1 
2AI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。
3 
42026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。
5 
6## 概要
7 
8| 項目 | LangGraph | CrewAI | OpenAI Agents SDK | Claude Agent SDK |
9|--------|-----------|--------|-------------------|-----------------|
10| **開発元** | LangChain | CrewAI Inc. | OpenAI | Anthropic |
11| **アーキテクチャ** | グラフベース | ロールベース | ハンドオフベース | 自律ループ |
12| **設計思想** | 最大限の制御 | チーム協調 | 最小限の抽象化 | エージェントにコンピュータを与える |
13| **言語** | Python, TypeScript | Python | Python | Python, TypeScript |
14| **モデルサポート** | 任意 (OpenAI, Claude, ローカル) | 任意 | 任意 (名前に反して) | Claudeのみ |
15| **GitHub stars** | ~29k | ~40k | ~21k | ~6k |
16| **最適な用途** | 複雑なステートフルワークフロー | マルチエージェント特化 | ルーティングとトリアージ | コーディングとファイル中心のタスク |
17 
18## LangGraph: グラフビルダー
19 
20LangGraph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。
21 
22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。
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### 主要コンセプト
35 
36- **StateGraph**: 型付き状態を持つグラフ定義
37- **Nodes**: 状態を変換するPython関数
38- **Edges**: ノード間の接続、条件付きも可能
39- **Checkpointing**: 長時間実行ワークフロー向けの組み込み永続化
40 
41### コード例
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### 長所
79 
80- すべてのステップと遷移をきめ細かく制御可能
81- チェックポイントとhuman-in-the-loopが組み込み
82- TypeScript完全対応
83- あらゆるLLMプロバイダーで動作
84- 条件分岐やループを伴う複雑なワークフローに最適
85 
86### 短所
87 
88- 学習曲線が急  -  グラフ理論の概念を理解する必要がある
89- 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
90- LangSmithなしではグラフフローのデバッグが難しい
91 
92### 料金
93 
94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。
95 
96## CrewAI: チームアセンブラー
97 
98CrewAI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。
99 
100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。
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### 主要コンセプト
114 
115- **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
116- **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
117- **Crew**: 協力して働くエージェントのグループ
118- **Process**: 実行戦略 (順次、階層、合意)
119- **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
120 
121### コード例
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### 長所
171 
172- 直感的なロールベースの抽象化  -  理解しやすい
173- 100以上の組み込みツール連携
174- エージェント間の共有メモリ (短期、長期、エンティティ)
175- 最大のコミュニティ (~40k GitHub stars)
176- 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
177 
178### 短所
179 
180- 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
181- 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
182- 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
183 
184### 料金
185 
186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。
187 
188## OpenAI Agents SDK: ルーター
189 
190OpenAI 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。
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### 主要コンセプト
204 
205- **Agent**: モデル + 指示 + ツール + ハンドオフ
206- **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)
207- **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
208- **Runner**: エージェントループを実行
209- **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
210 
211### コード例
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### 長所
258 
259- 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
260- 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)
261- デバッグ用のトレーシングダッシュボードが組み込み
262- 名前に反して、OpenAI以外のモデルもサポート
263- 最小限の抽象化  -  理解しやすく拡張しやすい
264 
265### 短所
266 
267- LangGraphと比べて状態管理が未成熟
268- 永続化やチェックポイントが組み込まれていない
269- サードパーティツールのエコシステムが小さい
270- 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
271 
272### 料金
273 
274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。
275 
276## Claude Agent SDK: デベロッパー
277 
278Claude 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。
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### 主要コンセプト
291 
292- **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
293- **組み込みツール**: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
294- **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
295- **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
296- **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
297 
298### コード例
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### 長所
336 
337- 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
338- 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
339- 大規模コードベース向けの自動コンテキスト圧縮
340- 複雑なタスクのためのサブエージェント並列処理
341- 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
342 
343### 短所
344 
345- Claudeモデルのみ  -  マルチプロバイダーサポートなし
346- 新しいフレームワークでコミュニティが小さい
347- Python SDKでもNode.jsランタイムが必要
348- LangGraphと比べてワークフロー制御が明示的でない
349 
350### 料金
351 
352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。
353 
354## どれを選ぶべきか
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を選ぶ場合:
371- 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
372- 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
373- 永続化やhuman-in-the-loopチェックポイントが組み込みで必要
374- 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
375 
376### CrewAIを選ぶ場合:
377- 直感的なロールベースの抽象化が欲しい
378- 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
379- 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
380- 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
381 
382### OpenAI Agents SDKを選ぶ場合:
383- 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
384- 入出力を並行して検証するガードレールが必要
385- 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
386- 組み込みのトレーシングとオブザーバビリティが重要
387 
388### Claude Agent SDKを選ぶ場合:
389- 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
390- ファーストクラスのMCPサーバー統合が欲しい
391- 反復して自己修正する自律エージェントが必要
392- すでにClaudeを使用していて、最も深い統合が欲しい
393 
394## フレームワークを組み合わせることはできるか?
395 
396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:
397 
398- **LangGraph** をワークフローグラフ全体に
399- **CrewAI** をマルチエージェント協調が必要な特定のノードに
400- **Claude Agent SDK** をMCPを介したコーディング関連のサブタスクに
401- **OpenAI Agents SDK** を顧客対応のトリアージとルーティングに
402 
403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。
404 
405## まとめ
406 
407各フレームワークは明確な方向性を持っています:
408 
409- **LangGraph** は制御を最適化  -  すべての遷移を自分で決定
410- **CrewAI** は協調を最適化  -  エージェントがチームとして働く
411- **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
412- **Claude Agent SDK** は自律性を最適化  -  ツールを与えて作業させる
413 
414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。
415