Фреймворки: LangGraph, CrewAI, AutoGen — что выбрать

Чем грозит неправильный выбор

Без понимания разницы между фреймворками вы потеряете неделю-две. Типичный сценарий: прототип на CrewAI работает отлично, вы дотягиваете его до продакшена — и обнаруживаете, что нормального чекпоинтинга нет. Агент падает — весь прогресс теряется. Переписывать на LangGraph — ещё неделя.

Четыре фреймворка, которые стоит рассматривать в 2026 году

Остальные — либо заброшены, либо слишком нишевые. Разберём каждый из четырёх подробно.

LangGraph — графы и контроль

Философия LangGraph строится на идее направленного графа: узлы — функции, рёбра — переходы между ними, а состояние передаётся явно. Это даёт максимальный контроль над поведением системы.

Подходит для продакшена, где важны отладка, восстановление после сбоев и прозрачность.

from langgraph.graph import StateGraph, START, END
from langgraph.prebuilt import create_react_agent
from langchain_community.llms import Ollama

researcher_llm = Ollama(model="mistral-nemo")
coder_llm = Ollama(model="qwen2.5-coder:32b")

researcher = create_react_agent(
    researcher_llm,
    tools=[search_tool, read_tool],
    prompt="Находи информацию. Возвращай факты."
)

coder = create_react_agent(
    coder_llm,
    tools=[write_tool, edit_tool],
    prompt="Пиши чистый код."
)

def supervisor(state):
    if state["needs_research"]:
        return "researcher"
    if state["needs_code"]:
        return "coder"
    return END

graph = StateGraph(AgentState)
graph.add_node("researcher", researcher)
graph.add_node("coder", coder)
graph.add_conditional_edges("supervisor", supervisor)
graph.add_edge(START, "supervisor")

app = graph.compile(checkpointer=MemorySaver())

Для типовых случаев есть сокращённый вариант через langgraph-supervisor:

from langgraph_supervisor import create_supervisor

supervisor = create_supervisor(
    agents=[researcher, coder, tester],
    model=Ollama(model="llama3.3:70b"),
    prompt="Исследуй → кодь → тестируй."
)

result = supervisor.invoke({"task": "REST API для управления задачами"})

Сильные стороны. Чекпоинтинг — агент продолжает с места остановки после сбоя. Условная маршрутизация — супервизор решает, кому передать задачу. Циклы и ветвления — полноценный граф, а не линейная цепочка. Интеграция с LangSmith для визуализации каждого шага.

Слабые. Высокий порог входа и много шаблонного кода.

CrewAI — роли и команды

CrewAI подходит к задаче иначе: агенты — это члены команды, у каждого из которых есть роль, цель и предыстория. Фреймворк проектировался так, чтобы описание системы было максимально интуитивным.

Идеален для прототипов и быстрой проверки гипотез.

from crewai import Agent, Task, Crew, LLM

local_llm = LLM(model="ollama/llama3.3:70b", base_url="http://localhost:11434")
fast_llm = LLM(model="ollama/mistral-nemo", base_url="http://localhost:11434")

researcher = Agent(
    role="Старший аналитик",
    goal="Находить актуальные данные по теме",
    backstory="10 лет в tech. Отличает маркетинг от реальности.",
    tools=[search_tool, scrape_tool],
    llm=fast_llm
)

writer = Agent(
    role="Технический писатель",
    goal="Писать чёткие статьи без воды",
    backstory="Блог на 50K подписчиков. Простой язык.",
    llm=local_llm
)

research_task = Task(
    description="Исследуй: {topic}. 5 фактов с источниками.",
    expected_output="Список фактов со ссылками.",
    agent=researcher
)

writing_task = Task(
    description="Напиши статью на основе исследования.",
    expected_output="1500-2000 слов, Markdown.",
    agent=writer,
    context=[research_task]
)

crew = Crew(agents=[researcher, writer], tasks=[research_task, writing_task])
result = crew.kickoff(inputs={"topic": "Мультиагентные системы в 2026"})

Сильные стороны. Запуск за 20 строк кода. Роли и предыстории помогают модели точнее следовать инструкциям. Больше сотни встроенных инструментов. Поддержка памяти: краткосрочной, долгосрочной и сущностной. Режим human-in-the-loop, когда агент может запросить уточнение.

Слабые. Чекпоинтинг ограничен. Для серьёзного продакшена придётся дорабатывать.

AutoGen (Microsoft) — диалоги между агентами

AutoGen построен на другом примитиве — разговоре. Агенты общаются друг с другом, как участники переписки: один предлагает, другой рецензирует, первый исправляет по замечаниям.

Лучше всего подходит для итеративных задач вроде парного программирования: код → ревью → исправление → ревью.

from autogen import ConversableAgent

coder = ConversableAgent(
    name="Кодер",
    system_message="Пишешь чистый Python. Тесты обязательны.",
    llm_config={"model": "llama3.3:70b", "base_url": "http://localhost:11434/v1"}
)

reviewer = ConversableAgent(
    name="Ревьюер",
    system_message="Ищешь баги и дыры. Всё ок — говоришь APPROVED.",
    llm_config={"model": "qwen2.5-coder:32b", "base_url": "http://localhost:11434/v1"}
)

result = coder.initiate_chat(
    reviewer,
    message="REST API на FastAPI с JWT.",
    max_turns=4
)

Сильные стороны. Естественная итерация, пары и группы, вложенные чаты. Хорош для задач, где нужно несколько раундов правок.

Слабые. Каждый ход — полный вызов модели, что дорого при частых итерациях. Нет чекпоинтинга. Со сложной логикой управления справляется плохо.

OpenAI Agents SDK — минимализм

Самый лаконичный из четырёх. Агент — это инструкции плюс инструменты. Передача задачи от одного агента другому оформляется через handoff.

Подходит, когда нужна простая цепочка без сложной оркестрации.

from agents import Agent, Runner

researcher = Agent(
    name="Исследователь",
    instructions="Находи информацию. Передавай кодеру.",
    tools=[search_tool],
    handoffs=["coder"]
)

coder = Agent(
    name="Кодер",
    instructions="Пиши код. Передавай тестеру.",
    tools=[write_tool],
    handoffs=["tester"]
)

tester = Agent(
    name="Тестер",
    instructions="Тестируй. Возвращай результат.",
    tools=[bash_tool]
)

result = Runner.run(researcher, input="CLI для GitHub API")

Сильные стороны. Открытый код, Python и TypeScript. Поддержка более сотни моделей через OpenAI-совместимый API, включая локальные через Ollama. Встроенные guardrails, трейсинг и sessions.

Слабые. Меньше контроля по сравнению с LangGraph. Проще, но и возможностей меньше.

Сравнение

Рекомендация

Если коротко:

• Прототип → CrewAI. Самый быстрый путь от идеи до рабочей системы.
• Продакшен → LangGraph. Надёжнее всего, хотя порог входа выше.
• Итеративные задачи, код-ревью → AutoGen. Заточен именно под это.
• Простая цепочка → Agents SDK. Минимум кода и абстракций.

Назад: ← Зачем нужны мультиагентные системы | Дальше: Модели →