LangChain, LlamaIndex, LangGraph: чем оркестраторы различаются

Когда прототип на паре промптов превращается в приложение, которое ходит в базу знаний, вызывает внешние API и держит диалог из десятков шагов, голым SDK от OpenAI уже не обойтись. Нужен слой, который свяжет модель, инструменты и данные в управляемый процесс — оркестратор. За последние два года вокруг этой задачи выросло несколько конкурирующих фреймворков, и выбор между ними определяет, как быстро вы дойдёте до продакшена и насколько больно будет его поддерживать.

Разберём четыре самых заметных проекта — LangChain, LangGraph, LlamaIndex и CrewAI — по тому, что они реально делают, где ломаются и кому подходят. Все проекты открытые и живут на Python (у части есть и TypeScript-версия), развиваются быстро, поэтому конкретные имена классов и API проверяйте в текущей документации: между минорными версиями они меняются.

Что вообще оркеструют

Оркестратор решает три задачи, которые в сыром виде приходится писать руками. Первая — связать вызовы модели в цепочку или граф: результат одного шага становится входом следующего. Вторая — дать модели доступ к инструментам¹: поиску, калькулятору, вызову вашего API, запросу в базу. Третья — работа с внешними данными через RAG², чтобы модель отвечала по вашим документам, а не по тому, что запомнила при обучении.

Дальше проекты расходятся. Одни делают ставку на гибкие графы состояний, другие — на извлечение данных, третьи — на команды агентов³, которые делят роли между собой.

LangChain: универсальный комбайн

Самый старый и самый обсуждаемый из четвёрки. LangChain изначально строился как набор абстракций поверх любых моделей: единый интерфейс к OpenAI, Anthropic, локальным моделям, векторным базам, загрузчикам документов. Сильная сторона — охват: почти под любой сервис есть готовая интеграция, и не надо писать обёртку с нуля.

Обратная сторона — та же широта. Фреймворк много раз переписывал собственный API, из-за чего примеры двухлетней давности часто не запускаются на свежих версиях, а слои абстракций порой прячут то, что хочется контролировать. Для быстрого прототипа это удобно, для сложной логики многие переходят на LangGraph от той же команды.

LangGraph: состояние как граф

LangGraph — не замена LangChain, а надстройка для случаев, когда сценарий перестаёт быть линейной цепочкой. Вы описываете приложение как граф: узлы — шаги (вызов модели, инструмента, ветвление), рёбра — переходы между ними. Ключевое отличие от чистого LangChain — явное состояние и циклы: агент может вернуться на предыдущий шаг, перезапросить данные, дождаться подтверждения человека.

Это тот подход, который нужен, когда важны контроль и воспроизводимость: вы видите весь маршрут выполнения и можете вставить проверку в любую точку. Порог входа выше, чем у линейных цепочек.

LlamaIndex: всё про данные

LlamaIndex вырос из одной задачи — подключить LLM к вашим документам, и в этой нише он глубже конкурентов. Загрузка из десятков источников, разные стратегии разбиения текста на фрагменты, гибридный поиск (векторный плюс ключевые слова), переранжирование результатов — здесь это ядро, а не дополнение.

Если продукт — это по сути умный поиск по корпоративной базе или ассистент по документации, LlamaIndex закрывает задачу с меньшим количеством кода. Оркестрация сложных многошаговых агентов в нём тоже есть, но исторически это не его конёк.

CrewAI: команда агентов

CrewAI строится вокруг метафоры команды: вы задаёте роли (исследователь, редактор, критик), их цели и инструменты, а фреймворк организует их взаимодействие — последовательное или с делегированием задач. Это удобно, когда задачу естественно разбить на роли, и когда вам важна читаемость сценария «на человеческом языке».

Минус — та же метафора: она хорошо ложится на демонстрации и хуже на задачи, где нужен жёсткий детерминированный маршрут. Для этого LangGraph подходит лучше.

Выбор оркестратора — это не выбор «лучшего фреймворка», а ответ на вопрос, что у вас за задача: связать данные, выстроить сложный маршрут или собрать команду ролей. Под каждую из трёх — свой инструмент.

Сравнение по ключевым параметрам

Точную лицензию и наличие TS-версии сверяйте в репозитории проекта: у части фреймворков коммерческие облачные сервисы идут отдельно от открытого ядра и лицензируются иначе.

Кому это пригодится и кому нет

Разные задачи тянут к разным инструментам. Ориентиры по сценариям:

• Быстрый прототип, нужно перебрать модели и интеграции. Берите LangChain: под большинство сервисов уже есть готовый коннектор, соберёте демо за вечер.
• Продакшен со сложной логикой, ветвлениями и участием человека. LangGraph: явное состояние и циклы дают контроль, который в линейных цепочках приходится костылить.
• Умный поиск по документам, ассистент по базе знаний. LlamaIndex закрывает RAG глубже прочих: стратегии разбиения, гибридный поиск, переранжирование из коробки.
• Задача разбивается на роли с делегированием. CrewAI даёт читаемую структуру команды агентов.
• Один простой запрос к модели без инструментов и данных. Оркестратор не нужен вовсе — хватит официального SDK провайдера. Лишний слой абстракции здесь только замедлит отладку.

На практике проекты часто комбинируют: LlamaIndex как слой данных внутри графа LangGraph — рабочая связка, потому что фреймворки не взаимоисключающие. Извлечение через один инструмент, маршрут выполнения — через другой.

На что смотреть при выборе

Помимо возможностей, оцените три вещи, которые всплывут уже в поддержке:

1. Стабильность API. Проверьте, как часто в проекте выходят ломающие изменения и есть ли гайды по миграции — это прямые часы работы при обновлении.
2. Наблюдаемость. Можно ли посмотреть, что именно модель получила на вход и куда пошёл маршрут. Без трассировки отладка агента превращается в гадание.
3. Привязка к вендору. Часть фреймворков подталкивает к своим платным облачным сервисам для трейсинга и деплоя. Это не плохо само по себе, но заложите стоимость в расчёт заранее.

Ни один из четырёх не «побеждает» универсально — они решают разные задачи и всё чаще уживаются в одном проекте. Правильный вопрос не «какой фреймворк лучший», а «что у меня за сценарий и сколько контроля мне нужно».

¹ Инструмент (tool) — функция или внешний сервис, который модель может вызвать: поиск, вычисление, запрос в API. Модель сама решает, когда и с какими аргументами его дёрнуть.

² RAG (retrieval-augmented generation) — подход, при котором перед ответом система находит релевантные фрагменты в вашей базе и подкладывает их модели в контекст, чтобы она отвечала по актуальным данным.

³ Агент — конфигурация, где модель сама выбирает последовательность действий и инструментов для достижения цели, а не следует жёстко прописанному сценарию.