1~
2AI 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।
3~
42026 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।
5~
6## এক নজরে
7~
8| দিক | LangGraph | CrewAI | OpenAI Agents SDK | Claude Agent SDK |
9|--------|-----------|--------|-------------------|-----------------|
10| **নির্মাতা** | LangChain | CrewAI Inc. | OpenAI | Anthropic |
11| **Architecture** | Graph-based | Role-based | Handoff-based | Autonomous loop |
12| **দর্শন** | সর্বোচ্চ নিয়ন্ত্রণ | Team collaboration | ন্যূনতম abstraction | Agent-কে computer দিন |
13| **ভাষা** | Python, TypeScript | Python | Python | Python, TypeScript |
14| **Model support** | যেকোনো (OpenAI, Claude, local) | যেকোনো | যেকোনো (নাম সত্ত্বেও) | শুধু Claude |
15| **GitHub stars** | ~29k | ~40k | ~21k | ~6k |
16| **সেরা** | Complex stateful workflows | Multi-agent specialization | Routing এবং triage | Coding এবং file-heavy tasks |
17~
18## LangGraph: The Graph Builder
19~
20LangGraph 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।
21~
22এটি সবচেয়ে explicit এবং controllable framework  -  আপনি প্রতিটি step নিজে wire করেন।
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### মূল ধারণাসমূহ
35~
36- **StateGraph**: typed state সহ graph definition
37- **Nodes**: Python functions যা state transform করে
38- **Edges**: nodes-এর মধ্যে connections, conditional হতে পারে
39- **Checkpointing**: long-running workflows-এর জন্য built-in persistence
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### শক্তিসমূহ
79~
80- প্রতিটি step এবং transition-এ সূক্ষ্ম নিয়ন্ত্রণ
81- Built-in checkpointing এবং human-in-the-loop
82- সম্পূর্ণ TypeScript parity
83- যেকোনো LLM provider-এর সাথে কাজ করে
84- Conditional branching এবং loops সহ complex workflows-এর জন্য সেরা
85~
86### দুর্বলতাসমূহ
87~
88- শেখার curve খাড়া  -  graph theory concepts বুঝতে হবে
89- সাধারণ use cases-এর জন্য verbose  -  একটি basic agent-এর জন্য অন্যান্য frameworks-এর তুলনায় বেশি boilerplate প্রয়োজন
90- LangSmith ছাড়া graph flows debug করা চ্যালেঞ্জিং হতে পারে
91~
92### মূল্য নির্ধারণ
93~
94Open-source (MIT)। LangSmith (managed observability platform)-এ production monitoring-এর জন্য paid tiers আছে।
95~
96## CrewAI: The Team Assembler
97~
98CrewAI 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।
99~
100এটিকে একটি team hire করার মতো ভাবুন যেখানে প্রতিটি সদস্যের একটি নির্দিষ্ট job title এবং specialty আছে।
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### মূল ধারণাসমূহ
114~
115- **Agent**: role, goal, backstory, এবং tools সহ একটি persona
116- **Task**: description, expected output, এবং assigned agent সহ একটি assignment
117- **Crew**: একসাথে কাজ করা agents-এর একটি দল
118- **Process**: execution strategy (sequential, hierarchical, consensual)
119- **Flow**: একাধিক crews সংযুক্ত করার জন্য event-driven orchestration layer
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### শক্তিসমূহ
171~
172- স্বজ্ঞাত role-based abstraction  -  বুঝতে সহজ
173- 100+ built-in tool integrations
174- Agents জুড়ে shared memory (short-term, long-term, entity)
175- সবচেয়ে বড় community (~40k GitHub stars)
176- একটি "manager" agent সহ hierarchical process যা delegate এবং validate করে
177~
178### দুর্বলতাসমূহ
179~
180- LangGraph-এর তুলনায় কম সূক্ষ্ম নিয়ন্ত্রণ  -  আপনি roles define করেন, exact execution paths নয়
181- Agents দ্বিমত পোষণ করলে hierarchical process অনির্দেশ্য হতে পারে
182- Multi-agent conversations debug করা single-agent flows-এর চেয়ে কঠিন
183~
184### মূল্য নির্ধারণ
185~
186Open-source core (free)। CrewAI Platform: $99/month (Teams) থেকে $120k/year (Enterprise)। মূল্য live crews এবং monthly executions-এর উপর ভিত্তি করে।
187~
188## OpenAI Agents SDK: The Router
189~
190OpenAI 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।
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### মূল ধারণাসমূহ
204~
205- **Agent**: model + instructions + tools + handoffs
206- **Handoff**: অন্য agent-এ transfer (LLM যে tool call করতে পারে সেভাবে modeled)
207- **Guardrail**: agent-এর সাথে parallel-এ চলা input/output validation
208- **Runner**: agent loop execute করে
209- **Tracing**: সমস্ত LLM calls, tool invocations, এবং handoffs-এর জন্য built-in observability
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### শক্তিসমূহ
258~
259- Clean handoff pattern  -  routing/triage workflows-এর জন্য স্বাভাবিক
260- Guardrails execution-এর সাথে parallel-এ চলে (fail-fast, blocking নয়)
261- Debugging-এর জন্য built-in tracing dashboard
262- নাম সত্ত্বেও, non-OpenAI models support করে
263- Minimal abstraction  -  বুঝতে এবং extend করতে সহজ
264~
265### দুর্বলতাসমূহ
266~
267- LangGraph-এর তুলনায় কম mature state management
268- কোনো built-in persistence বা checkpointing নেই
269- Third-party tools-এর ecosystem ছোট
270- Handoff-centric design প্রতিটি architecture-এ নাও মানাতে পারে
271~
272### মূল্য নির্ধারণ
273~
274Open-source (MIT)। আপনি যে model ব্যবহার করেন তার জন্য per-token পরিশোধ করুন।
275~
276## Claude Agent SDK: The Developer
277~
278Claude 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।
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### মূল ধারণাসমূহ
291~
292- **query()**: agent loop শুরু করার main entry point
293- **Built-in tools**: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
294- **MCP-র মাধ্যমে custom tools**: in-process MCP servers হিসেবে tools define করুন
295- **Sub-agents**: বিশেষজ্ঞ agents যাদের কাছে parent delegate করতে পারে
296- **Sessions**: একাধিক interactions জুড়ে context বজায় রাখুন
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### শক্তিসমূহ
336~
337- First-class MCP integration  -  যেকোনো MCP server ecosystem-এ সংযুক্ত হন
338- File operations, terminal, এবং web access-এর জন্য built-in tools
339- বড় codebases-এর জন্য automatic context compaction
340- Complex tasks-এর জন্য sub-agent parallelism
341- Claude Code-এর মতো একই engine  -  আসল development workflows-এ battle-tested
342~
343### দুর্বলতাসমূহ
344~
345- শুধু Claude models  -  কোনো multi-provider support নেই
346- ছোট community সহ নতুন framework
347- Python SDK-র জন্যও Node.js runtime প্রয়োজন
348- LangGraph-এর তুলনায় কম explicit workflow control
349~
350### মূল্য নির্ধারণ
351~
352Open-source। Standard Claude API token rates। Managed Agents (hosted version): token costs ছাড়াও $0.08 per session-hour।
353~
354## কখন কোনটি বেছে নেবেন
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### LangGraph বেছে নিন যদি:
371- আপনার workflow-এর প্রতিটি step-এ সুনির্দিষ্ট নিয়ন্ত্রণ প্রয়োজন হয়
372- আপনার use case-এ complex conditional logic এবং loops জড়িত
373- আপনার built-in persistence এবং human-in-the-loop checkpoints দরকার
374- আপনাকে একই workflow-এ একাধিক LLM providers ব্যবহার করতে হবে
375~
376### CrewAI বেছে নিন যদি:
377- আপনি একটি স্বজ্ঞাত, role-based abstraction চান
378- আপনার task-এ আলাদা specialties সহ একাধিক agents জড়িত
379- আপনার agents-এর collaborate করা এবং পরস্পরকে context pass করা দরকার
380- আপনি সবচেয়ে বড় community এবং সবচেয়ে বেশি built-in integrations চান
381~
382### OpenAI Agents SDK বেছে নিন যদি:
383- আপনার প্রাথমিক pattern হল conversations specialists-এর কাছে route করা
384- আপনার guardrails দরকার যা parallel-এ input/output validate করে
385- আপনি ন্যূনতম boilerplate সহ সবচেয়ে সরল abstraction চান
386- Built-in tracing এবং observability গুরুত্বপূর্ণ
387~
388### Claude Agent SDK বেছে নিন যদি:
389- আপনার agents-কে code read, write, এবং execute করতে হবে
390- আপনি first-class MCP server integration চান
391- আপনার autonomous agents দরকার যা iterate এবং self-correct করে
392- আপনি ইতিমধ্যে Claude ব্যবহার করছেন এবং সবচেয়ে গভীর integration চান
393~
394## আপনি কি Frameworks Combine করতে পারেন?
395~
396হ্যাঁ। একটি সাধারণ pattern হল orchestration-এর জন্য একটি framework এবং individual agents-এর জন্য আরেকটি:
397~
398- **LangGraph** সামগ্রিক workflow graph-এর জন্য
399- **CrewAI** একটি নির্দিষ্ট node-এর জন্য যেখানে multi-agent collaboration প্রয়োজন
400- **Claude Agent SDK** MCP-র মাধ্যমে coding-related sub-tasks-এর জন্য
401- **OpenAI Agents SDK** customer-facing triage এবং routing-এর জন্য
402~
403এই frameworks পারস্পরিকভাবে বিচ্ছিন্ন নয়। আপনার system-এর প্রতিটি অংশের জন্য যা মানানসই তা ব্যবহার করুন।
404~
405## উপসংহার
406~
407প্রতিটি framework একটি স্পষ্ট বাজি ধরে:
408~
409- **LangGraph** control-এর জন্য optimize করে  -  আপনি প্রতিটি transition ঠিক করেন
410- **CrewAI** collaboration-এর জন্য optimize করে  -  agents একটি team হিসেবে কাজ করে
411- **OpenAI Agents SDK** simplicity-র জন্য optimize করে  -  minimal abstraction, clean handoffs
412- **Claude Agent SDK** autonomy-র জন্য optimize করে  -  tools দিন এবং কাজ করতে দিন
413~
414সঠিক 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।
415~