1 
2انتقلت AI agents من العروض البحثية إلى أنظمة الإنتاج. من المتوقع أن تتضمن أكثر من 60% من تطبيقات AI المؤسسية مكونات agentic بحلول 2026. لكن بناء agents من الصفر  -  إدارة tool loops و state و memory و error handling والتنسيق متعدد agents  -  أمر معقد. هنا تأتي الأطر.
3 
4أربعة أطر تهيمن في 2026: **LangGraph** و **CrewAI** و **OpenAI Agents SDK** و **Claude Agent SDK**. كل منها يتبع نهجا مختلفا جذريا لنفس المشكلة: منح LLMs القدرة على التفكير والتخطيط واستخدام الأدوات والتعاون.
5 
6## نظرة سريعة
7 
8| الجانب | LangGraph | CrewAI | OpenAI Agents SDK | Claude Agent SDK |
9|--------|-----------|--------|-------------------|-----------------|
10| **الشركة** | LangChain | CrewAI Inc. | OpenAI | Anthropic |
11| **Architecture** | Graph-based | Role-based | Handoff-based | Autonomous loop |
12| **الفلسفة** | أقصى تحكم | Team collaboration | أقل abstraction | أعط agent الكمبيوتر |
13| **اللغات** | Python, TypeScript | Python | Python | Python, TypeScript |
14| **Model support** | أي (OpenAI, Claude, local) | أي | أي (رغم الاسم) | Claude فقط |
15| **GitHub stars** | ~29k | ~40k | ~21k | ~6k |
16| **الأفضل لـ** | Complex stateful workflows | Multi-agent specialization | Routing و triage | Coding و file-heavy tasks |
17 
18## LangGraph: بانّي الرسوم البيانية
19 
20يُنمذج LangGraph سير عمل agent كـ **directed cyclic graphs**. تُعرّف العقد (functions التي تؤدي العمل) والحواف (الانتقالات بينها، اختياريا مشروطة). تتدفق الحالة عبر الرسم البياني وتستمر عبر checkpointing.
21 
22هذا هو الإطار الأكثر صراحة وقابلية للتحكم  -  أنت تربط كل خطوة بنفسك.
23 
24```mermaid
25graph LR
26    Start --> Router[Router Node]
27    Router -->|needs research| Research[Research Node]
28    Router -->|needs code| Code[Code Node]
29    Research --> Synthesize[Synthesize Node]
30    Code --> Synthesize
31    Synthesize --> End
32```
33 
34### المفاهيم الأساسية
35 
36- **StateGraph**: تعريف الرسم البياني مع typed state
37- **Nodes**: Python functions التي تحول الحالة
38- **Edges**: الاتصالات بين العقد، يمكن أن تكون مشروطة
39- **Checkpointing**: persistence مدمج لسير العمل طويل التشغيل
40 
41### Code Example
42 
43```python
44from langgraph.graph import StateGraph, MessagesState, START, END
45from langchain_openai import ChatOpenAI
46 
47llm = ChatOpenAI(model="gpt-4o")
48 
49def call_agent(state: MessagesState):
50    response = llm.invoke(state["messages"])
51    return {"messages": [response]}
52 
53def should_continue(state: MessagesState):
54    last = state["messages"][-1]
55    if last.tool_calls:
56        return "tools"
57    return END
58 
59def call_tools(state: MessagesState):
60    # Execute tool calls and return results
61    results = []
62    for tool_call in state["messages"][-1].tool_calls:
63        result = execute_tool(tool_call)
64        results.append(result)
65    return {"messages": results}
66 
67graph = StateGraph(MessagesState)
68graph.add_node("agent", call_agent)
69graph.add_node("tools", call_tools)
70graph.add_edge(START, "agent")
71graph.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END})
72graph.add_edge("tools", "agent")
73 
74app = graph.compile()
75result = app.invoke({"messages": [{"role": "user", "content": "What's the weather?"}]})
76```
77 
78### نقاط القوة
79 
80- تحكم دقيق في كل خطوة وانتقال
81- Checkpointing و human-in-the-loop مدمجان
82- تكافؤ كامل مع TypeScript
83- يعمل مع أي LLM provider
84- الأفضل لسير العمل المعقد مع التفرع المشروط والحلقات
85 
86### نقاط الضعف
87 
88- منحنى تعلم حاد  -  تحتاج لفهم مفاهيم graph theory
89- مطول لحالات الاستخدام البسيطة  -  agent أساسي يتطلب boilerplate أكثر من الأطر الأخرى
90- تصحيح أخطاء تدفقات الرسم البياني قد يكون صعبا بدون LangSmith
91 
92### التسعير
93 
94Open-source (MIT). LangSmith (منصة observability مُدارة) لها مستويات مدفوعة لمراقبة الإنتاج.
95 
96## CrewAI: مُجمّع الفريق
97 
98يستخدم CrewAI استعارة بشرية: تجمع **طاقما** من agents المتخصصين، لكل منهم **role** و **goal** و **backstory**. تتعاون agents على **tasks** باستخدام **tools**، منسقة بواسطة **process** (sequential أو hierarchical أو consensual).
99 
100فكر في الأمر كتوظيف فريق حيث لكل عضو مسمى وظيفي وتخصص محدد.
101 
102```mermaid
103graph TD
104    Crew[Crew Manager] --> R[Researcher\nRole: Find data\nTools: WebSearch]
105    Crew --> W[Writer\nRole: Write content\nTools: FileWrite]
106    Crew --> E[Editor\nRole: Review quality\nTools: FileRead]
107    R --> Task1[Research Task]
108    W --> Task2[Writing Task]
109    E --> Task3[Review Task]
110    Task1 --> Task2 --> Task3
111```
112 
113### المفاهيم الأساسية
114 
115- **Agent**: شخصية بـ role و goal و backstory و tools
116- **Task**: مهمة بـ description و expected output و agent معيّن
117- **Crew**: مجموعة من agents تعمل معا
118- **Process**: استراتيجية التنفيذ (sequential، hierarchical، consensual)
119- **Flow**: طبقة orchestration مدفوعة بالأحداث لربط عدة crews
120 
121### Code Example
122 
123```python
124from crewai import Agent, Task, Crew, Process
125 
126researcher = Agent(
127    role="Senior Research Analyst",
128    goal="Find comprehensive data about the given topic",
129    backstory="You have 10 years of experience in technology research. "
130              "You are thorough and always verify facts from multiple sources.",
131    tools=[web_search_tool],
132    verbose=True,
133)
134 
135writer = Agent(
136    role="Technical Writer",
137    goal="Create clear, engaging technical content",
138    backstory="You write for a developer audience. "
139              "Your articles are practical and include code examples.",
140    tools=[file_tool],
141    verbose=True,
142)
143 
144research_task = Task(
145    description="Research the latest developments in WebAssembly in 2026. "
146                "Focus on WASI, Component Model, and production use cases.",
147    expected_output="A structured research document with key findings and sources.",
148    agent=researcher,
149)
150 
151writing_task = Task(
152    description="Write a blog post based on the research. "
153                "Include code examples and Mermaid diagrams.",
154    expected_output="A complete blog post in Markdown format.",
155    agent=writer,
156    context=[research_task],  # Writer receives researcher's output
157)
158 
159crew = Crew(
160    agents=[researcher, writer],
161    tasks=[research_task, writing_task],
162    process=Process.sequential,
163    verbose=True,
164)
165 
166result = crew.kickoff()
167print(result.raw)
168```
169 
170### نقاط القوة
171 
172- Role-based abstraction بديهي  -  سهل الفهم
173- أكثر من 100 tool integration مدمج
174- ذاكرة مشتركة بين agents (قصيرة المدى، طويلة المدى، كيانات)
175- أكبر مجتمع (~40k GitHub stars)
176- عملية هرمية مع agent "مدير" يفوّض ويتحقق
177 
178### نقاط الضعف
179 
180- تحكم أقل دقة من LangGraph  -  تُعرّف الأدوار لا مسارات التنفيذ الدقيقة
181- العملية الهرمية قد تكون غير متوقعة عندما تختلف agents
182- تصحيح أخطاء محادثات agents المتعددة أصعب من التدفقات أحادية agent
183 
184### التسعير
185 
186Open-source core (مجاني). CrewAI Platform: $99/شهر (Teams) إلى $120k/سنة (Enterprise). التسعير مبني على crews النشطة والتنفيذات الشهرية.
187 
188## OpenAI Agents SDK: الموجّه
189 
190يركز OpenAI Agents SDK (الخلف الروحي لـ Swarm) على **handoffs**  -  agents تنقل المحادثات إلى agents متخصصة أخرى. إنه الإطار الأكثر بساطة: agents و tools و handoffs و guardrails. هذا كل شيء.
191 
192```mermaid
193graph LR
194    User --> Triage[Triage Agent]
195    Triage -->|billing question| Billing[Billing Agent]
196    Triage -->|refund request| Refund[Refund Agent]
197    Triage -->|technical issue| Support[Support Agent]
198    Billing --> Response[Response]
199    Refund --> Response
200    Support --> Response
201```
202 
203### المفاهيم الأساسية
204 
205- **Agent**: model + instructions + tools + handoffs
206- **Handoff**: نقل إلى agent آخر (مُنمذج كأداة يمكن لـ LLM استدعاؤها)
207- **Guardrail**: التحقق من المدخلات/المخرجات يعمل بالتوازي مع agent
208- **Runner**: ينفذ حلقة agent
209- **Tracing**: observability مدمج لجميع استدعاءات LLM واستدعاءات الأدوات والتسليمات
210 
211### Code Example
212 
213```python
214from agents import Agent, Runner, handoff, InputGuardrail, GuardrailFunctionOutput
215from pydantic import BaseModel
216 
217class SafetyCheck(BaseModel):
218    is_safe: bool
219    reason: str
220 
221async def content_safety(ctx, agent, input_text):
222    result = await Runner.run(
223        Agent(name="Safety", instructions="Check if input is safe. No PII."),
224        input_text,
225        context=ctx,
226    )
227    output = SafetyCheck.model_validate_json(result.final_output)
228    return GuardrailFunctionOutput(
229        output_info=output, tripwire_triggered=not output.is_safe
230    )
231 
232billing_agent = Agent(
233    name="Billing Agent",
234    instructions="You handle billing inquiries. Be precise with numbers.",
235    tools=[lookup_invoice, process_payment],
236)
237 
238refund_agent = Agent(
239    name="Refund Agent",
240    instructions="You process refund requests. Always verify the order first.",
241    tools=[lookup_order, issue_refund],
242)
243 
244triage_agent = Agent(
245    name="Triage Agent",
246    instructions="Route the customer to the right specialist. "
247                 "Ask clarifying questions if needed.",
248    handoffs=[billing_agent, refund_agent],
249    input_guardrails=[InputGuardrail(guardrail_function=content_safety)],
250)
251 
252result = await Runner.run(triage_agent, "I need a refund for order #4521")
253print(result.final_output)
254# The triage agent routes to refund_agent, which processes the refund
255```
256 
257### نقاط القوة
258 
259- نمط handoff نظيف  -  طبيعي لسير عمل routing/triage
260- Guardrails تعمل بالتوازي مع التنفيذ (fail-fast، غير مُعطّلة)
261- لوحة tracing مدمجة لتصحيح الأخطاء
262- رغم الاسم، يدعم models غير OpenAI
263- Abstraction أدنى  -  سهل الفهم والتوسيع
264 
265### نقاط الضعف
266 
267- إدارة حالة أقل نضجا من LangGraph
268- لا persistence أو checkpointing مدمج
269- نظام أدوات الطرف الثالث أصغر
270- التصميم المرتكز على handoff قد لا يناسب كل architecture
271 
272### التسعير
273 
274Open-source (MIT). تدفع per-token لأي model تستخدمه.
275 
276## Claude Agent SDK: المطوّر
277 
278يتبع Claude Agent SDK نهجا مختلفا: بدلا من تعريف سير العمل أو الأدوار، تعطي agent **مجموعة من الأدوات وتتركه يكتشف كيف ينجز المهمة**. يستخدم نفس الحلقة المستقلة التي تشغل Claude Code  -  اقرأ، نفّذ، تحقق، كرر.
279 
280```mermaid
281graph TD
282    Prompt[User Prompt] --> Loop[Autonomous Agent Loop]
283    Loop --> Reason[Reason about next step]
284    Reason --> Act[Execute tool]
285    Act --> Verify[Check result]
286    Verify -->|not done| Loop
287    Verify -->|done| Output[Final output]
288```
289 
290### المفاهيم الأساسية
291 
292- **query()**: نقطة الدخول الرئيسية التي تبدأ حلقة agent
293- **Built-in tools**: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
294- **أدوات مخصصة عبر MCP**: عرّف الأدوات كـ in-process MCP servers
295- **Sub-agents**: agents متخصصة يمكن للأب تفويضها
296- **Sessions**: الحفاظ على السياق عبر تفاعلات متعددة
297 
298### Code Example
299 
300```typescript
301import { tool, createSdkMcpServer, query } from "@anthropic-ai/claude-agent-sdk";
302import { z } from "zod";
303 
304const searchDocs = tool(
305  "search_docs",
306  "Search the internal documentation for relevant information",
307  { query: z.string().describe("Search query") },
308  async ({ query }) => {
309    const results = await vectorStore.similaritySearch(query, 5);
310    return {
311      content: [{ type: "text", text: results.map(r => r.pageContent).join("\n\n") }],
312    };
313  }
314);
315 
316const docsServer = createSdkMcpServer({
317  name: "docs",
318  version: "1.0.0",
319  tools: [searchDocs],
320});
321 
322for await (const message of query({
323  prompt: "Find how authentication works in our system and write a summary",
324  options: {
325    mcpServers: { docs: docsServer },
326    allowedTools: ["Read", "Glob", "Grep", "mcp__docs__search_docs"],
327  },
328})) {
329  if (message.type === "result" && message.subtype === "success") {
330    console.log(message.result);
331  }
332}
333```
334 
335### نقاط القوة
336 
337- تكامل MCP من الدرجة الأولى  -  اتصل بأي نظام MCP server
338- أدوات مدمجة لعمليات الملفات والطرفية والوصول للويب
339- ضغط سياق تلقائي لقواعد الكود الكبيرة
340- توازي sub-agent للمهام المعقدة
341- نفس محرك Claude Code  -  مُختبر في سير عمل التطوير الحقيقي
342 
343### نقاط الضعف
344 
345- Claude models فقط  -  لا دعم لمزودين متعددين
346- إطار أحدث بمجتمع أصغر
347- يتطلب Node.js runtime حتى لـ Python SDK
348- تحكم أقل صراحة في سير العمل مقارنة بـ LangGraph
349 
350### التسعير
351 
352Open-source. أسعار Claude API token القياسية. Managed Agents (النسخة المُستضافة): $0.08 لكل session-hour بالإضافة إلى تكاليف tokens.
353 
354## متى تختار أيا منها
355 
356```mermaid
357graph TD
358    Start{What's your priority?}
359    Start -->|Full control over workflow| LG[LangGraph]
360    Start -->|Multi-agent collaboration| CA[CrewAI]
361    Start -->|Routing and triage| OA[OpenAI Agents SDK]
362    Start -->|Coding and file automation| CS[Claude Agent SDK]
363 
364    LG --> LGU[Complex stateful workflows\nConditional branching\nHuman-in-the-loop]
365    CA --> CAU[Team of specialized agents\nResearch + writing pipelines\nContent generation]
366    OA --> OAU[Customer service routing\nMulti-step handoffs\nInput validation]
367    CS --> CSU[Code generation and review\nFile-heavy automation\nMCP tool ecosystem]
368```
369 
370### اختر LangGraph إذا:
371- كنت بحاجة لتحكم دقيق في كل خطوة من سير العمل
372- حالة استخدامك تتضمن منطقا شرطيا معقدا وحلقات
373- كنت بحاجة لـ persistence مدمج ونقاط تفتيش human-in-the-loop
374- كنت بحاجة لاستخدام مزودي LLM متعددين في نفس سير العمل
375 
376### اختر CrewAI إذا:
377- كنت تريد abstraction بديهيا قائما على الأدوار
378- مهمتك تتضمن agents متعددين بتخصصات مميزة
379- كنت بحاجة لتعاون agents وتمرير السياق بينهم
380- كنت تقدر أكبر مجتمع وأكثر integrations مدمجة
381 
382### اختر OpenAI Agents SDK إذا:
383- نمطك الأساسي هو توجيه المحادثات إلى المتخصصين
384- كنت بحاجة لـ guardrails تتحقق من المدخلات/المخرجات بالتوازي
385- كنت تريد أبسط abstraction ممكن بأقل boilerplate
386- كان tracing و observability المدمجان مهمين
387 
388### اختر Claude Agent SDK إذا:
389- كانت agents تحتاج لقراءة وكتابة وتنفيذ الكود
390- كنت تريد تكامل MCP server من الدرجة الأولى
391- كنت بحاجة لـ agents مستقلة تتكرر وتصحح نفسها
392- كنت تستخدم Claude بالفعل وتريد أعمق تكامل
393 
394## هل يمكنك الجمع بين الأطر؟
395 
396نعم. نمط شائع هو استخدام إطار واحد للتنسيق وآخر للـ agents الفردية:
397 
398- **LangGraph** لرسم سير العمل الشامل
399- **CrewAI** لعقدة محددة تتطلب تعاون agents متعددة
400- **Claude Agent SDK** للمهام الفرعية المتعلقة بالكود عبر MCP
401- **OpenAI Agents SDK** للتوجيه والفرز الموجه للعملاء
402 
403الأطر ليست متنافية. استخدم ما يناسب كل جزء من نظامك.
404 
405## الخلاصة
406 
407كل إطار يراهن رهانا واضحا:
408 
409- **LangGraph** يُحسّن للتحكم  -  أنت تقرر كل انتقال
410- **CrewAI** يُحسّن للتعاون  -  agents تعمل كفريق
411- **OpenAI Agents SDK** يُحسّن للبساطة  -  أقل abstraction، handoffs نظيفة
412- **Claude Agent SDK** يُحسّن للاستقلالية  -  أعطه الأدوات ودعه يعمل
413 
414الاختيار الصحيح يعتمد على سير عملك وفريقك ومكدسك الحالي. اختر الذي يتوافق مع حالة استخدامك الأساسية، تعلمه جيدا، واستعن بالآخرين عندما تصل لنقطة قوتهم.
415