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

Кратко

Прошлый урок рассмотрел три устоявшихся фреймворка для агентов – LangGraph, CrewAI и AutoGen, – но 2026 год принёс вторую волну инструментов, которые теперь тоже должны быть знакомы продуктовой команде: Manus AI (готовый автономный агент, который вы покупаете, а не библиотека, которую пишете), Claude Agent SDK и OpenAI Agents SDK (наборы инструментов от двух ведущих разработчиков моделей), Google Agent Development Kit вместе с Vertex AI Agent Builder (облачное решение) и low-code-платформы n8n и Zapier (где неинженер собирает агента, соединяя блоки на холсте). Эти шесть решений не взаимозаменяемы: они расположены на спектре от «купить готового агента» до «собрать его из примитивов», и правильный выбор зависит от баланса между уровнем контроля и скоростью вывода продукта на рынок. Два SDK от создателей моделей особенно важны для реального времени в видео, потому что оба теперь включают голосовые и интерактивные компоненты – у OpenAI Agents SDK есть конвейер speech-to-text → агент → text-to-speech, а Claude Agent SDK предоставляет агенту доступ к компьютеру, чтобы искать по файлам, запускать код и проверять собственные результаты. Этот урок объясняет каждый инструмент простым языком, сравнивает их по ключевым параметрам, определяющим успех проекта, и показывает, какой из них подойдёт для копилота видеоконференции, агента-исследователя видеонаблюдения или пайплайна обработки 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, подходит ли оно под задачу, команду и бюджет.

Где находится этот урок

Начнём с одной карты. В уроке про выбор фреймворка для агентов мы рассмотрели три фреймворка, поддерживающих поисковый трафик: LangGraph, CrewAI и AutoGen (ныне Microsoft Agent Framework). Это универсальные code-first-библиотеки: инженеры собирают три основных компонента агента – использование инструментов, память и планирование – в любую конфигурацию, требуемую задачей. Этот урок посвящён второй волне: инструментам, появившимся или значительно развившимся в 2025–2026 годах, которые меняют кто создаёт агента и сколько уже готово «из коробки».

Чище всего представлять шесть инструментов как единый спектр – от покупки готового агента до сборки его из деталей. На одном конце – готовый продукт, на который вы подписываетесь и который запускаете на задачу. На другом – набор компонентов, который собирают ваши инженеры. Чем ближе инструмент к концу «купить», тем быстрее вы выводите его в работу и тем меньше контроля над ним; чем ближе к концу «собрать» – тем больше контроля, но и тем больше усилий со стороны инженеров. Каждый инструмент из этого урока занимает какое-то место на этой шкале, и определение его позиции – первый шаг к разумному выбору.

Нажмите, чтобы увеличить

Четыре формы описывают всё поле. Управляемый автономный агент – готовый продукт: вы задаёте 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 – это набор кода от компании, разработавшей модель, адаптированный под её сильные стороны (Claude Agent SDK, OpenAI Agents SDK). Облачный набор – это набор кода плюс управляемая среда выполнения от облачного провайдера, ориентированная на команды, уже использующие эту облачную инфраструктуру (Google ADK с Vertex AI Agent Builder). Держите эти четыре формы в уме – и каждый инструмент ниже займёт своё место.

Manus AI – автономный агент, которого покупают, а не создают

Manus AI – инструмент, который в 2025 году сделал термин «автономный агент» повсеместным. Это не библиотека, которую инженеры импортируют в код; это готовый продукт, на который вы подписываетесь. Вы формулируете задачу простым языком – «исследуй этих пятерых конкурентов и собери сравнительную таблицу» или «преврати эту папку клипов в размеченную подборку хайлайтов» – и Manus сам планирует шаги, выполняет работу и возвращает готовый результат. Вам не нужно писать ни строчки кода.

Идею, которая лежит в основе работы Manus, стоит назвать, потому что к ней возвращается весь дальнейший урок: Manus предоставляет агенту полноценный виртуальный компьютер. За кулисами агент получает собственный веб-браузер, терминал командной строки и файловую систему – и использует их так же, как человек-ассистент с ноутбуком: открывает веб-страницы, пишет и запускает код, сохраняет файлы и проверяет результаты. Дать агенту компьютер, а не просто окно чата – вот что позволяет ему выполнять длинные многошаговые задачи, а не ограничиваться ответами на вопросы.

Manus вырос из компании Beijing Butterfly Effect Technology и публично представил своего агента в марте 2025 года. По данным СМИ, в апреле 2025 года стартап привлёк $75 млн от венчурной фирмы Benchmark при оценке около $500 млн и в середине 2025 года переехал штаб-квартиру в Сингапур в рамках международной экспансии. Один из ключевых корпоративных фактов – и он остаётся подвижной целью: по сообщениям, Meta договорилась о покупке Manus в конце 2025 года примерно за $2 млрд, однако в 2026 году китайский регулятор заблокировал сделку, оставив вопрос о собственности открытым по состоянию на середину 2026 года. Продукт продолжает работать стабильно; вопрос владения – один из тех, что стоит перепроверить, прежде чем закладывать его в дорожную карту.

Подвох Manus – в модели оплаты, и это та же ловушка, что мы уже отмечали для платформ с поэкземплярной оплатой в прошлом уроке. Manus тарифицирует использование в кредитах, а не за фиксированные места. Есть бесплатный тариф с ежедневным пополнением кредитов и платные тарифы (Pro и Team) с месячным запасом – но одна сложная задача может «съесть» большое, плохо предсказуемое количество кредитов, а точных оценок до запуска агента не существует. Для разовой исследовательской задачи такая непредсказуемость допустима; для функции, которая выполняет одну и ту же работу тысячи раз в месяц, она делает бюджетирование по-настоящему трудным. Manus – правильный выбор, когда нужен автономный результат без необходимости что-либо собирать и при умеренных объёмах. Он не подходит, если нужно встроить агентное поведение в свой продукт, настроить логику рассуждений или запускать предсказуемо большой объём – для таких задач лучше использовать SDK ниже.

Claude Agent SDK – дайте агенту компьютер

Claude Agent SDK – это набор инструментов от Anthropic для создания агентов на основе её моделей Claude. У названия есть короткая история, которую стоит знать, потому что она вводит в заблуждение. Изначально он назывался Claude Code SDK – это был движок внутри Claude Code, кодового ассистента от Anthropic. 29 сентября 2025 года компания переименовала его в Claude Agent SDK. Причина переименования и есть суть инструмента: оказалось, что движок, работавший в кодовом ассистенте, способен поддерживать практически любого агента, поэтому название расширили, чтобы отразить эту возможность.

Принцип дизайна тот же, что и у Manus, но сформулированный как инженерная цель: дайте агенту компьютер. SDK предоставляет 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 достаточно, чтобы читать таблицы, искать в интернете, строить визуализации и выполнять большую часть цифровой работы. Anthropic описывает работу агента как цикл из четырёх шагов: собрать контекст, совершить действие, проверить результат и повторить до завершения. Это тот же паттерн «рассуждение–действие», что мы рассматривали в уроке про примитивы агента, только упакованный так, чтобы ваши инженеры не собирались его каждый раз заново.

Четыре возможности делают Claude Agent SDK надёжным для использования в продакшене. Субагенты позволяют главному агенту создавать помощников, каждый из которых работает в изолированном контексте и возвращает только ключевую информацию – это удобно для параллельного поиска по большому архиву без перегрузки памяти основного агента. Компакция автоматически суммирует ранние шаги, когда заполняется окно контекста, чтобы длинная задача не столкнулась с ограничением. Агентный поиск даёт возможность агенту находить нужные данные в файловой системе с помощью обычных команд, например, grep – это часто проще и прозрачнее, чем создание векторной базы. Проверка встроена в цикл выполнения: агент может сверить результат с правилами, проанализировать скриншот своего вывода или попросить вторую модель оценить итог. Как и любой серьёзный инструмент 2026 года, он подключается к внешним сервисам через Model Context Protocol (MCP) – открытый стандарт интеграции инструментов с агентами, – что позволяет взаимодействовать с Slack, базами данных или архивами без написания кода интеграции.

Для видеопродукта практический вывод такой: Claude Agent SDK подходит агентам, которым нужно выполнять настоящую цифровую работу – просеивать видеоархив, запускать код анализа, писать отчёт и проверять его, – а не просто общаться. Это code-first-набор, поэтому он ориентирован на инженеров, но при этом даёт им высокий потенциал и ту же «оболочку» (harness), что и Anthropic использует для своих агентов.

OpenAI Agents SDK – преемник Swarm для продакшена

OpenAI Agents SDK – это лёгкий набор инструментов от OpenAI для создания агентов, унаследовавший имя, которое до сих пор ищут, но которое больше не относится к живому продукту: Swarm. Swarm был экспериментом OpenAI 2024 года по оркестрации мультиагентов – полезным для обучения, но никогда не предназначенным для использования в продакшене. В марте 2025 года OpenAI заменил его на Agents SDK, и старый код Swarm теперь прямо сообщает об этом: это «production-ready-эволюция Swarm». Если в 2026 году инженер 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 лёгкий и простой. У него всего несколько базовых идей. Агенты – это языковые модели, которым задали инструкции и предоставили инструменты. Передачи позволяют одному агенту передать управление другому – как сотрудник на ресепшене направляет клиента нужному специалисту, – и именно так строятся мультиагентные системы без сложной инфраструктуры. Guardrails (защитные проверки) анализируют входные и выходные данные агента параллельно и блокируют выполнение, если проверка не пройдена. А трассировка фиксирует каждый шаг, чтобы команда могла видеть и отлаживать действия агента. На этой основе SDK добавляет поддержку сессий (память между ходами), функциональные инструменты (возможность превратить любую Python-функцию в инструмент), поддержку MCP и контроль human-in-the-loop. Это самый быстрый путь для команды, уже использующей модели OpenAI и стремящейся к минимальной обвязке.

Два обновления 2026 года делают этот SDK напрямую применимым к видео. Sandbox-агенты запускают специалиста в полностью изолированном рабочем пространстве со своими файлами и оболочкой – та же идея «дать агенту компьютер», но с возможностью возобновления сессий, чтобы длительные задачи не терялись при прерываниях. Ещё важнее для видеоконференций и телемедицины то, что SDK предоставляет realtime-голосовых агентов: встроенный конвейер, который берёт аудио с микрофона, преобразует его в текст, передаёт агенту и озвучивает ответ. Плюс – режим с низкой задержкой и автоматическим определением перебивания. Это именно тот базовый компонент, который нужен живому копилоту встречи или голосовому ассистенту в звонке, и это самая веская причина, по которой команда по разработке видеоотображения выберет именно этот SDK, а не универсальный фреймворк.

Google ADK и Vertex AI Agent Builder – облачный вариант

У Google две составляющие, работающие вместе, и важно держать их раздельно, чтобы избежать путаницы. Agent Development Kit (ADK) – это набор кода с открытым исходным кодом, в котором ваши инженеры пишут агентов. Vertex AI Agent Builder – управляемая платформа Google Cloud, которая размещает, масштабирует и контролирует этих агентов в продакшене. Вы разрабатываете на ADK, а запускаете – на Agent Builder. Google переименовала более широкую платформу в «Gemini Enterprise Agent Platform» на Cloud Next 2026, но две ключевые части – набор инструментов и управляемая среда – остаются важными для решения.

ADK создан для команд, которые работают с пайплайнами и агентами. Он поддерживает несколько языков программирования – Python, Java, Go и другие – и позволяет инженерам задавать либо фиксированную, предсказуемую последовательность шагов (workflow), либо более гибкую схему, в которой агенты самостоятельно маршрутизируют задачи между собой. Платформа нативно работает с мультиагентными архитектурами, так что можно собрать небольшую команду специализированных агентов. При этом она model-agnostic: хотя изначально ориентирована на модели Gemini от Google, способна управлять и другими. Управляемая сторона – Vertex AI Agent Engine – это среда, в которой агенты фактически выполняются в масштабе, с постоянной памятью и корпоративным управлением (контроль доступа, аудит, соответствие требованиям), необходимым для крупных организаций. 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 по модели pay-as-you-go.

Правило выбора остаётся тем же, что и для Microsoft Agent Framework и Azure: ADK в сочетании с Vertex AI Agent Builder – естественный выбор, если ваша организация уже работает в Google Cloud. Управляемая среда, биллинг, governance и доступ к Gemini уже настроены, и влияние существующего облачного контракта обычно перевешивает небольшие различия в функциональности. Если вы не используете Google Cloud, это влияние ослабевает, и SDK от разработчика модели или low-code-инструмент часто кажутся более привычными.

n8n и Zapier – когда агента должен собрать неинженер

Не каждому агенту нужны инженеры. Две low-code-платформы позволяют продуктовому или операционному специалисту собрать агента, соединяя блоки на визуальном холсте – и тогда тонкий контроль уступает место скорости и доступности. При этом они занимают разные позиции даже внутри «low-code».

n8n – более мощная и технически насыщенная из двух платформ. Это среда автоматизации рабочих процессов с продвинутыми возможностями искусственного интеллекта: по состоянию на 2026 год она предлагает около 70 специализированных ИИ-нод на базе фреймворка LangChain, нативную поддержку MCP и более 400 интеграций. Её AI Agent-нода – это центральный «мозг-оркестратор», к которому вы подключаете суб-ноды: языковую модель, хранилище памяти и инструменты, доступные агенту для вызова. Это делается перетаскиванием соединений, а не написанием кода. Главное преимущество – возможность разместить платформу у себя (self-hosting): вы запускаете её на собственном сервере (небольшая виртуальная машина обойдётся примерно в $5–$10 в месяц), что гарантирует хранение всех ваших данных, учётных записей и вызовов моделей внутри вашей инфраструктуры. В результате сценарий из 20 шагов потребляет столько же серверного времени, сколько и из двух. Платформа поддерживает OpenAI, Anthropic, Google, Mistral и локальные модели через Ollama, так что вы не привязаны к одному провайдеру. n8n – оптимальный выбор, когда полу-техническая команда нуждается в контроле над данными и хостингом, но не готова к созданию полноценной инженерной инфраструктуры.

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

Определившись с каждым инструментом, вот как шесть из них выстраиваются по ключевым параметрам, определяющим успех реальных проектов. Используйте это как стартовый фильтр: правильный выбор зависит от вашей задачи – к этому мы перейдём дальше.

Одна честная оговорка под таблицей: границы между этими категориями размыты. SDK добавили sandbox по принципу «дать агенту компьютер»; облачный набор включает low-code-конструктор; low-code-инструменты добавили агентские ноды и MCP. Разрывы сужаются так же, как сходились «большая тройка» фреймворков – и это означает меньше неверных ответов. Но единицы оплаты остаются по-настоящему разными, и именно здесь страдают бюджеты.

Сколько это стоит – следите за единицей оплаты

Фреймворки и SDK, которые вы запускаете самостоятельно, бесплатны для установки; вы платите только за вызовы моделей и использование серверов – об этом подробно рассказано в уроке про стоимость ИИ. Вопрос оплаты – это единица оплаты управляемых продуктов, потому что каждый поставщик считает по-своему, и демо-версия никогда не совпадает с реальным счётом, пока вы не проведёте расчёты.

Пройдёмся по одному примеру. Допустим, система видеонаблюдения каждый вечер запускает агента-ревьюера, который проверяет 40 камер – каждый такой ночной прогон считается одной единицей работы. Это 40 единиц в ночь, или 40 × 30 = 1 200 единиц в месяц. В Manus «единица» означает кредитоёмкую задачу: если каждый ночной обзор «сжигает» 50 кредитов, то 1 200 × 50 = 60 000 кредитов в месяц – это значительно превышает любой стандартный тариф, а заранее оценить затраты невозможно. В Zapier «единица» – это tasks: один ночной обзор, затрагивающий пять приложений, считается пятью задачами, то есть 1 200 прогонов × 5 = 6 000 tasks в месяц, не считая доплаты за ИИ-агентское расширение. В Claude или OpenAI SDK вообще нет оплаты за экземпляр платформы – вы платите только за токены модели, – поэтому те же 1 200 прогонов обходятся ровно столько, сколько стоят токены: стоимость предсказуема и линейна. Урок здесь не в том, что один инструмент дешевле другого, а в том, что нужно сопоставить свой реальный объём – прогоны в день × количество дней × количество площадок – с единицей оплаты каждого инструмента до его выбора, иначе кредитный или task-лимит может вас неожиданно «подставить» на больших объёмах.

Как выбирать среди новичков

Уберите названия брендов – и решение сводится к короткой прогулке по спектру «купить или собрать», отфильтрованной по тому, кто будет это строить и где оно будет работать.

Начните с того, кто строит. Если в команде никто не может или не должен писать код, а вам нужен готовый результат – выбирайте Manus (для автономного разового использования) или Zapier (для автоматизации между приложениями). Если полу-технический специалист может собрать логику и важен контроль над данными – подойдёт n8n. Если у вас есть инженеры и требуется полноценный кастомный агент – выбирайте из SDK и облачных решений.

Затем отфильтруйте по тому, где оно работает и какую модель вы предпочитаете. Команда, привязанная к моделям OpenAI и стремящаяся к минимальной обвязке – особенно если нужно встроить голосовой интерфейс в звонок в реальном времени, – выбирает OpenAI Agents SDK. Команда, которой нужен агент для выполнения сложной цифровой работы с использованием субагентов и самопроверки, отдаёт предпочтение Claude Agent SDK. Команда, уже работающая в Google Cloud и нуждающаяся в корпоративном масштабе и управлении, выбирает Google ADK с Vertex AI Agent Builder – так же, как команда на Azure выбирает Microsoft Agent Framework.

Наконец, взвесьте контроль против скорости – вечный компромисс в этой сфере. Готовое решение (Manus, Zapier) даёт работающего агента уже на этой неделе, но оставляет мало возможностей для настройки; собственная разработка (SDK, ADK) требует времени инженеров, но позволяет создать агента, идеально подходящего под задачу, и предсказуемый счёт. Универсального лучшего инструмента не существует – есть только оптимальный выбор под конкретную задачу, команду и бюджет. А поскольку границы между подходами стираются, разумный выбор сегодня редко оборачивается ловушкой завтра.

Нажмите, чтобы увеличить

Сопоставление новичков с видеозадачами для агентов

Абстрактное решение становится конкретным, когда его применяют к видеоработе, которую рассматривает этот курс. Три повторяющиеся агентные задачи каждая подчёркивают свою сильную сторону новичка.

Копилот встречи для видеоконференций – тема отдельного урока – должен слушать живое аудио, рассуждать и иногда отвечать голосом, всё в рамках жёсткого лимита задержки. Этот профиль идеально подходит для голосового конвейера в реальном времени из OpenAI Agents SDK с встроенными функциями speech-to-text, шагом агента, text-to-speech и определением перебивания. Альтернативой может стать Claude Agent SDK, если копилот выполняет более сложные задачи с документами: подтягивает контекст из базы знаний, формулирует и проверяет follow-up – а не просто ведёт беседу.

Агент-исследователь видео для систем видеонаблюдения – тема более позднего урока – работает долго, разветвляется в зависимости от результатов детектора и должен просеивать большой архив, не теряя позиции. Субагенты Claude Agent SDK (параллельный поиск с изолированным контекстом) и механизм компактификации (обработка длинных контекстов) хорошо подходят для такой задачи; Google ADK с Vertex AI Agent Engine также подходит, если развёртывание должно работать в корпоративном масштабе в Google Cloud с полным аудитом и управлением.

Асинхронный пайплайн разбора видео для архива OTT или e-learning – урок про паттерн архива – обычно проходит одни и те же фиксированные этапы для каждого файла: приём (ingest), транскрипция, разметка, индексация. Этапы не меняются, поэтому нужна детерминированная последовательность – и тут low-code-инструмент вполне уместен: n8n self-hosted для контроля над данными или workflow на ADK в Google Cloud – с вызовом модели только на том единственном этапе, где требуется интеллектуальное суждение, чтобы минимизировать затраты.

Нажмите, чтобы увеличить

Частая и дорогая ошибка

Самая частая ошибка с новыми инструментами – купить автономный продукт, когда задаче нужен детерминированный пайплайн. Manus впечатляет именно тем, что сам решает свои шаги, – но задача по архивации, которая последовательно выполняет одни и те же четыре шага для каждого файла, не нуждается в агенте, который каждый раз перепланирует процесс: ей нужен фиксированный workflow, вызывающий модель только там, где требуется суждение. Направить агента с оплатой по кредитам на высоконагруженную повторяющуюся задачу – самый быстрый путь к неожиданному счёту и невоспроизводимым результатам. Зеркальная ошибка – переинженеринг: поднимать SDK, векторную базу и мультиагентную схему, чтобы решить задачу, с которой справился бы простой сценарий из пяти шагов в n8n или одна задача в Manus. Как мы говорили в уроке про фреймворки, подбирайте инструмент под задачу – покупайте, когда задача типовая и разовая, стройте, когда она является ядром вашего продукта и работает на объёме, и выбирайте простейший инструмент, покрывающий реальное требование.

Где здесь Фора Софт

Мы создаём видеопродукты для видеосвязи, стриминга, OTT, видеонаблюдения, e-learning, телемедицины и AR/VR. Когда в функции требуется агент, мы рассматриваем выбор «купить или собрать» как стратегическое решение высшего приоритета, а не стандартную настройку. Для реального времени – например, для копилота видеоконференции – мы выбираем SDK с наиболее мощным голосовым конвейером; для исследователя видеонаблюдения, работающего с большим архивом, – субагентов и устойчивый контекст; для фиксированного пайплайна обработки архива – low-code- или workflow-инструмент, который вызывает модель только там, где она действительно окупается. Если у клиента нет инженерного потенциала и потребность разовая, мы честно об этом говорим и направляем его к управляемому продукту, а не выставляем счёт за кастомную разработку. Эти категории пересекаются, поэтому мы оптимизируем решения под то, что команда клиента сможет поддерживать и оплачивать после передачи системы: агентная функция, которую никто не может поддерживать и не закладывает в бюджет, – это пассив, а не актив.

Главное

• Новички 2026 года находятся на спектре «купить – собрать»: скорость снижается, а контроль возрастает слева направо.
• Manus – готовый автономный агент, который можно купить; он предоставляет агенту виртуальный компьютер.
• «OpenAI Swarm» теперь означает OpenAI Agents SDK – его продакшн-версию, появившуюся в марте 2025 года.
• Claude Agent SDK (ранее Claude Code SDK) позволяет создавать агентов, выполняющих реальную цифровую работу.
• Google ADK в связке с Vertex AI Agent Builder – естественный выбор для команд, работающих в Google Cloud.
• n8n self-host – для полного контроля над данными; Zapier – самый быстрый вариант без кода; подходы различаются – сначала оцените объём задач.

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