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

spinny:~/writing $ vim agentic-ai-frameworks-comparison.md

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~

NORMAL · agentic-ai-frameworks-comparison.md [readonly]415 lines · :q to close

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。

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。

6## 概要

9|--------|-----------|--------|-------------------|-----------------|

15| **GitHub stars** | ~29k | ~40k | ~21k | ~6k |

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~