1~
2AI agents از دموهای تحقیقاتی به سیستم‌های production منتقل شده‌اند. انتظار می‌رود تا 2026 بیش از 60 درصد برنامه‌های AI سازمانی شامل اجزای agentic باشند. اما ساختن agents از صفر  -  مدیریت tool loops، state، memory، error handling و هماهنگی multi-agent  -  پیچیده است. اینجاست که فریمورک‌ها وارد می‌شوند.
3~
4چهار فریمورک در 2026 غالب هستند: **LangGraph**، **CrewAI**، **OpenAI Agents SDK** و **Claude Agent SDK**. هر کدام رویکردی اساسا متفاوت به یک مسئله دارند: دادن توانایی استدلال، برنامه‌ریزی، استفاده از ابزار و همکاری به LLM‌ها.
5~
6## در یک نگاه
7~
8| جنبه | LangGraph | CrewAI | OpenAI Agents SDK | Claude Agent SDK |
9|--------|-----------|--------|-------------------|-----------------|
10| **سازنده** | LangChain | CrewAI Inc. | OpenAI | Anthropic |
11| **Architecture** | Graph-based | Role-based | Handoff-based | Autonomous loop |
12| **فلسفه** | حداکثر کنترل | Team collaboration | حداقل abstraction | کامپیوتر را به agent بدهید |
13| **زبان‌ها** | Python, TypeScript | Python | Python | Python, TypeScript |
14| **Model support** | هر کدام (OpenAI, Claude, local) | هر کدام | هر کدام (علی‌رغم نام) | فقط Claude |
15| **GitHub stars** | ~29k | ~40k | ~21k | ~6k |
16| **بهترین برای** | Complex stateful workflows | Multi-agent specialization | Routing و triage | Coding و file-heavy tasks |
17~
18## LangGraph: سازنده گراف
19~
20LangGraph جریان‌های کاری agent را به صورت **directed cyclic graphs** مدل می‌کند. شما node‌ها (توابعی که کار انجام می‌دهند) و edge‌ها (انتقال‌های بین آن‌ها، به صورت اختیاری شرطی) تعریف می‌کنید. State از طریق گراف جریان می‌یابد و از طریق checkpointing ذخیره می‌شود.
21~
22این صریح‌ترین و قابل کنترل‌ترین فریمورک است  -  شما هر مرحله را خودتان سیم‌کشی می‌کنید.
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### مفاهیم اصلی
35~
36- **StateGraph**: تعریف گراف با typed state
37- **Nodes**: توابع Python که state را تبدیل می‌کنند
38- **Edges**: اتصالات بین node‌ها، می‌توانند شرطی باشند
39- **Checkpointing**: persistence داخلی برای جریان‌های کاری طولانی‌مدت
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 قوت
79~
80- کنترل دقیق روی هر مرحله و انتقال
81- Checkpointing و human-in-the-loop داخلی
82- برابری کامل با TypeScript
83- با هر LLM provider کار می‌کند
84- بهترین برای جریان‌های کاری پیچیده با شاخه‌بندی شرطی و حلقه‌ها
85~
86### نقاط ضعف
87~
88- منحنی یادگیری تند  -  باید مفاهیم graph theory را بفهمید
89- پرگو برای use case‌های ساده  -  یک agent پایه به boilerplate بیشتری نسبت به فریمورک‌های دیگر نیاز دارد
90- اشکال‌زدایی جریان‌های گراف بدون LangSmith می‌تواند چالش‌برانگیز باشد
91~
92### قیمت‌گذاری
93~
94Open-source (MIT). LangSmith (پلتفرم observability مدیریت‌شده) سطوح پولی برای نظارت production دارد.
95~
96## CrewAI: تشکیل‌دهنده تیم
97~
98CrewAI از یک استعاره انسانی استفاده می‌کند: شما یک **خدمه** از agents تخصصی جمع می‌کنید، هر کدام با یک **role**، **goal** و **backstory**. agents با استفاده از **tools** روی **tasks** همکاری می‌کنند، که توسط یک **process** (sequential، hierarchical یا consensual) هماهنگ می‌شوند.
99~
100آن را مثل استخدام یک تیم در نظر بگیرید که هر عضو عنوان شغلی و تخصص مشخصی دارد.
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### مفاهیم اصلی
114~
115- **Agent**: شخصیتی با role، goal، backstory و tools
116- **Task**: تکلیفی با description، expected output و agent اختصاص‌یافته
117- **Crew**: گروهی از agents که با هم کار می‌کنند
118- **Process**: استراتژی اجرا (sequential، hierarchical، consensual)
119- **Flow**: لایه orchestration رویداد‌محور برای اتصال چندین crew
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 قوت
171~
172- Role-based abstraction شهودی  -  درک آن آسان است
173- بیش از 100 tool integration داخلی
174- حافظه مشترک بین agents (کوتاه‌مدت، بلندمدت، entity)
175- بزرگ‌ترین community (~40k GitHub stars)
176- فرآیند سلسله‌مراتبی با یک agent "مدیر" که تفویض و اعتبارسنجی می‌کند
177~
178### نقاط ضعف
179~
180- کنترل کمتر از LangGraph  -  شما role‌ها تعریف می‌کنید، نه مسیرهای اجرای دقیق
181- فرآیند سلسله‌مراتبی وقتی agents مخالف باشند می‌تواند غیرقابل پیش‌بینی باشد
182- اشکال‌زدایی مکالمات multi-agent سخت‌تر از جریان‌های تک‌agent است
183~
184### قیمت‌گذاری
185~
186Open-source core (رایگان). CrewAI Platform: $99/ماه (Teams) تا $120k/سال (Enterprise). قیمت‌گذاری بر اساس crew‌های فعال و اجراهای ماهانه.
187~
188## OpenAI Agents SDK: مسیریاب
189~
190OpenAI Agents SDK (جانشین معنوی Swarm) روی **handoffs** تمرکز دارد  -  agents مکالمات را به agents تخصصی دیگر منتقل می‌کنند. این مینیمال‌ترین فریمورک است: agents، tools، handoffs و guardrails. همین.
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### مفاهیم اصلی
204~
205- **Agent**: model + instructions + tools + handoffs
206- **Handoff**: انتقال به agent دیگر (به عنوان ابزاری که LLM می‌تواند فراخوانی کند مدل شده)
207- **Guardrail**: اعتبارسنجی ورودی/خروجی که به صورت موازی با agent اجرا می‌شود
208- **Runner**: حلقه agent را اجرا می‌کند
209- **Tracing**: observability داخلی برای تمام فراخوانی‌های LLM، فراخوانی ابزار و handoff‌ها
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 قوت
258~
259- الگوی handoff تمیز  -  طبیعی برای جریان‌های کاری routing/triage
260- Guardrails به صورت موازی با اجرا کار می‌کنند (fail-fast، مسدودکننده نیست)
261- داشبورد tracing داخلی برای اشکال‌زدایی
262- علی‌رغم نام، model‌های غیر OpenAI را پشتیبانی می‌کند
263- Abstraction حداقلی  -  درک و گسترش آن آسان است
264~
265### نقاط ضعف
266~
267- مدیریت state کمتر بالغ نسبت به LangGraph
268- بدون persistence یا checkpointing داخلی
269- اکوسیستم ابزارهای شخص ثالث کوچک‌تر است
270- طراحی handoff-محور ممکن است به هر architecture نخورد
271~
272### قیمت‌گذاری
273~
274Open-source (MIT). برای هر model که استفاده می‌کنید per-token پرداخت می‌کنید.
275~
276## Claude Agent SDK: توسعه‌دهنده
277~
278Claude Agent SDK رویکرد متفاوتی دارد: به جای تعریف جریان‌های کاری یا role‌ها، به agent **مجموعه‌ای از ابزارها می‌دهید و می‌گذارید خودش بفهمد چطور کار را انجام دهد**. از همان حلقه خودمختار استفاده می‌کند که Claude Code را نیرو می‌دهد  -  خواندن، عمل، تایید، تکرار.
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### مفاهیم اصلی
291~
292- **query()**: نقطه ورود اصلی که حلقه agent را شروع می‌کند
293- **Built-in tools**: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
294- **ابزارهای سفارشی از طریق MCP**: ابزارها را به عنوان in-process MCP servers تعریف کنید
295- **Sub-agents**: agents تخصصی که والد می‌تواند به آن‌ها تفویض کند
296- **Sessions**: حفظ context در تعاملات متعدد
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 قوت
336~
337- یکپارچگی MCP درجه‌یک  -  به هر اکوسیستم MCP server متصل شوید
338- ابزارهای داخلی برای عملیات فایل، ترمینال و دسترسی وب
339- فشرده‌سازی خودکار context برای codebase‌های بزرگ
340- موازی‌سازی sub-agent برای کارهای پیچیده
341- همان موتور Claude Code  -  در جریان‌های کاری توسعه واقعی آزموده شده
342~
343### نقاط ضعف
344~
345- فقط model‌های Claude  -  بدون پشتیبانی از ارائه‌دهندگان متعدد
346- فریمورک جدیدتر با community کوچک‌تر
347- حتی برای Python SDK نیاز به Node.js runtime دارد
348- کنترل کمتر صریح روی جریان کار در مقایسه با LangGraph
349~
350### قیمت‌گذاری
351~
352Open-source. نرخ‌های استاندارد Claude API token. Managed Agents (نسخه میزبانی‌شده): $0.08 به ازای هر session-hour علاوه بر هزینه‌های token.
353~
354## چه زمانی کدام را انتخاب کنید
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 را انتخاب کنید اگر:
371- به کنترل دقیق روی هر مرحله جریان کار نیاز دارید
372- use case شما شامل منطق شرطی پیچیده و حلقه‌ها است
373- به persistence داخلی و نقاط بازرسی human-in-the-loop نیاز دارید
374- باید چندین LLM provider در یک جریان کار استفاده کنید
375~
376### CrewAI را انتخاب کنید اگر:
377- یک abstraction شهودی مبتنی بر نقش می‌خواهید
378- کار شما شامل agents متعدد با تخصص‌های متمایز است
379- به همکاری agents و رد و بدل context بین آن‌ها نیاز دارید
380- بزرگ‌ترین community و بیشترین integration‌های داخلی را می‌خواهید
381~
382### OpenAI Agents SDK را انتخاب کنید اگر:
383- الگوی اصلی شما مسیریابی مکالمات به متخصصان است
384- به guardrails نیاز دارید که ورودی/خروجی را به صورت موازی اعتبارسنجی کنند
385- ساده‌ترین abstraction ممکن با حداقل boilerplate را می‌خواهید
386- tracing و observability داخلی مهم هستند
387~
388### Claude Agent SDK را انتخاب کنید اگر:
389- agents شما باید کد بخوانند، بنویسند و اجرا کنند
390- یکپارچگی MCP server درجه‌یک می‌خواهید
391- به agents خودمختار نیاز دارید که تکرار و خود‌اصلاح کنند
392- از قبل Claude استفاده می‌کنید و عمیق‌ترین یکپارچگی را می‌خواهید
393~
394## آیا می‌توانید فریمورک‌ها را ترکیب کنید؟
395~
396بله. یک الگوی رایج استفاده از یک فریمورک برای orchestration و دیگری برای agents فردی است:
397~
398- **LangGraph** برای گراف جریان کار کلی
399- **CrewAI** برای یک node خاص که نیاز به همکاری multi-agent دارد
400- **Claude Agent SDK** برای وظایف فرعی مرتبط با کدنویسی از طریق MCP
401- **OpenAI Agents SDK** برای triage و routing رو به مشتری
402~
403فریمورک‌ها متقابلا انحصاری نیستند. آنچه برای هر بخش سیستم شما مناسب است استفاده کنید.
404~
405## نتیجه‌گیری
406~
407هر فریمورک شرط روشنی می‌بندد:
408~
409- **LangGraph** برای کنترل بهینه‌سازی می‌کند  -  شما هر انتقال را تعیین می‌کنید
410- **CrewAI** برای همکاری بهینه‌سازی می‌کند  -  agents به عنوان یک تیم کار می‌کنند
411- **OpenAI Agents SDK** برای سادگی بهینه‌سازی می‌کند  -  حداقل abstraction، handoff‌های تمیز
412- **Claude Agent SDK** برای خودمختاری بهینه‌سازی می‌کند  -  ابزارها را بدهید و بگذارید کار کند
413~
414انتخاب درست به جریان کار، تیم و stack فعلی شما بستگی دارد. آن را که با use case اصلی‌تان همخوانی دارد انتخاب کنید، خوب یاد بگیرید، و وقتی به نقطه قوت دیگران رسیدید آن‌ها را وارد کنید.
415~