エージェント型AIフレームワーク比較: LangGraph vs CrewAI vs OpenAI Agents SDK vs Claude Agent SDK

AIエージェントは研究デモから本番システムへと進化しました。2026年までにエンタープライズAIアプリケーションの60%以上がエージェント型コンポーネントを含むと予想されています。しかし、エージェントをゼロから構築すること - ツールループ、状態管理、メモリ、エラーハンドリング、マルチエージェント連携の管理 - は複雑です。そこでフレームワークの出番です。

2026年に主流となっている4つのフレームワーク: LangGraph、CrewAI、OpenAI Agents SDK、Claude Agent SDK。それぞれが同じ問題に対して根本的に異なるアプローチを取っています - LLMに推論、計画、ツールの使用、そして協調の能力を与えるという問題です。

概要

LangGraph: グラフビルダー

LangGraphはエージェントワークフローを有向巡回グラフとしてモデル化します。ノード(処理を行う関数)とエッジ(ノード間の遷移、条件付きも可能)を定義します。状態はグラフを通じて流れ、チェックポイントにより永続化されます。

これは最も明示的で制御可能なフレームワークです - すべてのステップを自分で配線します。

主要コンセプト

• StateGraph: 型付き状態を持つグラフ定義
• Nodes: 状態を変換するPython関数
• Edges: ノード間の接続、条件付きも可能
• Checkpointing: 長時間実行ワークフロー向けの組み込み永続化

コード例

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?"}]})

長所

• すべてのステップと遷移をきめ細かく制御可能
• チェックポイントとhuman-in-the-loopが組み込み
• TypeScript完全対応
• あらゆるLLMプロバイダーで動作
• 条件分岐やループを伴う複雑なワークフローに最適

短所

• 学習曲線が急 - グラフ理論の概念を理解する必要がある
• シンプルなユースケースでは冗長 - 基本的なエージェントでも他のフレームワークより多くのボイラープレートが必要
• LangSmithなしではグラフフローのデバッグが難しい

料金

オープンソース (MIT)。LangSmith (マネージド監視プラットフォーム) は本番モニタリング向けに有料プランあり。

CrewAI: チームアセンブラー

CrewAIは人間のメタファーを採用しています: 専門化されたエージェントのクルーを編成し、それぞれにロール、ゴール、バックストーリーを持たせます。エージェントはツールを使ってタスクに協力し、プロセス(順次、階層、合意)によって調整されます。

チームを雇って各メンバーに特定の職種と専門性を持たせるようなものです。

主要コンセプト

• Agent: ロール、ゴール、バックストーリー、ツールを持つペルソナ
• Task: 説明、期待される出力、担当エージェントを持つ割り当て
• Crew: 協力して働くエージェントのグループ
• Process: 実行戦略 (順次、階層、合意)
• Flow: 複数のクルーを接続するイベント駆動オーケストレーション層

コード例

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)

長所

• 直感的なロールベースの抽象化 - 理解しやすい
• 100以上の組み込みツール連携
• エージェント間の共有メモリ (短期、長期、エンティティ)
• 最大のコミュニティ (~40k GitHub stars)
• 委任と検証を行う「マネージャー」エージェントによる階層プロセス

短所

• LangGraphほどのきめ細かい制御はない - 正確な実行パスではなくロールを定義する
• エージェントが意見を異にした場合、階層プロセスは予測しにくくなることがある
• マルチエージェントの会話のデバッグは、シングルエージェントのフローより難しい

料金

オープンソースコア (無料)。CrewAI Platform: $99/月 (Teams) から $120k/年 (Enterprise)。ライブクルー数と月間実行数に基づく料金体系。

OpenAI Agents SDK: ルーター

OpenAI Agents SDK (Swarmの後継) はハンドオフ - エージェントが会話を他の専門エージェントに転送すること - に焦点を当てています。最もミニマルなフレームワークで、エージェント、ツール、ハンドオフ、ガードレールだけで構成されています。それだけです。

主要コンセプト

• Agent: モデル + 指示 + ツール + ハンドオフ
• Handoff: 別のエージェントへの転送 (LLMが呼び出せるツールとしてモデル化)
• Guardrail: エージェントと並行して実行される入出力バリデーション
• Runner: エージェントループを実行
• Tracing: すべてのLLM呼び出し、ツール実行、ハンドオフの組み込みオブザーバビリティ

コード例

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

長所

• クリーンなハンドオフパターン - ルーティング/トリアージワークフローに自然
• ガードレールは実行と並行して動作 (fail-fast、ブロッキングなし)
• デバッグ用のトレーシングダッシュボードが組み込み
• 名前に反して、OpenAI以外のモデルもサポート
• 最小限の抽象化 - 理解しやすく拡張しやすい

短所

• LangGraphと比べて状態管理が未成熟
• 永続化やチェックポイントが組み込まれていない
• サードパーティツールのエコシステムが小さい
• ハンドオフ中心の設計がすべてのアーキテクチャに合うわけではない

料金

オープンソース (MIT)。使用するモデルに応じたトークン単位の課金。

Claude Agent SDK: デベロッパー

Claude Agent SDKは異なるアプローチを取ります: ワークフローやロールを定義する代わりに、エージェントにツールのセットを与え、タスクの達成方法を自分で判断させます。Claude Codeと同じ自律ループ - 読み取り、実行、検証、反復 - を使用しています。

主要コンセプト

• query(): エージェントループを開始するメインエントリーポイント
• 組み込みツール: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
• MCPによるカスタムツール: インプロセスMCPサーバーとしてツールを定義
• サブエージェント: 親がタスクを委任できる専門エージェント
• Sessions: 複数のインタラクションにわたってコンテキストを維持

コード例

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);
  }
}

長所

• ファーストクラスのMCP統合 - あらゆるMCPサーバーエコシステムに接続可能
• ファイル操作、ターミナル、ウェブアクセスの組み込みツール
• 大規模コードベース向けの自動コンテキスト圧縮
• 複雑なタスクのためのサブエージェント並列処理
• Claude Codeと同じエンジン - 実際の開発ワークフローで実証済み

短所

• Claudeモデルのみ - マルチプロバイダーサポートなし
• 新しいフレームワークでコミュニティが小さい
• Python SDKでもNode.jsランタイムが必要
• LangGraphと比べてワークフロー制御が明示的でない

料金

オープンソース。標準的なClaude APIトークン料金。Managed Agents (ホスト版): トークンコストに加えてセッション時間あたり$0.08。

どれを選ぶべきか

LangGraphを選ぶ場合:

• ワークフローのすべてのステップを正確に制御する必要がある
• 複雑な条件ロジックやループを含むユースケースである
• 永続化やhuman-in-the-loopチェックポイントが組み込みで必要
• 同じワークフローで複数のLLMプロバイダーを使用する必要がある

CrewAIを選ぶ場合:

• 直感的なロールベースの抽象化が欲しい
• 異なる専門性を持つ複数のエージェントが関わるタスクである
• エージェント間でコンテキストを協力して受け渡す必要がある
• 最大のコミュニティと最も多い組み込み連携を重視する

OpenAI Agents SDKを選ぶ場合:

• 主なパターンが会話をスペシャリストにルーティングすることである
• 入出力を並行して検証するガードレールが必要
• 最小限のボイラープレートで最もシンプルな抽象化が欲しい
• 組み込みのトレーシングとオブザーバビリティが重要

Claude Agent SDKを選ぶ場合:

• エージェントがコードの読み書きと実行を行う必要がある
• ファーストクラスのMCPサーバー統合が欲しい
• 反復して自己修正する自律エージェントが必要
• すでにClaudeを使用していて、最も深い統合が欲しい

フレームワークを組み合わせることはできるか?

はい。一般的なパターンとして、あるフレームワークをオーケストレーションに使い、別のフレームワークを個別のエージェントに使います:

• LangGraph をワークフローグラフ全体に
• CrewAI をマルチエージェント協調が必要な特定のノードに
• Claude Agent SDK をMCPを介したコーディング関連のサブタスクに
• OpenAI Agents SDK を顧客対応のトリアージとルーティングに

これらのフレームワークは相互に排他的ではありません。システムの各部分に合うものを使いましょう。

まとめ

各フレームワークは明確な方向性を持っています:

• LangGraph は制御を最適化 - すべての遷移を自分で決定
• CrewAI は協調を最適化 - エージェントがチームとして働く
• OpenAI Agents SDK はシンプルさを最適化 - 最小限の抽象化、クリーンなハンドオフ
• Claude Agent SDK は自律性を最適化 - ツールを与えて作業させる

正しい選択は、あなたのワークフロー、チーム、そして既存の技術スタックに依存します。主なユースケースに合うものを選び、しっかり学び、他のフレームワークが得意な領域に遭遇したら取り入れましょう。