Porovnani frameworku Agentic AI: LangGraph vs CrewAI vs OpenAI Agents SDK vs Claude Agent SDK

AI agenti se presunuli z vyzkumnych dem do produnkcnich systemu. Ocekava se, ze vice nez 60 % podnikovych AI aplikaci bude do roku 2026 obsahovat agentni komponenty. Ale budovani agentu od nuly - sprava smycek nastroju, stavu, pameti, zpracovani chyb a koordinace vice agentu - je slozite. Prave proto existuji frameworky.

V roce 2026 dominuji ctyri frameworky: LangGraph, CrewAI, OpenAI Agents SDK a Claude Agent SDK. Kazdy z nich pristupuje k temuze problemu zasadne odlisnym zpusobem: dat modelum LLM schopnost uvazovat, planovat, pouzivat nastroje a spolupracovat.

V kostce

LangGraph: Stavitel grafu

LangGraph modeluje workflow agentu jako orientovane cyklicke grafy. Definujete uzly (funkce, ktere provadeji praci) a hrany (prechody mezi nimi, volitelne podminene). Stav proteka grafem a je uchovavan prostrednictvim checkpointingu.

Toto je nejexplicitnejsi a nejlepe kontrolovatelny framework - kazdy krok zapojujete sami.

Klicove koncepty

• StateGraph: definice grafu s typovanym stavem
• Nodes: funkce Pythonu transformujici stav
• Edges: spojeni mezi uzly, mohou byt podminena
• Checkpointing: vestavena perzistence pro dlouho bezici workflow

Priklad kodu

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?"}]})

Silne stranky

• Jemnozrnna kontrola nad kazdym krokem a prechodem
• Vestaveny checkpointing a human-in-the-loop
• Plna parita s TypeScriptem
• Funguje s libovolnym poskytovatelem LLM
• Nejlepsi pro slozite workflow s podminenym vetvenim a smyckami

Slabe stranky

• Strma krivka uceni - musite rozumet konceptum teorie grafu
• Upovdany pro jednoduche pripady - zakladni agent vyzaduje vice boilerplate kodu nez ostatni frameworky
• Ladeni toky grafu muze byt narocne bez LangSmith

Cenik

Open-source (MIT). LangSmith (spravovana platforma pozorovatelnosti) ma placene urovne pro produkcni monitoring.

CrewAI: Sestavovatel tymu

CrewAI pouziva lidskou metaforu: sestavite posadku specializovanych agentu, z nichz kazdy ma roli, cil a pribeh. Agenti spolupracuji na ulohach pomoci nastroju, koordinovani procesem (sekvencni, hierarchicky nebo konsensualni).

Predstavte si to jako najimani tymu, kde kazdy clen ma konkretni pracovni pozici a specializaci.

Klicove koncepty

• Agent: persona s roli, cilem, pribehem a nastroji
• Task: uloha s popisem, ocekavanym vystupem a prirazenym agentem
• Crew: skupina agentu pracujicich spolecne
• Process: strategie provadeni (sekvencni, hierarchicka, konsensualni)
• Flow: vrstva orchestrace rizena udalostmi pro propojeni vice posadek

Priklad kodu

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)

Silne stranky

• Intuitivni abstrakce zalozena na rolich - snadne uvazovani
• Vice nez 100 vestavenych integraci nastroju
• Sdilena pamet mezi agenty (kratkodoba, dlouhodoba, entitni)
• Nejvetsi komunita (~40k hvezdicek na GitHubu)
• Hierarchicky proces s agentem "manazerem", ktery deleguje a validuje

Slabe stranky

• Mensi jemnozrnna kontrola nez LangGraph - definujete role, ne presne cesty provadeni
• Hierarchicky proces muze byt nepredvidatelny, kdyz se agenti neshodnou
• Ladeni konverzaci vice agentu je tezsi nez u toky jednoho agenta

Cenik

Open-source jadro (zdarma). CrewAI Platform: 99 $/mesic (Teams) az 120 tis. $/rok (Enterprise). Ceny zalozeny na aktivnich posadkach a mesicnich provedenich.

OpenAI Agents SDK: Router

OpenAI Agents SDK (duchovy nastupce Swarm) se zamruje na predavani - agenti predavaji konverzace jinym specializovanym agentum. Je to nejminimalnejsi framework: agenti, nastroje, predavani a guardrails. To je vse.

Klicove koncepty

• Agent: model + instrukce + nastroje + predavani
• Handoff: predani jinemu agentovi (modelovano jako nastroj, ktery LLM muze zavolat)
• Guardrail: validace vstupu/vystupu bezici paralelne s agentem
• Runner: provadi smycku agenta
• Tracing: vestavena pozorovatelnost pro vsechna volani LLM, vyuziti nastroju a predani

Priklad kodu

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

Silne stranky

• Cisty vzor predavani - prirozeny pro workflow routingu/triaze
• Guardrails bezi paralelne s provadenim (fail-fast, neblokovaci)
• Vestaveny panel tracing pro ladeni
• Navzdory nazvu podporuje modely mimo OpenAI
• Minimalni abstrakce - snadne pochopeni a rozsireni

Slabe stranky

• Mene vyspela sprava stavu nez LangGraph
• Zadna vestavena perzistence ani checkpointing
• Ekosystem nastroju tretich stran je mensi
• Design zamereny na predavani nemusi sednou na kazdou architekturu

Cenik

Open-source (MIT). Platite za token za jakykoli model, ktery pouzivate.

Claude Agent SDK: Vyvojar

Claude Agent SDK zaujima odlisny pristup: namisto definovani workflow nebo roli date agentovi sadu nastroju a nechate ho vymyslet, jak ulohu splnit. Pouziva stejnou autonomni smycku, ktera pohani Claude Code - cist, jednat, overit, iterovat.

Klicove koncepty

• query(): hlavni vstupni bod, ktery spusti smycku agenta
• Vestavene nastroje: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
• Vlastni nastroje pres MCP: definice nastroju jako in-process MCP serveru
• Sub-agents: specializovani agenti, kterym muze rodicovsky agent delegovat
• Sessions: udrzovani kontextu napric vice interakcemi

Priklad kodu

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);
  }
}

Silne stranky

• Prvotrodni integrace MCP - pripojte se k libovolnemu ekosystemu MCP serveru
• Vestavene nastroje pro operace se soubory, terminal a pristup na web
• Automaticka kompaktace kontextu pro velke kodove baze
• Paralelni sub-agents pro slozite ulohy
• Stejny motor jako Claude Code - overeny v realnych vyvojarskych workflow

Slabe stranky

• Pouze modely Claude - zadna podpora vice poskytovatelu
• Novejsi framework s mensi komunitou
• Vyzaduje prostredi Node.js i pro Python SDK
• Mensi explicitni kontrola workflow ve srovnani s LangGraph

Cenik

Open-source. Standardni sazby za tokeny Claude API. Managed Agents (hostovana verze): 0,08 $ za hodinu relace plus naklady na tokeny.

Kdy zvolit ktery

Zvolte LangGraph, pokud:

• Potrebujete presnou kontrolu nad kazdym krokem workflow
• Vas pripad uziti zahrnuje slozitou podminenou logiku a smycky
• Chcete vestavenou perzistenci a checkpointy human-in-the-loop
• Potrebujete pouzivat vice poskytovatelu LLM ve stejnem workflow

Zvolte CrewAI, pokud:

• Chcete intuitivni abstrakci zalozenou na rolich
• Vase uloha zahrnuje vice agentu s odlisnymi specializacemi
• Potrebujete, aby agenti spolupracovali a predavali si kontext
• Cenite si nejvetsi komunity a nejvice vestavenych integraci

Zvolte OpenAI Agents SDK, pokud:

• Vasim primarnim vzorem je smerovani konverzaci ke specialistum
• Potrebujete guardrails validujici vstup/vystup paralelne
• Chcete co nejjednodussi abstrakci s minimalnim boilerplate kodem
• Vestaveny tracing a pozorovatelnost jsou dulezite

Zvolte Claude Agent SDK, pokud:

• Vasi agenti potrebuji cist, psat a spoustet kod
• Chcete prvotrodni integraci s MCP servery
• Potrebujete autonomni agenty, kteri iteruji a sami se opravuji
• Jiz pouzivate Claude a chcete nejhlubsi integraci

Lze frameworky kombinovat?

Ano. Castym vzorem je pouziti jednoho frameworku pro orchestraci a druheho pro jednotlive agenty:

• LangGraph pro celkovy graf workflow
• CrewAI pro konkretni uzel vyzadujici spolupraci vice agentu
• Claude Agent SDK pro podzadania souvisejici s kodovanim pres MCP
• OpenAI Agents SDK pro triaz a routing smerem ke klientum

Frameworky se navzajem nevylucuji. Pouzijte to, co se hodi pro kazdou cast vaseho systemu.

Zaver

Kazdy framework sazi na neco jineho:

• LangGraph optimalizuje pro kontrolu - vy rozhodujete o kazdem prechodu
• CrewAI optimalizuje pro spolupraci - agenti pracuji jako tym
• OpenAI Agents SDK optimalizuje pro jednoduchost - minimalni abstrakce, cista predavani
• Claude Agent SDK optimalizuje pro autonomii - dejte mu nastroje a nechte ho pracovat

Spravna volba zavisi na vasem workflow, vasem tymu a vasem stavajicim stacku. Vyberte ten, ktery odpovida vasemu primarnimu pripadu uziti, dobre se ho naucte a sahnete po dalsich, az narazite na jejich silnou stranku.