которым дали инструкции и инструменты. Передачи (handoffs) позволяют одному агенту передать управление другому – как агент на ресепшене направляет звонящего к нужному специалисту, – и именно так строят мультиагентные системы без тяжёлой машинерии. Guardrails (защитные проверки) проверяют то, что входит в агента и выходит из него, параллельно, и останавливают запуск, который их не прошёл. А трассировка (tracing) записывает каждый шаг, чтобы команда видела и отлаживала, что агент сделал. Поверх этого SDK добавляет сессии (память между ходами), функциональные инструменты (превратить любую Python-функцию в инструмент), поддержку MCP и контроль human-in-the-loop. Это самый быстрый путь для команды, уже привязанной к моделям OpenAI и желающей минимум обвязки.

Два дополнения 2026 года делают этот SDK напрямую релевантным видео. Sandbox-агенты запускают специалиста внутри настоящего изолированного рабочего пространства с собственными файлами и оболочкой – та же идея «дать агенту компьютер», с возобновляемыми сессиями, чтобы длинная задача пережила прерывание. Важнее для видеоконференций и телемедицины то, что SDK поставляет realtime-голосовых агентов: встроенный конвейер, который берёт аудио с микрофона, превращает в текст, прогоняет агента и проговаривает ответ, плюс низколатентный realtime-режим с автоопределением перебивания. Это ровно тот строительный блок, который нужен живому копилоту встречи или голосовому ассистенту в звонке, и это самая ясная причина, по которой realtime-видеокоманда возьмёт этот SDK, а не универсальный фреймворк.

Google ADK и Vertex AI Agent Builder – облачный вариант

У Google две части, работающие вместе, и держать их раздельно – значит избежать путаницы. Agent Development Kit (ADK) – это код-набор с открытым исходным кодом, та часть, в которой ваши инженеры пишут агентов. Vertex AI Agent Builder – управляемая платформа Google Cloud, которая хостит, масштабирует и контролирует этих агентов в продакшене. Вы строите на ADK; вы запускаете на Agent Builder. Google переименовала более широкую платформу в «Gemini Enterprise Agent Platform» на Cloud Next 2026, но две рабочие части – набор и управляемая среда – это то, что важно для решения.

ADK сделан для команд, которые думают пайплайнами и командами агентов. Он поддерживает несколько языков программирования – Python, Java, Go и другие – и позволяет инженерам задать либо фиксированную предсказуемую последовательность шагов (workflow), либо более адаптивную схему, где агенты сами маршрутизируют работу между собой. Он нативно поддерживает мультиагентные схемы, так что можно собрать небольшую команду специалистов, и он model-agnostic: хоть и заточен под модели Gemini от Google, способен управлять и другими. Управляемая сторона, Vertex AI Agent Engine, – это среда, которая фактически исполняет агентов в масштабе, с постоянной памятью и корпоративным управлением (контроль доступа, аудит, комплаенс), которое требуют крупные организации. Agent Builder также включает low-code-визуальный конструктор и доступ к модельному саду из 200+ базовых моделей, включая Claude от Anthropic и Llama от Meta наряду с Gemini, с оплатой pay-as-you-go.

Правило выбора то же, что мы дали для Microsoft Agent Framework и Azure: ADK плюс Vertex AI Agent Builder – естественный выбор, когда ваша организация уже работает в Google Cloud. Управляемая среда, биллинг, governance и доступ к Gemini уже на месте, и притяжение существующего облачного контракта обычно перевешивает небольшие различия в функциях. Если вы не в Google Cloud, это притяжение слабее, и SDK от создателя модели или low-code-инструмент часто ощущается роднее.

n8n и Zapier – когда агента должен собрать не-инженер

Не каждому агенту нужны инженеры. Две low-code-платформы позволяют продуктовому или операционному человеку собрать агента, соединяя блоки на визуальном холсте, обменивая тонкий контроль на скорость и доступность, – и они стоят в разных точках даже внутри «low-code».

n8n – более мощная и более техническая из двух. Это платформа автоматизации рабочих процессов с сильными ИИ-возможностями: по состоянию на 2026 год она поставляет около 70 специализированных ИИ-нод на базе набора LangChain, нативную поддержку MCP и 400+ интеграций. Её AI Agent-нода – это мозг-оркестратор, к которому вы прикрепляете суб-ноды – языковую модель, хранилище памяти и инструменты, которые агент может вызывать, – перетаскивая связи, а не написав код. Определяющее преимущество в том, что n8n можно разместить у себя (self-host): вы запускаете её на собственном сервере (небольшая виртуальная машина может стоить порядка $5–$10 в месяц), что держит все ваши данные, учётные записи и вызовы моделей внутри вашего окружения и означает, что сценарий из 20 шагов стоит столько же серверного времени, сколько из 2. Она поддерживает OpenAI, Anthropic, Google, Mistral и локальные модели через Ollama, так что вы не привязаны к одному провайдеру. n8n – правильный выбор, когда полу-техническая команда хочет контроль над данными и хостингом без полноценной инженерной сборки.

Zapier – более дружелюбный к пользователю и более «запертый». Это давний no-code-сервис автоматизации, соединяющий тысячи приложений, и в 2025-м он провёл ребрендинг вокруг ИИ, добавив три части поверх своего ядра автоматизации: Copilot (опишите автоматизацию словами, и он соберёт её), Agents (автономные помощники, использующие ваши подключённые приложения как инструменты) и Chatbots (боты поддержки, обращённые к клиентам). Zapier – самый быстрый способ собрать агента поверх приложений, которыми вы уже пользуетесь, – Gmail, Slack, таблица, – без сервера для обслуживания. Компромиссы – стоимость и контроль: Zapier тарифицирует за task (одно действие одного приложения), а его AI Agents и Chatbots тарифицируются как отдельные дополнения, так что команда, использующая все три, легко переваливает за $150–$200 в месяц до интенсивного использования, и работает он только как облачный сервис в облаке Zapier. Берите Zapier, когда скорость и широта подключений приложений важнее контроля над данными или стоимости запуска.

Сравнение лицом к лицу

С каждым инструментом определившись, вот как шесть выстраиваются по параметрам, что решают исход реальных проектов. Читайте как стартовый фильтр; правильный выбор зависит от вашей задачи, к чему мы переходим дальше.

Одна честная оговорка под таблицей. Эти категории размываются. SDK добавили sandbox по принципу «дать агенту компьютер»; облачный набор включает low-code-конструктор; low-code-инструменты добавили агентные ноды и MCP. Разрывы сужаются так же, как сходились «большая тройка» фреймворков, и это значит меньше неверных ответов – но единицы оплаты остаются по-настоящему разными, и именно там страдают бюджеты.

Сколько это стоит – следите за единицей оплаты

Фреймворки и SDK, которые вы запускаете сами, бесплатны для установки; вы платите за вызовы моделей и серверы, что мы разбираем в уроке про стоимость ИИ. Денежный вопрос – это единица оплаты управляемых продуктов, потому что каждый считает по-своему, и демо никогда не совпадает со счётом, пока вы не сделаете арифметику.

Пройдём один пример. Допустим, продукт видеонаблюдения гоняет ночного агента-ревьюера по 40 камерам, и ночной прогон каждой камеры – это одна единица работы. Это 40 единиц за ночь, или 40 × 30 = 1 200 единиц в месяц. В Manus «единица» означает кредитоёмкую задачу, и если каждый ночной обзор сжигает, скажем, 50 кредитов, это 1 200 × 50 = 60 000 кредитов в месяц – далеко за пределами любого стандартного тарифа, и нет оценки заранее, от которой можно было бы отталкиваться. В Zapier «единица» означает tasks, и один ночной обзор, затрагивающий пять приложений, – это пять tasks, так что 1 200 прогонов × 5 = 6 000 tasks в месяц до платы за ИИ-агентское дополнение. В Claude или OpenAI SDK поэкземплярной платы платформе нет вовсе – вы платите только токены модели, – так что те же 1 200 прогонов стоят столько, сколько стоят токены: предсказуемо и линейно. Урок не в том, что один инструмент дешевле; он в том, что нужно сопоставить свой реальный объём – прогоны в день × дни × площадки – с единицей оплаты каждого инструмента до выбора, иначе кредитный или task-тариф удивит вас на масштабе.

Как выбирать среди новичков

Снимите имена брендов – и решение превращается в короткую прогулку по спектру «купить–собрать», отфильтрованную тем, кто будет это строить и где оно будет работать.

Начните с того, кто строит. Если на команде никто не может или не должен писать код, а вы хотите готовый результат, – это Manus (для автономного разового) или Zapier (для автоматизации между приложениями). Если полу-технический человек может собрать холст и вам важен контроль над данными, – это n8n. Если у вас есть инженеры и нужен настоящий кастомный агент, вы выбираете среди SDK и облачного набора.

Затем отфильтруйте по тому, где оно работает и какую модель вы предпочитаете. Команда, привязанная к моделям OpenAI и желающая минимум обвязки – особенно та, что встраивает realtime-голос в звонок, – склоняется к OpenAI Agents SDK. Команда, желающая, чтобы агент делал тяжёлую цифровую работу с субагентами и самопроверкой, склоняется к Claude Agent SDK. Команда, уже сидящая в Google Cloud и нуждающаяся в корпоративном масштабе и governance, склоняется к Google ADK с Vertex AI Agent Builder – так же, как Azure-команда склоняется к Microsoft Agent Framework.

Наконец, взвесьте контроль против скорости – постоянный размен всего этого поля. Покупка (Manus, Zapier) даёт рабочего агента на этой неделе и мало места под настройку; сборка (SDK, ADK) стоит инженерного времени, но даёт агента, выточенного ровно под задачу, и счёт, который можно предсказать. Универсально лучшего инструмента нет – есть только лучший под задачу, команду и бюджет. А поскольку категории сходятся, разумный выбор сегодня редко становится ловушкой завтра.

Нажмите, чтобы увеличить

Сопоставление новичков с видеозадачами для агентов

Абстрактное решение становится конкретным, когда накладываешь его на видеоработу, к которой ведёт этот курс. Три повторяющиеся агентные задачи указывают каждая на свою сильную сторону новичка.

Копилот встречи для видеоконференций – тема отдельного урока – должен слушать живое аудио, рассуждать и иногда отвечать голосом, всё в пределах жёсткого бюджета задержки. Этот профиль указывает прямо на realtime-голосовой конвейер OpenAI Agents SDK с его встроенными speech-to-text, шагом агента, text-to-speech и определением перебивания. Claude Agent SDK – сильная альтернатива, когда копилот делает более тяжёлую работу с документами – подтягивает контекст из базы знаний, набрасывает и проверяет follow-up, – а не только беседует.

Агент-исследователь видео для видеонаблюдения – тема более позднего урока – работает долго, ветвится на том, что находит детектор, и должен просеять большой архив, не теряя места. Субагенты Claude Agent SDK (параллельный поиск с изолированным контекстом) и компакция (пережить длинный контекст) подходят под эту форму; Google ADK с Vertex AI Agent Engine подходит тоже, когда развёртывание должно работать в корпоративном масштабе в Google Cloud с полным аудитом и governance.

Асинхронный пайплайн разбора видео для архива OTT или e-learning – урок про паттерн архива – обычно гоняет одни и те же фиксированные шаги по каждому файлу: ingest, транскрипция, разметка, индексация. Шаги не меняются, так что работа хочет детерминированного пайплайна, и именно тут low-code-инструмент заслуживает место – n8n self-hosted ради контроля данных или workflow на ADK в Google Cloud – вызывая модель только на том единственном шаге, где нужно суждение, чтобы держать стоимость низкой.

Нажмите, чтобы увеличить

Частая и дорогая ошибка

Самая частая ошибка с этими новыми инструментами – купить автономный продукт, когда задаче нужен детерминированный пайплайн. Manus впечатляет именно тем, что сам решает свои шаги, – но задача по архиву, которая гоняет одни и те же четыре шага по каждому файлу, не хочет агента, который каждый раз перепланирует; она хочет фиксированного workflow, вызывающего модель только там, где нужно суждение. Направить агента с оплатой по кредитам на высокообъёмную повторяющуюся задачу – самый быстрый путь к неожиданному счёту и невоспроизводимому результату. Зеркальная ошибка – переинженеринг: поднять SDK, векторную базу и мультиагентную схему, чтобы сделать то, с чем справился бы сценарий из пяти шагов в n8n или одна задача в Manus. Как мы сказали в уроке про фреймворки, подбирайте инструмент под задачу – покупайте, когда задача типовая и разовая, стройте, когда она ядро вашего продукта и идёт на объёме, и берите простейший инструмент, покрывающий реальное требование.

Где здесь Фора Софт

Мы делаем видеопродукты для видеосвязи, стриминга, OTT, видеонаблюдения, e-learning, телемедицины и AR/VR, и когда функции нужен агент, мы относимся к выбору «купить или собрать» как к проектному решению первого ранга, а не к настройке по умолчанию. Для realtime-копилота видеоконференции мы склоняемся к SDK с самым сильным голосовым конвейером; для исследователя видеонаблюдения, который ищет по большому архиву, – к субагентам и устойчивому контексту; для фиксированного пайплайна разбора архива – к low-code- или workflow-инструменту, вызывающему модель только там, где она окупается. Там, где у клиента нет инженерного аппетита и есть скромная разовая потребность, мы так и скажем и направим его к управляемому продукту, а не выставим счёт за кастомную сборку. Категории сходятся, поэтому мы оптимизируем под то, что команда клиента сможет запускать и оплачивать после того, как мы передадим систему, – агентная функция, которую никто не может ни поддерживать, ни бюджетировать, это пассив, а не актив.

Главное

• Новички 2026 года лежат на спектре «купить–собрать»: скорость падает, контроль растёт слева направо.
• Manus – готовый автономный агент, которого покупают; он даёт агенту виртуальный компьютер.
• «OpenAI Swarm» теперь означает OpenAI Agents SDK – его продакшен-преемника с марта 2025.
• Claude Agent SDK (переименован из Claude Code SDK) строит агентов, делающих реальную цифровую работу.
• Google ADK плюс Vertex AI Agent Builder – естественный выбор для команд в Google Cloud.
• n8n self-host ради контроля данных; Zapier – самый быстрый no-code; считают по-разному – сперва сопоставьте объём.

Что читать дальше

• LangGraph против CrewAI и AutoGen – выбор фреймворка для агентов
• Использование инструментов, память, планирование – примитивы агента
• Оценка, безопасность, стоимость и наблюдаемость агентов – AgentOps