Фреймворк для агентной системы: как выбрать в 2025 году

Слово «агент» за последний год перестало означать одно и то же. Кто-то называет так простой цикл «модель вызывает функцию — получает результат — вызывает снова», кто-то — систему из десятка ролей с памятью и планировщиком. От этого зависит и выбор инструмента: под простой цикл тяжёлый фреймворк с графами состояний будет мешать, под сложный мультиагентный пайплайн голый вызов API превратится в самописную инфраструктуру. Разберём, что предлагают основные фреймворки к концу 2025 года и как не выбрать не то.

Что вообще делает агентный фреймворк

Любая агентная система крутится вокруг одного цикла: модель получает задачу и набор инструментов, решает, какой инструмент вызвать, получает результат и решает снова — пока задача не закрыта. Фреймворк берёт на себя рутину вокруг этого цикла: сериализацию вызовов инструментов, хранение состояния между шагами, обработку ошибок модели, оркестрацию нескольких агентов, логирование.

Разница между инструментами — в том, насколько жёстко они навязывают структуру. На одном полюсе — библиотеки, которые дают вам примитивы и не мешают. На другом — фреймворки с собственной моделью мира: ролями, командами, графами. Чем сложнее ваш сценарий, тем больше структуры окупается. Чем проще — тем больше она мешает.

Главный риск при выборе фреймворка — взять инструмент под задачу, которой у вас пока нет. Мультиагентная оркестрация выглядит впечатляюще на демо и превращается в отладочный ад на проде, если реальная задача решалась одним циклом с тремя функциями.

Пять популярных вариантов

LangGraph

Часть экосистемы LangChain, но самостоятельный слой. Моделирует агента как граф состояний: узлы — шаги, рёбра — переходы, между ними течёт общее состояние. Даёт контроль над ветвлениями, циклами и точками, где нужно вмешательство человека (human-in-the-loop). Плата за контроль — порог входа: граф надо спроектировать, а не просто описать роль словами.

CrewAI

Строится вокруг метафоры команды: вы описываете агентов-«сотрудников» с ролью, целью и предысторией, а фреймворк раскидывает между ними задачи. Быстрый способ собрать мультиагентный сценарий, где несколько ролей передают работу по цепочке. Обратная сторона декларативности — меньше контроля над тем, что именно происходит внутри на каждом шаге.

Microsoft AutoGen

Академически ориентированный фреймворк с сильным упором на диалог нескольких агентов между собой — они «переписываются», пока не сойдутся к результату. Гибкий для исследовательских задач и экспериментов с многоагентными протоколами. Для продакшена требует больше дисциплины: свободный диалог агентов легко уходит в бесконечные циклы.

LlamaIndex

Изначально — библиотека для RAG^*, то есть для подключения модели к вашим документам и данным. Агентные возможности выросли поверх этого фундамента. Логичный выбор, когда ядро задачи — поиск и рассуждение по большому корпусу данных, а агентность вторична.

OpenAI Agents SDK

Относительно новый и намеренно минималистичный набор от OpenAI: агенты, инструменты, передача управления между агентами (handoffs) и встроенные проверки. Заточен под модели OpenAI, хотя формально работает и с другими через совместимые интерфейсы. Хорош, когда вы уже в экосистеме OpenAI и не хотите тащить тяжёлую абстракцию.

Сравнение

Таблица описывает общее позиционирование, а не результаты замеров. Единого признанного бенчмарка, который ранжировал бы эти фреймворки по «качеству», нет — они решают разные задачи, и корректно сравнивать их числом не получится.

Кому что пригодится, а кому нет

• Один агент, три-четыре инструмента, чёткий сценарий. Не берите ничего тяжёлого. OpenAI Agents SDK или прямой вызов function calling у вашего провайдера. Граф состояний тут — избыточная сложность.
• Нужны ветвления, откаты, пауза на подтверждение человеком. LangGraph: он единственный из списка делает управление потоком первоклассным гражданином, а не побочным эффектом.
• Несколько ролей передают работу по конвейеру (аналитик → редактор → проверяющий). CrewAI даст рабочий прототип за вечер. Для прода закладывайте время на укрощение непредсказуемости.
• Ядро задачи — вопросы по вашей базе документов. LlamaIndex, потому что RAG у него не приделан сбоку, а лежит в основе.
• Исследование протоколов взаимодействия агентов, эксперименты. AutoGen. Для продуктового кода с жёсткими SLA — с осторожностью.

Отдельный сценарий, где фреймворк вообще не нужен: если у вас один запрос к модели с парой инструментов и без сложной логики, любая из этих библиотек — лишняя зависимость, которую придётся обновлять и отлаживать. Начните с голого SDK провайдера и добавляйте абстракцию, когда упрётесь в её отсутствие, а не заранее.

На что смотреть при выборе, кроме списка возможностей

1. Наблюдаемость. Агент — это цепочка недетерминированных решений. Без трейсинга каждого шага отладка превращается в гадание. Проверьте, как фреймворк показывает, что модель решала на каждом шаге.
2. Контроль расходов. Агент в цикле может вызвать модель десятки раз за одну задачу. Убедитесь, что есть лимиты на число шагов и токенов, иначе один зациклившийся запуск съест бюджет.
3. Смена модели. Провайдеры меняют цены и выпускают новые версии постоянно. Привязка к одному вендору на уровне фреймворка — риск. Если хотите свободу манёвра, берите модель-агностичный вариант.
4. Зрелость и темп изменений. Все эти проекты быстро меняют API. Смотрите на дату последнего релиза и на то, насколько ломающими были прошлые обновления.

^* RAG (Retrieval-Augmented Generation) — подход, при котором модель перед ответом ищет релевантные фрагменты в вашей базе данных или документах и подставляет их в контекст. Позволяет отвечать по свежим или закрытым данным, которых не было в обучении модели.