Модуль p.9 · Урок 7
Урок 7: Agent frameworks — LangGraph vs CrewAI vs Microsoft Agent Framework
Содержание
- Чему вы научитесь
- Короткая карта рынка
- LangGraph: когда нужен управляемый state machine, а не «магия агентов»
- CrewAI: когда надо быстро оркестрировать роли
- Microsoft Agent Framework: когда нужен enterprise-ответ Microsoft
- AutoGen: поддерживать можно, стартовать новым проектом — нет смысла
- Semantic Kernel и Haystack Agents
- Semantic Kernel
- Haystack Agents
- Swarm: оставить в учебной песочнице
- Что с open-LLM и function calling
- Как выбирать framework под промышленный кейс
- Связь с гибридной архитектурой
Чему вы научитесь
- Различать agent framework по архитектурной парадигме: graph-based, role-based, enterprise workflow
- Понимать, когда в промышленности брать LangGraph, когда CrewAI, а когда уже нужен Microsoft Agent Framework
- Не тянуть в production экспериментальные или уходящие в maintenance решения без причины
- Собирать agent stack поверх open-LLM и видеть, где его реальные границы по tool use и reliability
- Привязывать выбор фреймворка к конкретному use case, а не к чужому хайпу
С агентами в 2026 году повторяется та же история, что раньше была с RAG: рынок любит обсуждать бренды, а production любит предсказуемость. Для промышленного предприятия вопрос звучит не «какой framework моднее», а «какой framework позволит безопасно и воспроизводимо провести многошаговый процесс: retrieval, tools, проверки, human-in-the-loop и журналирование решений».
Короткая карта рынка
| Фреймворк | URL | Лицензия | Зрелость AIStudy | Парадигма | Типичный промышленный use case |
|---|---|---|---|---|---|
| LangGraph | github.com/langchain-ai/langgraph | MIT | production | graph-based, stateful | Диагностика оборудования, RAG + tools + approval |
| CrewAI | github.com/crewAIInc/crewAI | MIT | stable / production-candidate | role-based crews | Оркестрация ролей «инженер / аналитик / диспетчер» |
| Microsoft Agent Framework | github.com/microsoft/agent-framework | MIT | production-ready (v1.0, 2026) | enterprise agent + workflow framework | Корпоративный агентный контур с .NET/Python, governance и workflows |
| AutoGen | github.com/microsoft/autogen | MIT | stable, но не для новых проектов | multi-agent research / legacy | Поддержка старых проектов, миграция |
| Semantic Kernel | github.com/microsoft/semantic-kernel | MIT | production | enterprise SDK / agents | Microsoft-first интеграции и enterprise tool layer |
| Haystack Agents | github.com/deepset-ai/haystack | Apache-2.0 | stable | agent layer в RAG-heavy стеке | Retrieval-first агенты и enterprise RAG |
| Swarm | github.com/openai/swarm | MIT | experimental | lightweight handoff model | Учебные эксперименты, не production |
LangGraph: когда нужен управляемый state machine, а не «магия агентов»
Официальный репозиторий LangGraph позиционирует его как low-level orchestration framework для long-running, stateful agents, перечисляя durable execution, human-in-the-loop, memory и production-ready deployment (langchain-ai/langgraph). Для промышленности это почти идеальный язык.
Почему? Потому что production-процесс на заводе редко похож на свободный чат. Он похож на граф.
- получить сигнал;
- сходить в historian;
- сходить в базу регламентов;
- построить гипотезы;
- спросить разрешение инженера;
- сформировать рекомендацию;
- залогировать решение.
Это и есть LangGraph-мышление: узлы, переходы, состояние, checkpoints.
flowchart TD
A[Сигнал от оборудования] --> B[Retrieval по истории инцидентов]
B --> C[Проверка регламентов]
C --> D[Генерация гипотез]
D --> E{Нужен инженер?}
E -->|Да| F[Human review]
E -->|Нет| G[Рекомендация]
F --> G
G --> H[Лог и уведомление]Если у вас диагност, ассистент сменного инженера, цепочка расследования инцидента или любой multi-step workflow, LangGraph обычно лучший первый кандидат.
CrewAI: когда надо быстро оркестрировать роли
CrewAI вырос как role-based парадигма. Вместо графа вы думаете ролями: аналитик, инженер, диспетчер, юрист, контролёр. Это очень удобно на этапе дизайна и прототипирования, особенно когда бизнесу психологически проще понимать «команду агентов», чем graph-state machine (crewAIInc/crewAI).
В промышленности CrewAI уместен там, где сценарий похож на распределение ролей.
Например:
- агент «аналитик» читает телеметрию;
- агент «инженер» проверяет технологические ограничения;
- агент «диспетчер» оформляет уведомление и эскалацию.
Это хороший язык для презентации и для пилота. Но у role-based подхода есть ограничение: как только возникает жёсткая логика состояний, согласований и возвратов, граф часто оказывается прозрачнее.
Microsoft Agent Framework: когда нужен enterprise-ответ Microsoft
Официальный репозиторий microsoft/agent-framework и документация Microsoft Learn прямо показывают, что Agent Framework — это уже не эксперимент, а production-ready (v1.0, 2026) enterprise-oriented framework с agents, workflows, checkpointing, human-in-the-loop, A2A / MCP и мульти-языковой поддержкой Python + .NET (repo, docs).
Это важный сдвиг. В Microsoft-экосистеме теперь не надо выбирать между «старым AutoGen» и «ещё каким-то SDK». Есть единый текущий вектор.
Agent Framework особенно уместен, если:
- у предприятия сильный .NET-контур;
- нужен enterprise-grade workflow, а не только чат;
- важны провайдерная гибкость и governance;
- есть план на долгую жизнь решения, а не на пилот ради демо.
AutoGen: поддерживать можно, стартовать новым проектом — нет смысла
Официальный репозиторий AutoGen теперь содержит прямое предупреждение: Maintenance Mode. Там же написано, что новые пользователи должны начинать с Microsoft Agent Framework, а существующим рекомендуется миграция (microsoft/autogen).
Это редкий случай, когда нам не надо гадать. Автор проекта уже сам сформулировал стратегию. Значит, для новых проектов ответ простой:
- новый проект — не AutoGen;
- legacy или уже идущий пилот — можно жить временно, но с планом миграции.
Semantic Kernel и Haystack Agents
Semantic Kernel
Semantic Kernel остаётся сильным enterprise SDK, особенно если у вас Microsoft-first landscape и нужен богатый plugin/tool слой (microsoft/semantic-kernel). Но стратегически Microsoft сама показывает, что следующий общий ответ — это Agent Framework, который объединяет опыт AutoGen и Semantic Kernel (Microsoft Learn).
Haystack Agents
Haystack в 2026 году уже не только про retrieval. Официальный репозиторий прямо говорит про agent workflows, routing, memory и production-ready LLM applications (deepset-ai/haystack). Если команда уже живёт на Haystack как на RAG-стеке, логично не тащить второй framework только ради «агентности».
Swarm: оставить в учебной песочнице
Репозиторий openai/swarm сам называет себя experimental, educational и прямо рекомендует для production переходить на Agents SDK (openai/swarm). Для нас это означает ровно одно: Swarm полезен как чистая идея handoff-модели, но не как боевой industrial framework.
Что с open-LLM и function calling
Технически open-модели уже умеют tool use. Семейство Qwen3, включая Qwen3 и Qwen3.6, в официальных блогах и model cards прямо показывает strong agent capabilities, а T-Pro 2.0 унаследовал и расширил reasoning/tooling-подход семьи Qwen3 (Qwen3, Qwen3.6, t-tech/T-pro-it-2.0).
Но operational truth выглядит так:
- простое function calling и structured output open-модели уже делают нормально;
- длинные multi-tool trajectories, особенно с неоднозначными условиями, всё ещё менее надёжны, чем у лучших closed моделей;
- значит, agent framework надо выбирать так, чтобы он выдерживал retries, guardrails и human review.
Как выбирать framework под промышленный кейс
Опишите процесс, а не агента. Что именно должно происходить шаг за шагом: retrieval, расчёт, tool call, проверка, approval, уведомление.
Если процесс похож на граф состояний — берите LangGraph. Это лучший дефолт для stateful многошаговых сценариев.
Если важнее быстрое role-based прототипирование — смотрите CrewAI. Но не путайте удобство питча с устойчивостью production.
Если вы в Microsoft-first enterprise-контуре — смотрите Agent Framework. Особенно если нужны .NET, governance и официальная долгосрочная линия развития.
Не стартуйте новым проектом на AutoGen или Swarm. Первый уже в maintenance mode, второй сам называется educational / experimental.
Связь с гибридной архитектурой
Agent framework — это не замена router, redaction и judge patterns. Это слой orchestration поверх них. Поэтому выбор LangGraph / CrewAI / Agent Framework всегда надо читать вместе с уроком p.2/05 про гибридные архитектуры.
Если у вас нет правильного маршрутизатора, нет redaction, нет guardrails и нет human-in-the-loop, никакой framework не превратит хрупкий pipeline в промышленную систему.