AI-агенты — это программы, которые самостоятельно решают задачи: планируют, используют инструменты, обрабатывают ошибки. В 2025 году появилось десятки фреймворков для их построения. Разбираем основные: LangGraph, CrewAI, AutoGen, Semantic Kernel, Deep Agents и ReAct/CodeAct подходы.
Что такое agentic framework
Agentic framework — это библиотека для построения AI-агентов, которые:
- Принимают цель (например, «проанализируй конкурентов»)
- Планируют шаги (поиск → анализ → отчёт)
- Используют инструменты (web search, code execution, file operations)
- Обрабатывают ошибки (retry, fallback, human-in-the-loop)
Сравнение фреймворков
| Фреймворк | Подход | Multi-agent | Инструменты | Сложность | Лучший для |
|---|---|---|---|---|---|
| LangGraph | Graph-based | Да | LangChain tools + собственные | Средняя | Сложные workflows |
| CrewAI | Role-based | Да (экипажи) | crewai-tools + внешние | Низкая | Командная работа агентов |
| AutoGen (Microsoft) | Conversation | Да (чаты) | Custom | Средняя | Исследования, code generation |
| Semantic Kernel | Plugin-based | Да | Plugins (C#/Python/Java) | Высокая | Enterprise, .NET |
| Deep Agents (LangChain) | Agent harness (планирование + субагенты) | Да (субагенты) | LangGraph + filesystem | Средняя | Сложные многошаговые задачи |
Примечание: AutoGen от Microsoft в настоящее время поддерживается сообществом (community-managed). Microsoft заменил его на Microsoft Agent Framework, который объединяет возможности AutoGen и Semantic Kernel с графовыми workflow.
Детальный обзор
LangGraph
Часть экосистемы LangChain. Представляет workflow как граф: узлы — действия, рёбра — условия перехода. Сложные ветвления, циклы, параллелизм.
Пример: агент для найма резюме: получить вакансию → найти сопоставление резюме → проверить квалификацию → пригласить на собеседование или отклонить.
CrewAI
Концепция «экипажа»: несколько агентов с ролями (researcher, writer, editor) совместно работают для выполнения задачи. Простой API, быстрый старт. Имеет собственную экосистему инструментов crewai-tools.
Пример: экипаж для создания контента: researcher ищет данные → writer пишет черновик → editor проверяет и редактирует.
AutoGen
Microsoft Research. Агенты общаются друг с другом в чате. Можно подключить человека для контроля. Мощный, но сложный в настройке. Важно: AutoGen сейчас поддерживается сообществом; Microsoft рекомендует Microsoft Agent Framework для новых проектов.
ReAct vs CodeAct (паттерны, а не фреймворки)
ReAct (Reasoning + Acting) — паттерн промптинга из статьи Yao et al. 2022 (Princeton + Google Research). Агент рассуждает, затем действует. Простой, предсказуемый, но ограниченный. ReAct используется внутри фреймворков (LangChain, CrewAI и др.), а не как самостоятельный фреймворк.
CodeAct — подход из статьи ICML 2024 (Wang et al.). Агент генерирует и выполняет Python-код в sandbox Jupyter. Более мощный, чем ReAct, но с повышенными рисками (code injection). Также является паттерном, а не фреймворком.
Практические примеры
Пример 1: Customer support agent (CrewAI)
crew = Crew(
agents=[support_agent, escalation_agent, feedback_agent],
tasks=[handle_ticket, escalate_if_needed, collect_feedback],
verbose=True
)
result = crew.kickoff(inputs={"ticket": "My order is late"})Пример 2: Research agent (LangGraph)
from langgraph.graph import StateGraph, START, END
graph = StateGraph(ResearchState)
graph.add_node("search", search_web)
graph.add_node("analyze", analyze_results)
graph.add_node("write", write_report)
graph.add_edge(START, "search")
graph.add_edge("search", "analyze")
graph.add_edge("analyze", "write")
graph.add_edge("write", END)
app = graph.compile()Как выбрать фреймворк
| Задача | Рекомендация |
|---|---|
| Простой агент (одна задача) | LangChain agents или CrewAI |
| Команда агентов | CrewAI |
| Сложный workflow с ветвлениями | LangGraph |
| Enterprise, .NET/Java | Semantic Kernel |
| Исследования, мультиагентные дискуссии | Microsoft Agent Framework (бывший AutoGen) |
| Сложные многошаговые задачи с планированием | Deep Agents (LangChain) |
Паттерны agentic AI: ReAct и CodeAct
ReAct и CodeAct — это не фреймворки, а архитектурные паттерны, которые используются внутри фреймворков:
- ReAct — агент чередует рассуждения (reasoning) и действия (acting). Используется по умолчанию во многих фреймворках.
- CodeAct — агент генерирует исполняемый Python-код вместо JSON tool calls. Более гибкий, но требует sandbox.
Ограничения и риски
- Cost: агенты делают много LLM-вызовов. Сложный workflow может стоить $1–10 за выполнение (зависит от модели и количества шагов).
- Reliability: агенты могут зациклиться, делать ошибочные действия, галлюцинировать.
- Security: агенты с доступом к файлам и code execution — потенциальный вектор атаки.
- Debugging: сложно отладить многошаговый workflow. Логирование и tracing — обязательны.
Часто задаваемые вопросы
Какой фреймворк лучше для начинающих?
CrewAI. Простой API, быстрый старт, хорошая документация.
Можно ли использовать несколько фреймворков одновременно?
Да. Например, LangGraph для workflow + CrewAI для multi-agent совместной работы. Но это увеличивает сложность.
Агенты заменят программистов?
Нет. Агенты — инструмент для автоматизации рутинных задач. Сложная логика, архитектурные решения, креативность — это работа людей.
Сколько стоит запуск AI-агента?
Зависит от сложности. Простой агент: $0.01–0.10 за выполнение. Сложный workflow: $1–10. Multi-agent система: $10–100 за крупную задачу. Примерная стоимость, зависит от модели и провайдера.
