Сначала — коротко: как вообще устроен рынок

Если отбросить маркетинг, экосистема делится на два лагеря. Первый — provider-native SDK: Claude Agent SDK, OpenAI Agents SDK, Google ADK. Они глубже интегрированы со «своими» моделями, быстрее стартуют и обычно приятнее в первых итерациях. Второй — независимые фреймворки вроде LangGraph, CrewAI, Smolagents, Pydantic AI и AutoGen. Они гибче, особенно если вам нужна смена моделей, гибридный стек или сложная архитектура AI-агентов.

Что лучше? Ну вот тут и начинается самое интересное: универсального победителя нет. Вообще. Один стек хорош для агентной автоматизации в enterprise, другой — для кодовых агентов, третий — для stateful workflow, четвертый — для мультиагентных дебатов. И да, иногда «самый популярный» вариант оказывается самым неудобным через пару месяцев эксплуатации. Такое тоже бывает.

1. Claude Agent SDK — когда агенту действительно дают компьютер

Anthropic в начале 2026 года переименовала Claude Code SDK в Claude Agent SDK, и это, по сути, честное признание: инструмент уже давно вышел за пределы сценариев «помоги мне с кодом». Теперь это платформа для почтовых ассистентов, исследовательских агентов, внутренних помощников поддержки, финансовых разборщиков — да хоть для чего, если агенту нужен доступ к реальной среде исполнения.

Главная идея не изменилась. Она довольно грубая, но сильная: не симулировать работу с компьютером, а дать агенту компьютер. Файловая система, shell, MCP-инструменты — все это встроено без лишней обвязки. И вот тут Claude Agent SDK очень хорош. Подключение Playwright, Slack, GitHub и других MCP-серверов выглядит почти неприлично простым. В хорошем смысле.

Как устроен

Архитектурно все крутится вокруг hooks и subagents. Hooks позволяют перехватывать ключевые точки жизненного цикла: до вызова инструмента, после ответа, при ошибке и так далее. Subagents дают делегирование: дочерний агент получает свой набор инструментов, свое окно контекста и свои ограничения. Для production это критично, потому что «всемогущий агент без границ» — звучит красиво ровно до первого инцидента.

Плюсы

• Очень глубокая интеграция с MCP — одна из лучших на рынке
• Встроенный доступ к файловой системе и shell без самодельных оберток
• Удобные hooks для контроля поведения агента
• Хорошая модель делегирования через subagents
• Подходит для сложных coding-agent-сценариев и автоматизации на уровне ОС

Минусы

• Сильная привязка к моделям Claude — это уже почти классический vendor lock-in
• Нет нативной поддержки A2A / ACP
• Нет Java, Go или .NET SDK

Когда брать: если вы строите кодовых агентов, внутреннюю автоматизацию, агентные инструменты для разработчиков или системы, где нужен реальный доступ к окружению. Для задач, связанных с агентной памятью и RAG, Claude Agent SDK тоже может быть хорош, но только если вас устраивает экосистема Anthropic. Если нет — лучше подумать дважды. Ну или трижды.

2. OpenAI Agents SDK — минимализм, который иногда спасает

Agents SDK от OpenAI появился как production-замена Swarm. И это заметно: меньше экспериментальной романтики, больше инженерной прагматики. Здесь все строится на четырех примитивах: Agent, Handoff, Guardrail и Tracing. Не роскошно. Зато понятно.

Самая сильная сторона — handoff-модель. Один агент завершает свой участок и передает управление другому как типизированный вызов. Без общей шины состояния, без тяжелой графовой оркестрации, без «магии», которую потом никто не может отладить. Для сервисных маршрутов это очень удобно. Прямо по-человечески удобно.

Как устроен

Фреймворк запускает agentic loop: вход, вызов инструментов, handoff, проверка guardrails, финальный ответ. Guardrails могут валидировать вход, выход или отдельные tool-вызовы. Причем они работают параллельно, и если что-то не проходит проверку, выполнение можно остановить сразу — даже посреди генерации. Для систем, где важны безопасность AI-агентов и предсказуемость поведения, это не мелочь.

Плюсы

• Очень чистая handoff-модель
• Трехуровневые guardrails: input, output, tool
• Встроенный tracing и удобная отладка
• Поддержка voice-сценариев через realtime-модели
• Низкий порог входа, мало лишних абстракций

Минусы

• Нет встроенного checkpointing и полноценного persistence
• Сложные графовые топологии здесь не родная стихия
• Нет нативного A2A
• Часть сильных сценариев завязана на стек OpenAI

Когда брать: если вы делаете triage, маршрутизацию клиентских запросов, эскалацию между агентами, сервисные пайплайны. Для тяжелых мультиагентных систем — уже спорно. Для быстрых и понятных цепочек — очень даже.

3. Google ADK — enterprise-подход без лишней лирики

Google ADK с самого начала подает себя не как игрушку для демо, а как нормальный SDK для разработки ПО. И это чувствуется. Он не так «магичен», как некоторые конкуренты, зато лучше ложится на корпоративную разработку, особенно если у вас не один Python, а зоопарк из Python, Java, Go и TypeScript. В enterprise это не экзотика, это вторник.

Самое важное здесь — нативная поддержка A2A и широкая языковая линейка. Python-агент может взаимодействовать с Java-агентом, Java-агент — с Go-агентом, и никому не нужно притворяться, будто вся компания внезапно переписалась на один стек. Для мультиагентных систем это серьезный аргумент.

Как устроен

ADK строит иерархии агентов: родитель делегирует дочерним агентам задачи, у каждого — свои инструменты и зона ответственности. Через to_a2a() можно публиковать Agent Cards, чтобы другие агенты понимали, что этот агент умеет, как к нему обращаться и какие требования по аутентификации у него есть. Плюс есть Agent Designer — визуальный low-code-слой для прототипирования. Не всем нужен, но для согласования архитектуры с бизнесом — штука полезная.

Плюсы

• Поддержка Python, TypeScript, Java и Go
• Нативный A2A и Agent Cards
• Подходит для enterprise AI и межкомандной интеграции
• Есть OpenTelemetry и нормальная observability
• Удобный путь в Vertex AI Agent Engine

Минусы

• Для production быстро возникает зависимость от Google Cloud
• Безопасность и контроль доступа часто требуют ручной доработки
• MCP здесь не нативный, а через адаптеры
• Комьюнити пока уступает LangChain-экосистеме

Когда брать: если вам нужна серьезная архитектура AI-агентов для enterprise, межвендорное взаимодействие и A2A как часть базового дизайна. Особенно если компания уже живет в Google Cloud. Если нет — все равно стоит рассмотреть, но уже без розовых очков.

4. LangGraph — когда workflow должен пережить реальность

LangGraph — это история не про «умного агента», а про управляемый процесс. Он мыслит графами, состоянием, переходами, checkpointing и восстановлением после сбоев. Звучит сухо? Да. Но именно такие вещи и спасают production-системы, когда что-то идет наперекосяк. А оно идет. Всегда.

Если ваш агентный workflow включает ветвления, повторные попытки, этапы согласования человеком, ожидание внешних событий и необходимость продолжить выполнение после падения сервера — LangGraph почти автоматически попадает в шорт-лист. Не потому что модный. Потому что умеет то, что в реальной эксплуатации действительно нужно.

Как устроен

Узлы — это функции или шаги. Ребра — переходы. Состояние типизировано и сохраняется после каждого шага. Есть MemorySaver, SqliteSaver, PostgresSaver. Можно откатиться к предыдущему состоянию и переиграть выполнение с другими параметрами. Такая себе «машина времени» для агентных workflow. Да, звучит громко, но штука реально полезная.

Плюсы

• Checkpointing и восстановление после сбоев из коробки
• Time-travel debugging
• Подходит для сложных stateful workflow
• Human-in-the-loop можно встроить почти в любой узел
• Хорошая observability через LangSmith

Минусы

• Для простых single-agent-сценариев часто избыточен
• Требует предварительного проектирования
• Стек LangChain не всем нравится — и не без причин
• Отладка графов сложнее, чем линейного кода

Когда брать: если вы строите надежную агентную автоматизацию, где важны состояние, контроль исполнения, восстановление и трассировка. Для банковских, юридических, документных и согласовательных сценариев — очень сильный кандидат. Для «сделать быстро чат-бота» — скорее перебор.

5. CrewAI — быстрый старт, ролевая модель и немного магии

CrewAI продает простую идею: агентная система — это команда. Есть исследователь, писатель, ревьюер, координатор. Вы задаете роли, цели, задачи — и получаете рабочий прототип довольно быстро. Именно поэтому CrewAI так любят команды, которым нужно показать результат не через квартал, а, условно, к пятнице.

И да, популярность у него огромная. Но популярность — штука коварная. Она помогает стартовать, но не отменяет архитектурных ограничений. Ролевая модель интуитивна, зато добавляет накладные расходы: агентам приходится «держать роль», а это лишние токены, лишние шаги, лишняя непрозрачность.

Как устроен

Агенты объединяются в crew, задачи могут идти последовательно или параллельно, зависимости между ними фреймворк учитывает сам. MCP поддерживается нативно, A2A тоже появился, что делает CrewAI интересным вариантом для тех, кто хочет быстро собрать работающую мультиагентную схему без долгого проектирования.

Плюсы

• Очень быстрый старт
• Нативная поддержка MCP и A2A
• Большое сообщество и много готовых примеров
• Удобен для контентных, исследовательских и QA-процессов
• Хорош для раннего прототипирования агентной автоматизации

Минусы

• Ролевая абстракция стоит токенов и задержки
• Меньше контроля над потоком, чем в графовых системах
• Отладка делегирования бывает мутной — ну вот честно
• Только Python

Когда брать: если нужно быстро проверить гипотезу, собрать PoC, показать бизнесу мультиагентный сценарий или запустить внутренний пилот. Для долгой жизни в production — зависит от требований. Иногда CrewAI остается надолго, иногда становится промежуточной остановкой перед LangGraph или кастомной оркестрацией.

6. Smolagents — маленький, понятный и местами очень толковый

Smolagents от Hugging Face — это почти антифреймворк. Минимум кода, минимум слоев, минимум «посмотрите, какая у нас платформа». Вся логика умещается примерно в тысячу строк, и в этом его обаяние. Если вам важно понимать, что именно происходит внутри, а не просто надеяться на абстракции, Smolagents может приятно удивить.

Ключевая идея — CodeAgent. Вместо того чтобы генерировать JSON для вызова инструментов, агент пишет Python-код, который эти инструменты вызывает напрямую. В ряде сценариев это уменьшает число обращений к модели и делает поведение более прямолинейным. Но, само собой, увеличивает требования к изоляции и контролю исполнения. Бесплатных обедов не бывает.

Как устроен

Есть CodeAgent и ToolCallingAgent. Первый — основной и самый интересный. Сгенерированный код исполняется в sandbox: через E2B, Modal, Docker или WebAssembly-окружение. Поддержка моделей широкая: локальные модели, Ollama, OpenAI, Anthropic — все через LiteLLM и совместимые адаптеры.

Плюсы

• Небольшой и понятный кодовый базис
• Model-agnostic-подход
• Подходит для локальных и open-source-моделей
• CodeAgent может быть эффективнее классического tool calling
• Хорош для исследовательских команд и тех, кто любит контролировать стек

Минусы

• Нет встроенного persistence и checkpointing
• Мультиагентные возможности довольно базовые
• Поверхность атаки у code-execution-сценариев выше
• Только Python

Когда брать: если вам нужен легкий, прозрачный фреймворк для экспериментов, локальных моделей и code-first-агентов. Для сложной enterprise-оркестрации — скорее нет. Для R&D и быстрых технических проб — очень даже да.

7. Pydantic AI — не про мультиагентность, а про дисциплину вывода

Pydantic AI часто пытаются сравнивать с мультиагентными фреймворками, и это немного мимо. Он про другое. Про типобезопасность. Про структурированный вывод. Про то, чтобы IDE и валидаторы ловили проблему до того, как она уедет в production и испортит вам вечер. А иногда и выходные.

Если ваша задача — извлекать данные, классифицировать документы, собирать строго типизированные ответы от LLM и не гадать, вернет ли модель «почти JSON», то Pydantic AI — один из самых здравых вариантов на рынке.

Как устроен

Это single-agent-фреймворк. Вы задаете системную инструкцию, схему результата, инструменты — дальше фреймворк сам занимается генерацией схем, валидацией, ретраями и потоковым выводом. Multi-agent orchestration здесь нет. И это нормально: не все обязано быть мультиагентным только потому, что слово модное.

Плюсы

• Сильная типобезопасность
• Несколько режимов структурированного вывода
• Потоковая валидация
• Поддержка разных провайдеров моделей
• Отлично подходит для data extraction и формализованных пайплайнов

Минусы

• Нет мультиагентной оркестрации
• Нет MCP и A2A
• Только Python
• Не решает задачи сложного workflow сам по себе

Когда брать: если вам нужен надежный структурированный вывод, а не театральная постановка из пяти агентов. В связке с LangGraph или CrewAI может работать отлично: один отвечает за оркестрацию, другой — за корректность данных. Нормальное разделение труда, без фокусов.

8. AutoGen / Microsoft Agent Framework — когда агенты спорят, а человек вмешивается

AutoGen когда-то стал почти синонимом мультиагентных диалогов. Несколько агентов обсуждают задачу, спорят, уточняют, приходят к консенсусу. Это мощный паттерн, особенно для исследовательских и аналитических задач. Но дорогой. Очень. Один group chat легко превращается в каскад LLM-вызовов, и счетчик токенов начинает крутиться бодро.

В 2026 году важнее другое: Microsoft постепенно переводит развитие в единый Agent Framework, объединяющий AutoGen и Semantic Kernel. То есть AutoGen жив, но стратегический вектор уже сместился. Для новых проектов это важно учитывать сразу, чтобы потом не мигрировать в спешке.

Как устроен

В основе — event-driven-архитектура, диалоговые ходы, условия завершения, human approval и интеграция с Azure AI. Сильная сторона — human-in-the-loop. Агент может остановиться, запросить подтверждение или дополнительный ввод от человека и продолжить дальше. Для regulated-среды и сценариев с высоким риском это реально полезно, особенно в контексте AI compliance и соответствия требованиям.

Плюсы

• Сильный human-in-the-loop
• Подходит для дебатов, обсуждений и консенсусных сценариев
• Интеграция с Microsoft / Azure-экосистемой
• Поддержка Python и .NET
• Хорош для сложных исследовательских процессов

Минусы

• Высокая стоимость по токенам
• AutoGen как отдельная линия уже не главный фокус Microsoft
• Миграционный путь еще не везде гладкий
• В production часто тянет за собой Azure-зависимость

Когда брать: если вам нужны обсуждения между агентами, участие человека в середине процесса и плотная интеграция с Microsoft-стеком. Для latency-sensitive-систем — скорее нет. Для аналитики, согласований и экспертных сценариев — вполне.

Протоколы: MCP, ACP и A2A — не путайте их с фреймворками

Вот где многие спотыкаются. Фреймворк — это способ собирать агентную систему. Протокол — это способ, которым агенты и инструменты разговаривают друг с другом. Похоже? Да. Одно и то же? Нет.

MCP

Model Context Protocol — стандарт доступа к инструментам, API и источникам данных. По сути, это общий интерфейс между моделью и внешним миром. Его часто называют «USB для AI-инструментов», и сравнение, в общем, удачное. Один раз подключили — дальше используете везде, где есть поддержка MCP. Для проектов, где важны агентная память, RAG и подключение внешних источников, MCP уже стал почти обязательным слоем.

ACP

Agent Communication Protocol появился как REST-native-подход к коммуникации между агентами. Он был важным шагом, но как самостоятельная ветка уже не доминирует. Его идеи — простые endpoint, мультимодальные сообщения, асинхронность — во многом перетекли в A2A.

A2A

Agent-to-Agent Protocol — это уже более широкий стандарт для горизонтального взаимодействия агентов. Через Agent Cards агент публикует, кто он, что умеет, как с ним работать и какие требования по аутентификации у него есть. Для enterprise AI и распределенных мультиагентных систем это особенно важно: команды могут строить своих агентов независимо, а потом связывать их через общий протокол.

Кто что поддерживает

С MCP все уже более-менее хорошо: Claude Agent SDK лидирует по глубине интеграции, CrewAI поддерживает его нативно, LangGraph и ADK работают через адаптеры, OpenAI и Smolagents тоже имеют совместимость в разных формах.

С A2A картина строже. Нативно и уверенно его поддерживают прежде всего Google ADK и CrewAI. У остальных — либо нет, либо есть обходные пути, либо все пока на уровне «можно прикрутить, если очень хочется». А очень хочется не всегда стоит. Иногда лучше сразу выбрать стек, где это заложено в фундамент.

Мультиагентные паттерны, которые действительно доходят до production

На практике в 2026 году чаще всего встречаются четыре паттерна. Не двадцать. Не «бесконечное разнообразие агентных взаимодействий». Четыре. И это даже немного успокаивает.

Выбор паттерна определяет не только архитектуру, но и экономику системы. Subagents обычно дешевле. Conversations — заметно дороже. Handoffs где-то посередине. И вот это, кстати, часто недооценивают: технически можно собрать почти что угодно, но потом внезапно выясняется, что стоимость одного пользовательского сценария уже не выглядит такой милой. Неловкий момент.

Как выбирать фреймворк под задачу, а не по хайпу

Если совсем по-простому:

Неприятная правда: инфраструктура часто важнее самого фреймворка

Вот о чем обычно пишут меньше всего. Сам фреймворк — это верхушка. Тонкий слой. Ниже находятся вещи, которые и определяют, будет ли система работать вживую: sandbox-исполнение, быстрый доступ к файлам, поиск по кодовой базе, контроль прав, память, трассировка, хранение состояния, политика безопасности, аудит. Без этого «умный агент» быстро превращается в дорогую демонстрацию.

Именно поэтому при выборе стека стоит думать не только о DX, но и о том, как будет устроена безопасность AI-агентов, как реализуется память, как подключаются внешние инструменты, как обеспечивается соответствие требованиям и кто будет поддерживать все это через год. Фреймворк можно поменять. Инфраструктурные ошибки — куда болезненнее.

Если говорить совсем по делу, зрелая разработка AI-агентов для бизнеса — это не выбор «самого модного SDK». Это сочетание оркестрации, протоколов, памяти, observability, security и compliance. Все вместе. По отдельности оно, конечно, тоже бывает, но недолго.

FAQ

Какой фреймворк для AI-агентов лучший в 2026 году?

Одного «лучшего» нет. Claude Agent SDK силен для coding agents, OpenAI Agents SDK — для handoff-сценариев, Google ADK — для enterprise и A2A, LangGraph — для stateful workflow, CrewAI — для быстрых прототипов. Выбирать нужно под архитектуру, ограничения и целевую среду, а не по громкости бренда.

В чем разница между MCP, ACP и A2A?

MCP нужен для подключения моделей к инструментам и данным. A2A — для взаимодействия агентов между собой. ACP был отдельным протоколом коммуникации агентов, но его идеи и часть подходов вошли в A2A. Если коротко: MCP — про tool access, A2A — про agent-to-agent.

Какие фреймворки лучше всего подходят для мультиагентных систем?

Если нужна строгая enterprise-архитектура и A2A — смотрите на Google ADK. Если нужен быстрый старт — CrewAI. Если важны графы, состояние и контроль исполнения — LangGraph. Для дебатов и human-in-the-loop — AutoGen / Microsoft Agent Framework.

Когда стоит выбирать provider-native SDK, а когда независимый фреймворк?

Provider-native SDK хороши, когда важны скорость старта и глубокая интеграция с конкретным провайдером. Независимые фреймворки лучше, если вы хотите снизить vendor lock-in, использовать несколько моделей или строить более гибкую архитектуру. В enterprise это часто решающий фактор.

Насколько важны безопасность и compliance при разработке AI-агентов?

Критически важны. Особенно если агент получает доступ к внутренним данным, инструментам, файловой системе или принимает решения в регулируемой среде. Без нормальной модели доступа, аудита, guardrails и политики соответствия агентная автоматизация быстро становится источником риска, а не пользы.