Под капотом агентных фреймворков: шпаргалка для выбора архитектуры

Когда я начинал собирать своего первого AI-агента, главная проблема была не «какую модель взять», а «какой фреймворк не заставит меня всё переписать через месяц». Документация каждого проекта рассказывает, как он прекрасен, но не объясняет, чем принципиально отличается внутри.

Я разобрал пять популярных фреймворков — LangChain/LangGraph, CrewAI, AutoGen и MetaGPT — по четырём осям: память, инструменты, оркестрация и коммуникация между агентами. Получилась шпаргалка, которая экономит часы чтения исходников.

Четыре оси сравнения

Прежде чем нырять в детали, зафиксируем, что именно сравниваем:

• Память — как фреймворк хранит контекст между шагами и между сессиями.
• Инструменты — как агент получает доступ к внешним API, базам данных, коду.
• Оркестрация — как управляется поток выполнения: кто решает, какой шаг следующий.
• Коммуникация — как агенты обмениваются информацией друг с другом.

LangChain + LangGraph: граф как единица оркестрации

Память

LangChain исторически предлагал ConversationBufferMemory, ConversationSummaryMemory и векторные хранилища для долгосрочной памяти. LangGraph добавил главное — персистентный стейт графа. Каждый узел (node) может читать и писать в общий объект состояния, который сохраняется между шагами через checkpointing.

На практике это значит: агент может упасть на третьем шаге, перезапуститься и продолжить с того же места. Это не просто «история чата» — это полноценная машина состояний.

Инструменты

Крупнейшая экосистема: 700+ интеграций. Инструменты регистрируются как функции с описаниями, которые LLM использует для tool calling. LangChain предоставляет обёртки для поиска, баз данных, API, файловых систем. Можно написать свой инструмент за 10 строк.

Оркестрация

LangGraph — это направленный граф, где узлы представляют действия (вызов LLM, исполнение инструмента, условная маршрутизация), а рёбра задают поток управления. Ключевое отличие от простого DAG — поддержка циклов. Агент может вернуться к предыдущему шагу, повторить попытку, самокорректироваться.

Коммуникация

В чистом LangChain агенты общаются через цепочки (chains) — один выход становится входом следующего. LangGraph формализует это через state: агенты пишут в общий объект, другие читают. Нет отдельного протокола обмена сообщениями — вся координация через граф.

Когда выбирать

Сложная многошаговая логика с ветвлениями, ретраями, human-in-the-loop. Нужна продакшн-обсервабельность через LangSmith. Команда готова инвестировать в кривую обучения.

CrewAI: команда специалистов с ролями

Память

Каждый агент получает собственную краткосрочную память (контекст текущей задачи). Есть shared memory для обмена между агентами и long-term memory через интеграции. Но по сравнению с LangGraph — менее гибко. Нельзя задать произвольную структуру стейта.

Инструменты

CrewAI — standalone-фреймворк, но интегрируется с LangChain для инструментов. У каждого агента свой набор tools, определённый при создании. Менеджер-агент может делегировать задачу тому, у кого есть нужный инструмент.

Оркестрация

Ментальная модель — «команда специалистов». Агенты получают роли (Researcher, Writer, Analyst), цели и backstory. Задачи выполняются последовательно, иерархически или параллельно. Менеджер-агент координирует через делегацию.

Коммуникация

Агенты общаются через передачу результатов задач. Researcher завершил — его output становится контекстом для Writer. Есть встроенная делегация: агент может «попросить помощи» у другого. Это не произвольный чат, а структурированный конвейер.

Когда выбирать

Нужна команда специалистов для контента, исследований, анализа. Важна простота настройки. Не требуется сложная граф-логика с циклами.

AutoGen (Microsoft): разговор как протокол

Память

AutoGen моделирует память как историю разговора. Каждый агент хранит свою conversation history. В GroupChat все участники видят общий поток сообщений. Можно подключить внешние хранилища, но базовый примитив — именно чат-лог.

Инструменты

Агенты регистрируют функции, которые вызываются через function calling. Встроенная песочница для исполнения кода (Docker или локально). AutoGen из коробки умеет генерировать и запускать Python-код, проверять результат, исправлять ошибки.

Оркестрация

Центральная идея — разговор между агентами. GroupChat объединяет нескольких агентов в дискуссию. GroupChatManager решает, кто говорит следующим. Поддерживаются вложенные разговоры — агент может запустить подразговор с другим набором участников. Человек — это просто ещё один участник чата.

Коммуникация

Самая развитая модель коммуникации из всех. Агенты буквально переписываются друг с другом. Это natural fit для сценариев, где нужны несколько точек зрения: ревью кода, дебаты, верификация.

Когда выбирать

Нужен human-in-the-loop как первоклассный паттерн. Задача требует нескольких перспектив (ревью, проверка). Команда в экосистеме Azure/Microsoft.

MetaGPT: SOP-driven софтверная компания

Память

MetaGPT хранит сообщения в общей памяти (shared message pool). Каждый агент подписан на определённые типы сообщений. При получении нового сообщения агент сверяет его с существующими артефактами — PRD, системным дизайном, кодом. Это не просто «помню контекст», а «помню структурированные документы».

Инструменты

MetaGPT заточен на процесс разработки ПО. Инструменты — это не универсальные API-обёртки, а специализированные действия: написать PRD, создать архитектуру, сгенерировать код, провести ревью. Расширяемость есть, но фокус узкий.

Оркестрация

Ключевая идея — Standardized Operating Procedures (SOP). Процесс работы закодирован как последовательность ролей: Product Manager → Architect → Project Manager → Engineer → QA. Каждая роль выполняет свой этап, проверяет результат предыдущего, передаёт дальше. Это конвейер с жёсткой структурой, скопированной с реальных процессов.

Коммуникация

Publish-subscribe модель. Агенты не общаются напрямую — они публикуют артефакты (PRD, дизайн-документ, код), а другие агенты подписаны на нужные типы. Architect подписан на PRD от Product Manager. Engineer подписан на системный дизайн от Architect.

Когда выбирать

Задача — автоматизация полного цикла разработки ПО. Нужна жёсткая структура процесса. Не подходит для общих агентных задач.

Как выбрать: дерево решений

• Нужна произвольная граф-логика с ветвлениями и циклами? → LangGraph.
• Нужна команда специалистов с ролями для контента/исследований? → CrewAI.
• Нужен human-in-the-loop и дебаты между агентами? → AutoGen.
• Нужен полный цикл разработки ПО с SOP? → MetaGPT.
• Нужен быстрый прототип без сложной оркестрации? → OpenAI Agents SDK.

Чего не видно в маркетинге

LangGraph мощнее всех по оркестрации, но кривая обучения реальна. Абстракции LangChain иногда скрывают, что происходит под капотом, и дебаг превращается в археологию.

CrewAI подкупает простотой, но при масштабировании упирается в ограничения последовательной оркестрации. Иерархическая и консенсусная стратегии пока в разработке.

AutoGen идеален для сценариев с несколькими перспективами, но для простых пайплайнов его разговорная модель создаёт лишний overhead.

MetaGPT — самый специализированный. Если ваша задача не про разработку ПО, 90% его архитектуры вам не пригодится.

Что дальше

Ландшафт агентных фреймворков стабилизировался. Паттерны определились: граф, роли, разговор, SOP. Вопрос уже не «какой фреймворк существует», а «какой паттерн подходит вашей задаче».

Выбирайте не фреймворк, а архитектурный примитив — и уже потом смотрите, кто его лучше реализует.