Agentic AI Frameworks তুলনা: LangGraph বনাম CrewAI বনাম OpenAI Agents SDK বনাম Claude Agent SDK

AI agents এখন research demos থেকে production systems-এ চলে এসেছে। 2026 সালের মধ্যে 60%-এর বেশি enterprise AI applications-এ agentic components অন্তর্ভুক্ত হবে বলে আশা করা হচ্ছে। কিন্তু scratch থেকে agents তৈরি করা - tool loops, state, memory, error handling, এবং multi-agent coordination পরিচালনা করা - জটিল। এখানেই frameworks কাজে আসে।

2026 সালে চারটি framework প্রভাবশালী: LangGraph, CrewAI, OpenAI Agents SDK, এবং Claude Agent SDK। প্রতিটি একই সমস্যার জন্য মৌলিকভাবে ভিন্ন পদ্ধতি গ্রহণ করে: LLMs-কে reason, plan, tools ব্যবহার, এবং collaborate করার ক্ষমতা দেওয়া।

এক নজরে

LangGraph: The Graph Builder

LangGraph agent workflows-কে directed cyclic graphs হিসেবে model করে। আপনি nodes (functions যা কাজ করে) এবং edges (তাদের মধ্যে transitions, ঐচ্ছিকভাবে conditional) define করেন। State graph-এর মধ্য দিয়ে প্রবাহিত হয় এবং checkpointing-এর মাধ্যমে persist হয়।

এটি সবচেয়ে explicit এবং controllable framework - আপনি প্রতিটি step নিজে wire করেন।

মূল ধারণাসমূহ

• StateGraph: typed state সহ graph definition
• Nodes: Python functions যা state transform করে
• Edges: nodes-এর মধ্যে connections, conditional হতে পারে
• Checkpointing: long-running workflows-এর জন্য built-in persistence

Code Example

from langgraph.graph import StateGraph, MessagesState, START, END
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o")

def call_agent(state: MessagesState):
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

def should_continue(state: MessagesState):
    last = state["messages"][-1]
    if last.tool_calls:
        return "tools"
    return END

def call_tools(state: MessagesState):
    # Execute tool calls and return results
    results = []
    for tool_call in state["messages"][-1].tool_calls:
        result = execute_tool(tool_call)
        results.append(result)
    return {"messages": results}

graph = StateGraph(MessagesState)
graph.add_node("agent", call_agent)
graph.add_node("tools", call_tools)
graph.add_edge(START, "agent")
graph.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END})
graph.add_edge("tools", "agent")

app = graph.compile()
result = app.invoke({"messages": [{"role": "user", "content": "What's the weather?"}]})

শক্তিসমূহ

• প্রতিটি step এবং transition-এ সূক্ষ্ম নিয়ন্ত্রণ
• Built-in checkpointing এবং human-in-the-loop
• সম্পূর্ণ TypeScript parity
• যেকোনো LLM provider-এর সাথে কাজ করে
• Conditional branching এবং loops সহ complex workflows-এর জন্য সেরা

দুর্বলতাসমূহ

• শেখার curve খাড়া - graph theory concepts বুঝতে হবে
• সাধারণ use cases-এর জন্য verbose - একটি basic agent-এর জন্য অন্যান্য frameworks-এর তুলনায় বেশি boilerplate প্রয়োজন
• LangSmith ছাড়া graph flows debug করা চ্যালেঞ্জিং হতে পারে

মূল্য নির্ধারণ

Open-source (MIT)। LangSmith (managed observability platform)-এ production monitoring-এর জন্য paid tiers আছে।

CrewAI: The Team Assembler

CrewAI একটি মানবিক রূপক ব্যবহার করে: আপনি বিশেষজ্ঞ agents-এর একটি crew তৈরি করেন, প্রতিটির একটি role, goal, এবং backstory থাকে। Agents tools ব্যবহার করে tasks-এ collaborate করে, একটি process (sequential, hierarchical, বা consensual) দ্বারা সমন্বিত।

এটিকে একটি team hire করার মতো ভাবুন যেখানে প্রতিটি সদস্যের একটি নির্দিষ্ট job title এবং specialty আছে।

মূল ধারণাসমূহ

• Agent: role, goal, backstory, এবং tools সহ একটি persona
• Task: description, expected output, এবং assigned agent সহ একটি assignment
• Crew: একসাথে কাজ করা agents-এর একটি দল
• Process: execution strategy (sequential, hierarchical, consensual)
• Flow: একাধিক crews সংযুক্ত করার জন্য event-driven orchestration layer

Code Example

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="Senior Research Analyst",
    goal="Find comprehensive data about the given topic",
    backstory="You have 10 years of experience in technology research. "
              "You are thorough and always verify facts from multiple sources.",
    tools=[web_search_tool],
    verbose=True,
)

writer = Agent(
    role="Technical Writer",
    goal="Create clear, engaging technical content",
    backstory="You write for a developer audience. "
              "Your articles are practical and include code examples.",
    tools=[file_tool],
    verbose=True,
)

research_task = Task(
    description="Research the latest developments in WebAssembly in 2026. "
                "Focus on WASI, Component Model, and production use cases.",
    expected_output="A structured research document with key findings and sources.",
    agent=researcher,
)

writing_task = Task(
    description="Write a blog post based on the research. "
                "Include code examples and Mermaid diagrams.",
    expected_output="A complete blog post in Markdown format.",
    agent=writer,
    context=[research_task],  # Writer receives researcher's output
)

crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    process=Process.sequential,
    verbose=True,
)

result = crew.kickoff()
print(result.raw)

শক্তিসমূহ

• স্বজ্ঞাত role-based abstraction - বুঝতে সহজ
• 100+ built-in tool integrations
• Agents জুড়ে shared memory (short-term, long-term, entity)
• সবচেয়ে বড় community (~40k GitHub stars)
• একটি "manager" agent সহ hierarchical process যা delegate এবং validate করে

দুর্বলতাসমূহ

• LangGraph-এর তুলনায় কম সূক্ষ্ম নিয়ন্ত্রণ - আপনি roles define করেন, exact execution paths নয়
• Agents দ্বিমত পোষণ করলে hierarchical process অনির্দেশ্য হতে পারে
• Multi-agent conversations debug করা single-agent flows-এর চেয়ে কঠিন

মূল্য নির্ধারণ

Open-source core (free)। CrewAI Platform: $99/month (Teams) থেকে $120k/year (Enterprise)। মূল্য live crews এবং monthly executions-এর উপর ভিত্তি করে।

OpenAI Agents SDK: The Router

OpenAI Agents SDK (Swarm-এর spiritual successor) handoffs-এ মনোযোগ দেয় - agents conversations অন্যান্য specialized agents-এ transfer করে। এটি সবচেয়ে minimal framework: agents, tools, handoffs, এবং guardrails। এটুকুই।

মূল ধারণাসমূহ

• Agent: model + instructions + tools + handoffs
• Handoff: অন্য agent-এ transfer (LLM যে tool call করতে পারে সেভাবে modeled)
• Guardrail: agent-এর সাথে parallel-এ চলা input/output validation
• Runner: agent loop execute করে
• Tracing: সমস্ত LLM calls, tool invocations, এবং handoffs-এর জন্য built-in observability

Code Example

from agents import Agent, Runner, handoff, InputGuardrail, GuardrailFunctionOutput
from pydantic import BaseModel

class SafetyCheck(BaseModel):
    is_safe: bool
    reason: str

async def content_safety(ctx, agent, input_text):
    result = await Runner.run(
        Agent(name="Safety", instructions="Check if input is safe. No PII."),
        input_text,
        context=ctx,
    )
    output = SafetyCheck.model_validate_json(result.final_output)
    return GuardrailFunctionOutput(
        output_info=output, tripwire_triggered=not output.is_safe
    )

billing_agent = Agent(
    name="Billing Agent",
    instructions="You handle billing inquiries. Be precise with numbers.",
    tools=[lookup_invoice, process_payment],
)

refund_agent = Agent(
    name="Refund Agent",
    instructions="You process refund requests. Always verify the order first.",
    tools=[lookup_order, issue_refund],
)

triage_agent = Agent(
    name="Triage Agent",
    instructions="Route the customer to the right specialist. "
                 "Ask clarifying questions if needed.",
    handoffs=[billing_agent, refund_agent],
    input_guardrails=[InputGuardrail(guardrail_function=content_safety)],
)

result = await Runner.run(triage_agent, "I need a refund for order #4521")
print(result.final_output)
# The triage agent routes to refund_agent, which processes the refund

শক্তিসমূহ

• Clean handoff pattern - routing/triage workflows-এর জন্য স্বাভাবিক
• Guardrails execution-এর সাথে parallel-এ চলে (fail-fast, blocking নয়)
• Debugging-এর জন্য built-in tracing dashboard
• নাম সত্ত্বেও, non-OpenAI models support করে
• Minimal abstraction - বুঝতে এবং extend করতে সহজ

দুর্বলতাসমূহ

• LangGraph-এর তুলনায় কম mature state management
• কোনো built-in persistence বা checkpointing নেই
• Third-party tools-এর ecosystem ছোট
• Handoff-centric design প্রতিটি architecture-এ নাও মানাতে পারে

মূল্য নির্ধারণ

Open-source (MIT)। আপনি যে model ব্যবহার করেন তার জন্য per-token পরিশোধ করুন।

Claude Agent SDK: The Developer

Claude Agent SDK একটি ভিন্ন পদ্ধতি নেয়: workflows বা roles define করার পরিবর্তে, আপনি agent-কে tools-এর একটি set দেন এবং task সম্পন্ন করার উপায় বের করতে দেন। এটি একই autonomous loop ব্যবহার করে যা Claude Code-কে power করে - read, act, verify, iterate।

মূল ধারণাসমূহ

• query(): agent loop শুরু করার main entry point
• Built-in tools: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
• MCP-র মাধ্যমে custom tools: in-process MCP servers হিসেবে tools define করুন
• Sub-agents: বিশেষজ্ঞ agents যাদের কাছে parent delegate করতে পারে
• Sessions: একাধিক interactions জুড়ে context বজায় রাখুন

Code Example

import { tool, createSdkMcpServer, query } from "@anthropic-ai/claude-agent-sdk";
import { z } from "zod";

const searchDocs = tool(
  "search_docs",
  "Search the internal documentation for relevant information",
  { query: z.string().describe("Search query") },
  async ({ query }) => {
    const results = await vectorStore.similaritySearch(query, 5);
    return {
      content: [{ type: "text", text: results.map(r => r.pageContent).join("\n\n") }],
    };
  }
);

const docsServer = createSdkMcpServer({
  name: "docs",
  version: "1.0.0",
  tools: [searchDocs],
});

for await (const message of query({
  prompt: "Find how authentication works in our system and write a summary",
  options: {
    mcpServers: { docs: docsServer },
    allowedTools: ["Read", "Glob", "Grep", "mcp__docs__search_docs"],
  },
})) {
  if (message.type === "result" && message.subtype === "success") {
    console.log(message.result);
  }
}

শক্তিসমূহ

• First-class MCP integration - যেকোনো MCP server ecosystem-এ সংযুক্ত হন
• File operations, terminal, এবং web access-এর জন্য built-in tools
• বড় codebases-এর জন্য automatic context compaction
• Complex tasks-এর জন্য sub-agent parallelism
• Claude Code-এর মতো একই engine - আসল development workflows-এ battle-tested

দুর্বলতাসমূহ

• শুধু Claude models - কোনো multi-provider support নেই
• ছোট community সহ নতুন framework
• Python SDK-র জন্যও Node.js runtime প্রয়োজন
• LangGraph-এর তুলনায় কম explicit workflow control

মূল্য নির্ধারণ

Open-source। Standard Claude API token rates। Managed Agents (hosted version): token costs ছাড়াও $0.08 per session-hour।

কখন কোনটি বেছে নেবেন

LangGraph বেছে নিন যদি:

• আপনার workflow-এর প্রতিটি step-এ সুনির্দিষ্ট নিয়ন্ত্রণ প্রয়োজন হয়
• আপনার use case-এ complex conditional logic এবং loops জড়িত
• আপনার built-in persistence এবং human-in-the-loop checkpoints দরকার
• আপনাকে একই workflow-এ একাধিক LLM providers ব্যবহার করতে হবে

CrewAI বেছে নিন যদি:

• আপনি একটি স্বজ্ঞাত, role-based abstraction চান
• আপনার task-এ আলাদা specialties সহ একাধিক agents জড়িত
• আপনার agents-এর collaborate করা এবং পরস্পরকে context pass করা দরকার
• আপনি সবচেয়ে বড় community এবং সবচেয়ে বেশি built-in integrations চান

OpenAI Agents SDK বেছে নিন যদি:

• আপনার প্রাথমিক pattern হল conversations specialists-এর কাছে route করা
• আপনার guardrails দরকার যা parallel-এ input/output validate করে
• আপনি ন্যূনতম boilerplate সহ সবচেয়ে সরল abstraction চান
• Built-in tracing এবং observability গুরুত্বপূর্ণ

Claude Agent SDK বেছে নিন যদি:

• আপনার agents-কে code read, write, এবং execute করতে হবে
• আপনি first-class MCP server integration চান
• আপনার autonomous agents দরকার যা iterate এবং self-correct করে
• আপনি ইতিমধ্যে Claude ব্যবহার করছেন এবং সবচেয়ে গভীর integration চান

আপনি কি Frameworks Combine করতে পারেন?

হ্যাঁ। একটি সাধারণ pattern হল orchestration-এর জন্য একটি framework এবং individual agents-এর জন্য আরেকটি:

• LangGraph সামগ্রিক workflow graph-এর জন্য
• CrewAI একটি নির্দিষ্ট node-এর জন্য যেখানে multi-agent collaboration প্রয়োজন
• Claude Agent SDK MCP-র মাধ্যমে coding-related sub-tasks-এর জন্য
• OpenAI Agents SDK customer-facing triage এবং routing-এর জন্য

এই frameworks পারস্পরিকভাবে বিচ্ছিন্ন নয়। আপনার system-এর প্রতিটি অংশের জন্য যা মানানসই তা ব্যবহার করুন।

উপসংহার

প্রতিটি framework একটি স্পষ্ট বাজি ধরে:

• LangGraph control-এর জন্য optimize করে - আপনি প্রতিটি transition ঠিক করেন
• CrewAI collaboration-এর জন্য optimize করে - agents একটি team হিসেবে কাজ করে
• OpenAI Agents SDK simplicity-র জন্য optimize করে - minimal abstraction, clean handoffs
• Claude Agent SDK autonomy-র জন্য optimize করে - tools দিন এবং কাজ করতে দিন

সঠিক পছন্দ আপনার workflow, আপনার team, এবং আপনার বিদ্যমান stack-এর উপর নির্ভর করে। যেটি আপনার primary use case-এর সাথে মেলে সেটি বেছে নিন, ভালোভাবে শিখুন, এবং তাদের sweet spot-এ পৌঁছালে অন্যগুলো টেনে আনুন।