에이전트 AI 프레임워크 비교: LangGraph vs CrewAI vs OpenAI Agents SDK vs Claude Agent SDK

AI 에이전트는 연구 데모에서 프로덕션 시스템으로 발전했습니다. 2026년까지 엔터프라이즈 AI 애플리케이션의 60% 이상이 에이전트 컴포넌트를 포함할 것으로 예상됩니다. 하지만 에이전트를 처음부터 구축하는 것 - 도구 루프, 상태, 메모리, 오류 처리, 멀티 에이전트 조율 관리 - 은 복잡합니다. 그래서 프레임워크가 필요합니다.

2026년에 네 가지 프레임워크가 주도하고 있습니다: LangGraph, CrewAI, OpenAI Agents SDK, Claude Agent SDK. 각각은 같은 문제에 대해 근본적으로 다른 접근 방식을 취합니다 - LLM에 추론, 계획, 도구 사용, 협업 능력을 부여하는 문제입니다.

한눈에 보기

항목	LangGraph	CrewAI	OpenAI Agents SDK	Claude Agent SDK
개발사	LangChain	CrewAI Inc.	OpenAI	Anthropic
아키텍처	그래프 기반	역할 기반	핸드오프 기반	자율 루프
철학	최대한의 제어	팀 협업	최소한의 추상화	에이전트에게 컴퓨터를 주다
언어	Python, TypeScript	Python	Python	Python, TypeScript
모델 지원	모든 모델 (OpenAI, Claude, 로컬)	모든 모델	모든 모델 (이름과 달리)	Claude 전용
GitHub stars	~29k	~40k	~21k	~6k
적합한 용도	복잡한 상태 기반 워크플로	멀티 에이전트 전문화	라우팅 및 트리아지	코딩 및 파일 중심 작업

LangGraph: 그래프 빌더

LangGraph는 에이전트 워크플로를 유향 순환 그래프로 모델링합니다. 노드(작업을 수행하는 함수)와 엣지(노드 간 전환, 조건부 가능)를 정의합니다. 상태는 그래프를 통해 흐르고 체크포인팅을 통해 영속화됩니다.

이것은 가장 명시적이고 제어 가능한 프레임워크입니다 - 모든 단계를 직접 연결합니다.

핵심 개념

StateGraph: 타입이 지정된 상태를 가진 그래프 정의
Nodes: 상태를 변환하는 Python 함수
Edges: 노드 간의 연결, 조건부 가능
Checkpointing: 장시간 실행 워크플로를 위한 내장 영속화

코드 예제

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?"}]})

장점

모든 단계와 전환에 대한 세밀한 제어
체크포인팅과 human-in-the-loop 내장
TypeScript 완전 지원
모든 LLM 제공자와 호환
조건 분기와 루프가 있는 복잡한 워크플로에 최적

단점

가파른 학습 곡선 - 그래프 이론 개념을 이해해야 함
간단한 사용 사례에 대해 장황함 - 기본 에이전트도 다른 프레임워크보다 많은 보일러플레이트가 필요
LangSmith 없이는 그래프 흐름 디버깅이 어려울 수 있음

가격

오픈소스 (MIT). LangSmith (관리형 관측 플랫폼)는 프로덕션 모니터링을 위한 유료 티어가 있음.

CrewAI: 팀 어셈블러

CrewAI는 인간의 비유를 사용합니다: 전문화된 에이전트로 구성된 크루를 편성하고, 각 에이전트에 역할, 목표, 배경 이야기를 부여합니다. 에이전트는 도구를 사용하여 태스크에 협업하며, 프로세스 (순차, 계층, 합의)로 조율됩니다.

각 구성원이 특정 직함과 전문 분야를 가진 팀을 고용하는 것으로 생각하세요.

핵심 개념

Agent: 역할, 목표, 배경 이야기, 도구를 가진 페르소나
Task: 설명, 예상 출력, 배정된 에이전트를 가진 과제
Crew: 함께 작업하는 에이전트 그룹
Process: 실행 전략 (순차, 계층, 합의)
Flow: 여러 크루를 연결하는 이벤트 기반 오케스트레이션 레이어

코드 예제

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)

장점

직관적인 역할 기반 추상화 - 이해하기 쉬움
100개 이상의 내장 도구 통합
에이전트 간 공유 메모리 (단기, 장기, 엔티티)
가장 큰 커뮤니티 (~40k GitHub stars)
위임과 검증을 수행하는 "매니저" 에이전트가 있는 계층 프로세스

단점

LangGraph보다 세밀한 제어가 적음 - 정확한 실행 경로가 아닌 역할을 정의
에이전트 간 의견이 다를 때 계층 프로세스가 예측 불가능할 수 있음
멀티 에이전트 대화 디버깅이 단일 에이전트 흐름보다 어려움

가격

오픈소스 코어 (무료). CrewAI Platform: $99/월 (Teams)에서 $120k/년 (Enterprise). 활성 크루 수와 월간 실행 수 기반 가격 책정.

OpenAI Agents SDK: 라우터

OpenAI Agents SDK (Swarm의 정신적 후계자)는 핸드오프 - 에이전트가 대화를 다른 전문 에이전트에게 전달하는 것 - 에 초점을 맞춥니다. 가장 미니멀한 프레임워크로, 에이전트, 도구, 핸드오프, 가드레일로만 구성됩니다. 그게 전부입니다.

핵심 개념

Agent: 모델 + 지시사항 + 도구 + 핸드오프
Handoff: 다른 에이전트로의 전달 (LLM이 호출할 수 있는 도구로 모델링)
Guardrail: 에이전트와 병렬로 실행되는 입출력 유효성 검사
Runner: 에이전트 루프 실행
Tracing: 모든 LLM 호출, 도구 실행, 핸드오프에 대한 내장 관측 기능

코드 예제

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

장점

깔끔한 핸드오프 패턴 - 라우팅/트리아지 워크플로에 자연스러움
가드레일이 실행과 병렬로 동작 (fail-fast, 논블로킹)
디버깅을 위한 트레이싱 대시보드 내장
이름과 달리 OpenAI 외 모델도 지원
최소한의 추상화 - 이해하기 쉽고 확장하기 쉬움

단점

LangGraph보다 상태 관리가 덜 성숙
내장 영속화나 체크포인팅이 없음
서드파티 도구 에코시스템이 작음
핸드오프 중심 설계가 모든 아키텍처에 맞지 않을 수 있음

가격

오픈소스 (MIT). 사용하는 모델에 따라 토큰당 과금.

Claude Agent SDK: 개발자

Claude Agent SDK는 다른 접근 방식을 취합니다: 워크플로나 역할을 정의하는 대신, 에이전트에게 도구 세트를 주고 작업을 어떻게 수행할지 스스로 판단하게 합니다. Claude Code와 동일한 자율 루프 - 읽기, 실행, 검증, 반복 - 를 사용합니다.

핵심 개념

query(): 에이전트 루프를 시작하는 메인 진입점
내장 도구: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
MCP를 통한 커스텀 도구: 인프로세스 MCP 서버로 도구 정의
서브 에이전트: 부모가 위임할 수 있는 전문 에이전트
Sessions: 여러 상호작용에 걸쳐 컨텍스트 유지

코드 예제

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);
  }
}

장점

퍼스트클래스 MCP 통합 - 모든 MCP 서버 에코시스템에 연결 가능
파일 작업, 터미널, 웹 접근을 위한 내장 도구
대규모 코드베이스를 위한 자동 컨텍스트 압축
복잡한 작업을 위한 서브 에이전트 병렬 처리
Claude Code와 동일한 엔진 - 실제 개발 워크플로에서 실전 검증

단점

Claude 모델만 지원 - 멀티 제공자 지원 없음
새로운 프레임워크로 커뮤니티가 작음
Python SDK에서도 Node.js 런타임이 필요
LangGraph에 비해 워크플로 제어가 덜 명시적

가격

오픈소스. 표준 Claude API 토큰 요금. Managed Agents (호스팅 버전): 토큰 비용 외 세션 시간당 $0.08.

어떤 것을 선택할까

LangGraph를 선택해야 할 때:

워크플로의 모든 단계를 정밀하게 제어해야 할 때
복잡한 조건 로직과 루프를 포함하는 사용 사례일 때
내장 영속화와 human-in-the-loop 체크포인트가 필요할 때
같은 워크플로에서 여러 LLM 제공자를 사용해야 할 때

CrewAI를 선택해야 할 때:

직관적인 역할 기반 추상화를 원할 때
서로 다른 전문 분야를 가진 여러 에이전트가 관여하는 작업일 때
에이전트 간 협업과 컨텍스트 전달이 필요할 때
가장 큰 커뮤니티와 가장 많은 내장 통합을 중시할 때

OpenAI Agents SDK를 선택해야 할 때:

주요 패턴이 대화를 전문가에게 라우팅하는 것일 때
입출력을 병렬로 검증하는 가드레일이 필요할 때
최소한의 보일러플레이트로 가장 단순한 추상화를 원할 때
내장 트레이싱과 관측 기능이 중요할 때

Claude Agent SDK를 선택해야 할 때:

에이전트가 코드를 읽고, 쓰고, 실행해야 할 때
퍼스트클래스 MCP 서버 통합을 원할 때
반복하고 자체 수정하는 자율 에이전트가 필요할 때
이미 Claude를 사용하고 있어 가장 깊은 통합을 원할 때

프레임워크를 조합할 수 있을까?

네. 일반적인 패턴은 하나의 프레임워크를 오케스트레이션에, 다른 프레임워크를 개별 에이전트에 사용하는 것입니다:

LangGraph를 전체 워크플로 그래프에
CrewAI를 멀티 에이전트 협업이 필요한 특정 노드에
Claude Agent SDK를 MCP를 통한 코딩 관련 서브 태스크에
OpenAI Agents SDK를 고객 대면 트리아지와 라우팅에

이 프레임워크들은 상호 배타적이지 않습니다. 시스템의 각 부분에 맞는 것을 사용하세요.

결론

각 프레임워크는 명확한 방향성을 가지고 있습니다:

LangGraph는 제어를 최적화 - 모든 전환을 직접 결정
CrewAI는 협업을 최적화 - 에이전트가 팀으로 일함
OpenAI Agents SDK는 단순함을 최적화 - 최소한의 추상화, 깔끔한 핸드오프
Claude Agent SDK는 자율성을 최적화 - 도구를 주고 일하게 함

올바른 선택은 여러분의 워크플로, 팀, 그리고 기존 기술 스택에 따라 달라집니다. 주요 사용 사례에 맞는 것을 선택하고, 잘 익히고, 다른 프레임워크가 강점을 발휘하는 영역을 만났을 때 도입하세요.

한눈에 보기

항목	LangGraph	CrewAI	OpenAI Agents SDK	Claude Agent SDK
개발사	LangChain	CrewAI Inc.	OpenAI	Anthropic
아키텍처	그래프 기반	역할 기반	핸드오프 기반	자율 루프
철학	최대한의 제어	팀 협업	최소한의 추상화	에이전트에게 컴퓨터를 주다
언어	Python, TypeScript	Python	Python	Python, TypeScript
모델 지원	모든 모델 (OpenAI, Claude, 로컬)	모든 모델	모든 모델 (이름과 달리)	Claude 전용
GitHub stars	~29k	~40k	~21k	~6k
적합한 용도	복잡한 상태 기반 워크플로	멀티 에이전트 전문화	라우팅 및 트리아지	코딩 및 파일 중심 작업

LangGraph: 그래프 빌더

이것은 가장 명시적이고 제어 가능한 프레임워크입니다 - 모든 단계를 직접 연결합니다.

핵심 개념

StateGraph: 타입이 지정된 상태를 가진 그래프 정의
Nodes: 상태를 변환하는 Python 함수
Edges: 노드 간의 연결, 조건부 가능
Checkpointing: 장시간 실행 워크플로를 위한 내장 영속화

코드 예제

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?"}]})

장점

모든 단계와 전환에 대한 세밀한 제어
체크포인팅과 human-in-the-loop 내장
TypeScript 완전 지원
모든 LLM 제공자와 호환
조건 분기와 루프가 있는 복잡한 워크플로에 최적

단점

가파른 학습 곡선 - 그래프 이론 개념을 이해해야 함
간단한 사용 사례에 대해 장황함 - 기본 에이전트도 다른 프레임워크보다 많은 보일러플레이트가 필요
LangSmith 없이는 그래프 흐름 디버깅이 어려울 수 있음

가격

오픈소스 (MIT). LangSmith (관리형 관측 플랫폼)는 프로덕션 모니터링을 위한 유료 티어가 있음.

CrewAI: 팀 어셈블러

각 구성원이 특정 직함과 전문 분야를 가진 팀을 고용하는 것으로 생각하세요.

핵심 개념

Agent: 역할, 목표, 배경 이야기, 도구를 가진 페르소나
Task: 설명, 예상 출력, 배정된 에이전트를 가진 과제
Crew: 함께 작업하는 에이전트 그룹
Process: 실행 전략 (순차, 계층, 합의)
Flow: 여러 크루를 연결하는 이벤트 기반 오케스트레이션 레이어

코드 예제

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)

장점

직관적인 역할 기반 추상화 - 이해하기 쉬움
100개 이상의 내장 도구 통합
에이전트 간 공유 메모리 (단기, 장기, 엔티티)
가장 큰 커뮤니티 (~40k GitHub stars)
위임과 검증을 수행하는 "매니저" 에이전트가 있는 계층 프로세스

단점

LangGraph보다 세밀한 제어가 적음 - 정확한 실행 경로가 아닌 역할을 정의
에이전트 간 의견이 다를 때 계층 프로세스가 예측 불가능할 수 있음
멀티 에이전트 대화 디버깅이 단일 에이전트 흐름보다 어려움

가격

오픈소스 코어 (무료). CrewAI Platform: $99/월 (Teams)에서 $120k/년 (Enterprise). 활성 크루 수와 월간 실행 수 기반 가격 책정.

OpenAI Agents SDK: 라우터

핵심 개념

Agent: 모델 + 지시사항 + 도구 + 핸드오프
Handoff: 다른 에이전트로의 전달 (LLM이 호출할 수 있는 도구로 모델링)
Guardrail: 에이전트와 병렬로 실행되는 입출력 유효성 검사
Runner: 에이전트 루프 실행
Tracing: 모든 LLM 호출, 도구 실행, 핸드오프에 대한 내장 관측 기능

코드 예제

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

장점

깔끔한 핸드오프 패턴 - 라우팅/트리아지 워크플로에 자연스러움
가드레일이 실행과 병렬로 동작 (fail-fast, 논블로킹)
디버깅을 위한 트레이싱 대시보드 내장
이름과 달리 OpenAI 외 모델도 지원
최소한의 추상화 - 이해하기 쉽고 확장하기 쉬움

단점

LangGraph보다 상태 관리가 덜 성숙
내장 영속화나 체크포인팅이 없음
서드파티 도구 에코시스템이 작음
핸드오프 중심 설계가 모든 아키텍처에 맞지 않을 수 있음

가격

오픈소스 (MIT). 사용하는 모델에 따라 토큰당 과금.

Claude Agent SDK: 개발자

핵심 개념

query(): 에이전트 루프를 시작하는 메인 진입점
내장 도구: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
MCP를 통한 커스텀 도구: 인프로세스 MCP 서버로 도구 정의
서브 에이전트: 부모가 위임할 수 있는 전문 에이전트
Sessions: 여러 상호작용에 걸쳐 컨텍스트 유지

코드 예제

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);
  }
}

장점

퍼스트클래스 MCP 통합 - 모든 MCP 서버 에코시스템에 연결 가능
파일 작업, 터미널, 웹 접근을 위한 내장 도구
대규모 코드베이스를 위한 자동 컨텍스트 압축
복잡한 작업을 위한 서브 에이전트 병렬 처리
Claude Code와 동일한 엔진 - 실제 개발 워크플로에서 실전 검증

단점

Claude 모델만 지원 - 멀티 제공자 지원 없음
새로운 프레임워크로 커뮤니티가 작음
Python SDK에서도 Node.js 런타임이 필요
LangGraph에 비해 워크플로 제어가 덜 명시적

가격

오픈소스. 표준 Claude API 토큰 요금. Managed Agents (호스팅 버전): 토큰 비용 외 세션 시간당 $0.08.

어떤 것을 선택할까

LangGraph를 선택해야 할 때:

워크플로의 모든 단계를 정밀하게 제어해야 할 때
복잡한 조건 로직과 루프를 포함하는 사용 사례일 때
내장 영속화와 human-in-the-loop 체크포인트가 필요할 때
같은 워크플로에서 여러 LLM 제공자를 사용해야 할 때

CrewAI를 선택해야 할 때:

직관적인 역할 기반 추상화를 원할 때
서로 다른 전문 분야를 가진 여러 에이전트가 관여하는 작업일 때
에이전트 간 협업과 컨텍스트 전달이 필요할 때
가장 큰 커뮤니티와 가장 많은 내장 통합을 중시할 때

OpenAI Agents SDK를 선택해야 할 때:

주요 패턴이 대화를 전문가에게 라우팅하는 것일 때
입출력을 병렬로 검증하는 가드레일이 필요할 때
최소한의 보일러플레이트로 가장 단순한 추상화를 원할 때
내장 트레이싱과 관측 기능이 중요할 때

Claude Agent SDK를 선택해야 할 때:

에이전트가 코드를 읽고, 쓰고, 실행해야 할 때
퍼스트클래스 MCP 서버 통합을 원할 때
반복하고 자체 수정하는 자율 에이전트가 필요할 때
이미 Claude를 사용하고 있어 가장 깊은 통합을 원할 때

프레임워크를 조합할 수 있을까?

네. 일반적인 패턴은 하나의 프레임워크를 오케스트레이션에, 다른 프레임워크를 개별 에이전트에 사용하는 것입니다:

LangGraph를 전체 워크플로 그래프에
CrewAI를 멀티 에이전트 협업이 필요한 특정 노드에
Claude Agent SDK를 MCP를 통한 코딩 관련 서브 태스크에
OpenAI Agents SDK를 고객 대면 트리아지와 라우팅에

이 프레임워크들은 상호 배타적이지 않습니다. 시스템의 각 부분에 맞는 것을 사용하세요.

결론

각 프레임워크는 명확한 방향성을 가지고 있습니다:

LangGraph는 제어를 최적화 - 모든 전환을 직접 결정
CrewAI는 협업을 최적화 - 에이전트가 팀으로 일함
OpenAI Agents SDK는 단순함을 최적화 - 최소한의 추상화, 깔끔한 핸드오프
Claude Agent SDK는 자율성을 최적화 - 도구를 주고 일하게 함