1~
2AI agents اب research demos سے production systems میں منتقل ہو چکے ہیں۔ 2026 تک 60% سے زیادہ enterprise AI applications میں agentic components شامل ہونے کی توقع ہے۔ لیکن agents کو scratch سے بنانا  -  tool loops، state، memory، error handling، اور multi-agent coordination کا انتظام  -  پیچیدہ ہے۔ یہاں frameworks کام آتے ہیں۔
3~
42026 میں چار frameworks غالب ہیں: **LangGraph**، **CrewAI**، **OpenAI Agents SDK**، اور **Claude Agent SDK**۔ ہر ایک اسی مسئلے کے لیے بنیادی طور پر مختلف نقطہ نظر اپناتا ہے: LLMs کو reason کرنے، plan بنانے، tools استعمال کرنے، اور collaborate کرنے کی صلاحیت دینا۔
5~
6## ایک نظر میں
7~
8| پہلو | LangGraph | CrewAI | OpenAI Agents SDK | Claude Agent SDK |
9|--------|-----------|--------|-------------------|-----------------|
10| **بنانے والا** | LangChain | CrewAI Inc. | OpenAI | Anthropic |
11| **Architecture** | Graph-based | Role-based | Handoff-based | Autonomous loop |
12| **فلسفہ** | زیادہ سے زیادہ کنٹرول | Team collaboration | کم سے کم abstraction | Agent کو computer دو |
13| **زبانیں** | Python, TypeScript | Python | Python | Python, TypeScript |
14| **Model support** | کوئی بھی (OpenAI, Claude, local) | کوئی بھی | کوئی بھی (نام کے باوجود) | صرف Claude |
15| **GitHub stars** | ~29k | ~40k | ~21k | ~6k |
16| **بہترین** | Complex stateful workflows | Multi-agent specialization | Routing اور triage | Coding اور file-heavy tasks |
17~
18## LangGraph: The Graph Builder
19~
20LangGraph agent workflows کو **directed cyclic graphs** کے طور پر model کرتا ہے۔ آپ nodes (functions جو کام کرتی ہیں) اور edges (ان کے درمیان transitions، اختیاری طور پر conditional) define کرتے ہیں۔ State graph سے گزرتا ہے اور checkpointing کے ذریعے persist ہوتا ہے۔
21~
22یہ سب سے explicit اور controllable framework ہے  -  آپ ہر step خود wire کرتے ہیں۔
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### بنیادی تصورات
35~
36- **StateGraph**: typed state کے ساتھ graph definition
37- **Nodes**: Python functions جو state کو transform کرتی ہیں
38- **Edges**: nodes کے درمیان connections، conditional ہو سکتی ہیں
39- **Checkpointing**: long-running workflows کے لیے built-in persistence
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### طاقتیں
79~
80- ہر step اور transition پر باریک کنٹرول
81- Built-in checkpointing اور human-in-the-loop
82- مکمل TypeScript parity
83- کسی بھی LLM provider کے ساتھ کام کرتا ہے
84- Conditional branching اور loops والی complex workflows کے لیے بہترین
85~
86### کمزوریاں
87~
88- سیکھنے کا curve تیز ہے  -  آپ کو graph theory concepts سمجھنے ہوں گے
89- سادہ use cases کے لیے verbose  -  ایک basic agent کو دوسرے frameworks سے زیادہ boilerplate چاہیے
90- LangSmith کے بغیر graph flows کو debug کرنا مشکل ہو سکتا ہے
91~
92### قیمت
93~
94Open-source (MIT)۔ LangSmith (managed observability platform) میں production monitoring کے لیے paid tiers ہیں۔
95~
96## CrewAI: The Team Assembler
97~
98CrewAI ایک انسانی استعارہ استعمال کرتا ہے: آپ خصوصی agents کی ایک **crew** بناتے ہیں، ہر ایک کی **role**، **goal**، اور **backstory** ہوتی ہے۔ Agents **tools** استعمال کرتے ہوئے **tasks** پر collaborate کرتے ہیں، جنہیں ایک **process** (sequential، hierarchical، یا consensual) coordinate کرتا ہے۔
99~
100اسے ایک team hire کرنے جیسا سمجھیں جہاں ہر رکن کا ایک مخصوص job title اور specialty ہے۔
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### بنیادی تصورات
114~
115- **Agent**: role، goal، backstory، اور tools کے ساتھ ایک persona
116- **Task**: description، expected output، اور assigned agent کے ساتھ ایک assignment
117- **Crew**: ساتھ مل کر کام کرنے والے agents کا گروپ
118- **Process**: execution strategy (sequential، hierarchical، consensual)
119- **Flow**: متعدد crews کو جوڑنے کے لیے event-driven orchestration layer
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### طاقتیں
171~
172- بدیہی role-based abstraction  -  سمجھنے میں آسان
173- 100+ built-in tool integrations
174- Agents میں shared memory (short-term، long-term، entity)
175- سب سے بڑی community (~40k GitHub stars)
176- ایک "manager" agent کے ساتھ hierarchical process جو delegate اور validate کرتا ہے
177~
178### کمزوریاں
179~
180- LangGraph کے مقابلے میں کم باریک کنٹرول  -  آپ roles define کرتے ہیں، exact execution paths نہیں
181- جب agents متفق نہ ہوں تو hierarchical process غیر متوقع ہو سکتا ہے
182- Multi-agent conversations کو debug کرنا single-agent flows سے مشکل ہے
183~
184### قیمت
185~
186Open-source core (free)۔ CrewAI Platform: $99/month (Teams) سے $120k/year (Enterprise)۔ قیمت live crews اور monthly executions پر مبنی۔
187~
188## OpenAI Agents SDK: The Router
189~
190OpenAI Agents SDK (Swarm کا spiritual successor) **handoffs** پر توجہ دیتا ہے  -  agents conversations کو دوسرے specialized agents کو transfer کرتے ہیں۔ یہ سب سے minimal framework ہے: agents، tools، handoffs، اور guardrails۔ بس اتنا ہی۔
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### بنیادی تصورات
204~
205- **Agent**: model + instructions + tools + handoffs
206- **Handoff**: دوسرے agent کو transfer (LLM جو tool call کر سکتا ہے اس طرح modeled)
207- **Guardrail**: agent کے ساتھ parallel میں چلنے والا input/output validation
208- **Runner**: agent loop کو execute کرتا ہے
209- **Tracing**: تمام LLM calls، tool invocations، اور handoffs کے لیے built-in observability
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### طاقتیں
258~
259- Clean handoff pattern  -  routing/triage workflows کے لیے فطری
260- Guardrails execution کے ساتھ parallel میں چلتی ہیں (fail-fast، blocking نہیں)
261- Debugging کے لیے built-in tracing dashboard
262- نام کے باوجود، non-OpenAI models کو support کرتا ہے
263- Minimal abstraction  -  سمجھنے اور extend کرنے میں آسان
264~
265### کمزوریاں
266~
267- LangGraph کے مقابلے میں کم mature state management
268- کوئی built-in persistence یا checkpointing نہیں
269- Third-party tools کا ecosystem چھوٹا ہے
270- Handoff-centric design ہر architecture کے لیے موزوں نہ ہو
271~
272### قیمت
273~
274Open-source (MIT)۔ آپ جو بھی model استعمال کریں اس کے لیے per-token ادائیگی کریں۔
275~
276## Claude Agent SDK: The Developer
277~
278Claude Agent SDK ایک مختلف نقطہ نظر اپناتا ہے: workflows یا roles define کرنے کی بجائے، آپ agent کو **tools کا ایک set دیتے ہیں اور اسے یہ سمجھنے دیتے ہیں کہ task کیسے مکمل کرنا ہے**۔ یہ وہی autonomous loop استعمال کرتا ہے جو Claude Code کو power کرتا ہے  -  read، act، verify، iterate۔
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### بنیادی تصورات
291~
292- **query()**: agent loop شروع کرنے کا main entry point
293- **Built-in tools**: Read, Write, Edit, Bash, Glob, Grep, WebSearch, WebFetch
294- **MCP کے ذریعے custom tools**: in-process MCP servers کے طور پر tools define کریں
295- **Sub-agents**: خصوصی agents جنہیں parent delegate کر سکتا ہے
296- **Sessions**: متعدد interactions میں context برقرار رکھیں
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### طاقتیں
336~
337- First-class MCP integration  -  کسی بھی MCP server ecosystem سے جڑیں
338- File operations، terminal، اور web access کے لیے built-in tools
339- بڑے codebases کے لیے automatic context compaction
340- Complex tasks کے لیے sub-agent parallelism
341- Claude Code جیسا ہی engine  -  حقیقی development workflows پر battle-tested
342~
343### کمزوریاں
344~
345- صرف Claude models  -  کوئی multi-provider support نہیں
346- چھوٹی community کے ساتھ نیا framework
347- Python SDK کے لیے بھی Node.js runtime درکار
348- LangGraph کے مقابلے میں کم explicit workflow control
349~
350### قیمت
351~
352Open-source۔ Standard Claude API token rates۔ Managed Agents (hosted version): token costs کے علاوہ $0.08 per session-hour۔
353~
354## کب کون سا چنیں
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 چنیں اگر:
371- آپ کو workflow کے ہر step پر درست کنٹرول چاہیے
372- آپ کے use case میں complex conditional logic اور loops شامل ہیں
373- آپ کو built-in persistence اور human-in-the-loop checkpoints چاہیے
374- آپ کو ایک ہی workflow میں متعدد LLM providers استعمال کرنے ہیں
375~
376### CrewAI چنیں اگر:
377- آپ ایک بدیہی، role-based abstraction چاہتے ہیں
378- آپ کے task میں مختلف specialties والے متعدد agents شامل ہیں
379- آپ کو agents کو collaborate کرنے اور ایک دوسرے کو context pass کرنے کی ضرورت ہے
380- آپ سب سے بڑی community اور سب سے زیادہ built-in integrations چاہتے ہیں
381~
382### OpenAI Agents SDK چنیں اگر:
383- آپ کا بنیادی pattern conversations کو specialists تک route کرنا ہے
384- آپ کو guardrails چاہیے جو parallel میں input/output validate کریں
385- آپ کم سے کم boilerplate کے ساتھ سب سے سادہ abstraction چاہتے ہیں
386- Built-in tracing اور observability اہم ہیں
387~
388### Claude Agent SDK چنیں اگر:
389- آپ کے agents کو code read، write، اور execute کرنا ہے
390- آپ first-class MCP server integration چاہتے ہیں
391- آپ کو autonomous agents چاہیے جو iterate اور self-correct کریں
392- آپ پہلے سے Claude استعمال کر رہے ہیں اور گہرا ترین integration چاہتے ہیں
393~
394## کیا آپ Frameworks کو Combine کر سکتے ہیں؟
395~
396ہاں۔ ایک عام pattern یہ ہے کہ orchestration کے لیے ایک framework اور individual agents کے لیے دوسرا:
397~
398- **LangGraph** مجموعی workflow graph کے لیے
399- **CrewAI** ایک مخصوص node کے لیے جس میں multi-agent collaboration چاہیے
400- **Claude Agent SDK** MCP کے ذریعے coding-related sub-tasks کے لیے
401- **OpenAI Agents SDK** customer-facing triage اور routing کے لیے
402~
403یہ frameworks باہمی طور پر خارج نہیں ہیں۔ اپنے system کے ہر حصے کے لیے جو موزوں ہو وہ استعمال کریں۔
404~
405## نتیجہ
406~
407ہر framework ایک واضح شرط لگاتا ہے:
408~
409- **LangGraph** control کے لیے optimize کرتا ہے  -  آپ ہر transition طے کرتے ہیں
410- **CrewAI** collaboration کے لیے optimize کرتا ہے  -  agents ایک team کے طور پر کام کرتے ہیں
411- **OpenAI Agents SDK** simplicity کے لیے optimize کرتا ہے  -  minimal abstraction، clean handoffs
412- **Claude Agent SDK** autonomy کے لیے optimize کرتا ہے  -  tools دو اور کام کرنے دو
413~
414صحیح انتخاب آپ کے workflow، آپ کی team، اور آپ کے موجودہ stack پر منحصر ہے۔ وہ چنیں جو آپ کے primary use case سے میل کھاتا ہو، اسے اچھی طرح سیکھیں، اور جب ان کے sweet spot پر پہنچیں تو دوسروں کو شامل کریں۔
415~