Auswahl eines agierenden KI-Frameworks: LangGraph, CrewAI, OpenAI SDK, ADK
Überspringen Sie die Funktionstabellen. Ordnen Sie Ihr Projekt einer von fünf Formen zu, vergleichen Sie vier Orchestrierungsstile und sehen Sie minimale Beispiele für die LangGraph-, CrewAI- und OpenAI-SDKs.
Die Auswahl eines Agenten-Frameworks im Jahr 2026 erscheint schwieriger, als es sein sollte. Wenn man danach sucht, stößt man auf LangGraph, CrewAI, das OpenAI Agents SDK, Googles Agent Development Kit, das Claude Agent SDK, AG2, PydanticAI sowie einige weitere Optionen – jede davon präsentiert sich als der sinnvolle Standard.
Diese Verwirrung ist kein Versagen Ihrerseits in der Forschung. Der Markt hat sich zersplittert, und die Entscheidung ist eher philosophischer als technischer Natur, denn jedes Framework vertritt eine andere Auffassung darüber, wie viel Kontrolle man über die Ausführung eines Agenten haben sollte und wie Agenten miteinander kommunizieren sollten. Ein Satz aus einer Erklärung von IBM fasst den besseren Ansatz zusammen: Hören Sie auf, zu fragen, welches Framework am besten ist, und fragen Sie stattdessen, welche Art von Agentensystem Sie entwickeln möchten.
Was folgt, richtet sich an Entwickler und Architekten mittleren sowie höheren Niveaus, die bereits wissen, was ein Agent ist: ein Modell mit Werkzeugen, Anweisungen und etwas Speicher, das mehrere Schritte in Richtung eines Ziels unternehmen kann. Es wird vorausgesetzt, dass Sie Python lesen können und zumindest einen Schleifen-Code für die Aufrufung von Werkzeugen durch einen einzelnen Agenten bereits ausprobiert haben. Zunächst werden Projekte in fünf Kategorien eingeteilt, anschließend werden vier Orchestrierungsphilosophien verglichen und schließlich drei minimale Codebeispiele gezeigt, damit Sie den Unterschied im Programmiermodell erkennen können, bevor Sie eine Codebasis übernehmen.
Wovor ein Framework Sie tatsächlich bewahrt
Man kann für eine Demo auch ohne jedes Framework einen Agenten erstellen. Allerdings tauchen in fast jedem ernsthaften System immer wieder einige Probleme auf, und ein Framework dient hauptsächlich dazu, diese nicht erneut lösen zu müssen:
- Der Schlussfolgerungszyklus. Rufen Sie das Modell auf, lassen Sie es die von ihm ausgewählten Werkzeuge ausführen, geben Sie die Ergebnisse zurück und wiederholen Sie den Vorgang, bis eine Stoppsbedingung eingetreten ist.
Sämtliche hier genannten Frameworks decken diese vier Bereiche ab. Sie unterscheiden sich darin, wie stark sie ihre eigene Lösung vorantreiben.
Aus dem Anwendungsfall heraus starten
Bevor Sie Funktionen vergleichen, fragen Sie sich, was Sie eigentlich bauen möchten. Fünf Kategorien umfassen die meisten Projekte, wobei jede eine andere Auswahl vorschlägt.
- Lineare Workflows. Die Schritte werden in einer vorhersehbaren, meist festgelegten Reihenfolge ausgeführt: Ein Support-Mitarbeiter durchsucht eine Wissensdatenbank, entwirft eine Antwort und eröffnet gegebenenfalls ein Ticket. Hier ist es nicht notwendig, dass die Mitarbeiter über irgendetwas diskutieren – man benötigt vielmehr Zuverlässigkeit. LangChain eignet sich für Sequenzen, LlamaIndex für arbeitsintensive Suchvorgänge und LangGraph, wenn die Sequenz Bedingungen oder Schleifen erfordert.
- Autonome Mehr-Agenten-Teams. Das Ziel wird übergeben und eine Gruppe von Agenten legt den Ablauf fest, beispielsweise ein Planer, ein Programmierer und ein Prüfer, die gemeinsam an einer Programmieraufgabe arbeiten. Solche Probleme sind von Natur aus offen. AG2 (der gepflegte Nachfolger von AutoGen) und CrewAI sind die gängigen Lösungen dafür.
Eine solche Sortierung macht die Frage „Welches Framework?“ zu etwas Unbedeutenderem. Ist der Ablauf vorhersehbar, explorativ, durch Rollen begrenzt, auf die Produktion ausgerichtet oder lediglich eine Hypothese?
Vier Wege, wie Frameworks Koordination modellieren
Auch innerhalb einer kurzen Auswahl unterscheiden sich die Frameworks in der Art und Weise, wie sie Koordination darstellen. Im Großen und Ganzen folgen sie einer von vier Philosophien.
- graphbasiert. Agenten und Logik sind Knoten in einem gerichteten Graphen, wobei explizite Kanten – sei es bedingte oder zyklische – bestimmen, was als Nächstes ausgeführt wird. LangGraph ist das klarste Beispiel dafür. Man definiert im Grunde eine Zustandsmaschine.
- rollenbasiert. Jeder Agent ist ein Teammitglied mit einer Rolle, einem Ziel und einer Hintergrundgeschichte, während eine darüber liegende Prozessschicht entscheidet, wie Aufgaben zwischen ihnen verteilt werden. CrewAI ist genau nach diesem Prinzip strukturiert.
Keine Philosophie hat klare Vorteile. Ihre Wahl sollte vom bestehenden Denkmuster Ihres Teams bezüglich des Problems sowie vom gewünschten Grad an expliziter Kontrolle über die Ausführungspfade abhängen.
Platz eines Frameworks in der Architektur
Jedes Framework basiert auf einem oder mehreren Modellanbietern und steuert den Schlussfolgerungszyklus. Darüber hinaus kommt die Aufrufung von Tools, die zunehmend durch MCP standardisiert wird. Berichten zufolge wird sie seit Dezember 2025 von der Agentic AI Foundation der Linux Foundation betreut, und jedes hier genannte Framework verwendet sie in irgendeiner Form. Wenn Agenten über Prozesse oder Servicebereiche hinweg kommunizieren müssen, gewinnt das Agent2Agent (A2A)-Protokoll als ähnlicher Standard an Bedeutung, wobei es bereits in ADK integriert ist und weitere Implementierungen folgen werden.
Dazu gehört die Zustandspersistenz, wie zum Beispiel das Speichern von Checkpoints von LangGraph in einer Datenbank oder ein einfacher Chat-Verlauf im Arbeitsspeicher, sowie eine Überwachungsschicht wie LangSmith für LangGraph oder die eingebauten Tracing-Funktionen im OpenAI Agents SDK. Solche Elemente sind bei Interaktion mit echten Nutzern weitaus wichtiger als in einem Notebook. Keines dieser Frameworks ist an einen bestimmten Cloud-Anbieter gebunden. Das OpenAI Agents SDK und das Google ADK neigen naturgemäß zu den Modellen ihrer jeweiligen Anbieter, während LangGraph und CrewAI darauf abzielen, modellunabhängig zu bleiben.
Drei minimale Beispiele
Die Beispiele sind absichtlich sehr klein. Sie veranschaulichen das Programmiermodell jedes Frameworks und stellen keine Produktionsysteme dar. Paketnamen sowie Installationsanleitungen ändern sich in diesem Bereich schnell, daher sollten Sie zunächst die aktuelle Dokumentation jedes Projekts prüfen.
LangGraph: ein zweiknotiger Graph
# pip install langgraph
from langgraph.graph import StateGraph, END
from typing import TypedDict
class State(TypedDict):
question: str
answer: str
def research(state: State) -> State:
state["answer"] = f"Researched: {state['question']}"
return state
def write(state: State) -> State:
state["answer"] = f"Written up: {state['answer']}"
return state
graph = StateGraph(State)
graph.add_node("research", research)
graph.add_node("write", write)
graph.set_entry_point("research")
graph.add_edge("research", "write")
graph.add_edge("write", END)
app = graph.compile()
result = app.invoke({"question": "What is agentic AI?", "answer": ""})
print(result["answer"])
# Output: Written up: Researched: What is agentic AI?
Der Code definiert einen typisierten Zustand, der zwischen Knoten geteilt wird, fügt zwei Knoten als gewöhnliche Python-Funktionen hinzu und verbindet sie mit einer expliziten Kante. Hier wird kein LLM aufgerufen. LangGraph ist in dieser Hinsicht absichtlich neutral, sodass Sie an jedem Knoten den Modellclient wählen können, den Sie möchten.
CrewAI: ein Zwei-Agenten-Team
# pip install crewai
from crewai import Agent, Task, Crew
researcher = Agent(
role="Researcher",
goal="Find accurate information on the given topic",
backstory="An experienced analyst who values accuracy over speed."
)
writer = Agent(
role="Writer",
goal="Turn research into a clear summary",
backstory="A technical writer who favours plain language."
)
research_task = Task(
description="Research agentic AI frameworks",
expected_output="A short list of key considerations",
agent=researcher
)
write_task = Task(
description="Summarise the research for a developer audience",
expected_output="A concise paragraph",
agent=writer
)
crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
result = crew.kickoff()
Es gibt keine Knoten oder Kanten, die verbunden werden müssen. Zwei Agenten werden durch Rolle und Ziel beschrieben, und jedem wird eine Aufgabe zugewiesen. Der Standardprozess der Crew führt die Aufgaben nacheinander aus und gibt jede Ausgabe an den nächsten weiter. CrewAI übernimmt die Koordination, die LangGraph von Ihnen verlangen würde, explizit zu modellieren.
OpenAI Agents SDK: Übermittlung einer Konversation zwischen Agenten
# pip install openai-agents
from agents import Agent, Runner
billing_agent = Agent(
name="Billing",
instructions="Handle billing questions concisely."
)
triage_agent = Agent(
name="Triage",
instructions="Answer general questions; hand off billing questions to Billing.",
handoffs=[billing_agent]
)
result = Runner.run_sync(triage_agent, "Why was I charged twice this month?")
print(result.final_output)
In dem Beispiel wird einem Triage-Agent mitgeteilt, an welchen weiteren Agenten er Aufgaben weiterleiten kann. Wenn das Modell entscheidet, dass eine Nachricht sich auf Abrechnungen bezieht, überträgt der Runner des SDK das Gespräch automatisch auf den Abrechnungsagenten. Es gibt weder Graphen noch Rollenmetaphern – nur Agenten sowie die Tools und Weiterleitungen, die sie nutzen können. Google ADK sieht in dieser Größenordnung ähnlich aus: ein Root-Agent mit sub_agents, wobei seine Unteragenten einen expliziten Baum bilden, der entfernte Agenten über A2A beinhalten kann, während die obige Weiterleitungsliste flach ist.
Jedes Framework an Ihre Situation anpassen
Wählen Sie LangGraph, wenn:
- Ihr Workflow Schleifen, Wiederholungen oder bedingte Zweige enthält, die Sie explizit modellieren möchten;
- Ihnen eine dauerhafte Zustandsverwaltung benötigt wird, die auch nach einem Neustart erhalten bleibt, oder Sie Zeitreise-Debugging nutzen möchten;
- Ihr Team bereits LangChain-Komponenten verwendet.
Wählen Sie CrewAI, wenn:
- Das Problem lässt sich natürlicherweise in Rollen einteilen, und diese Strukturierung hilft Personen außerhalb des Ingenieurwesens, mitzukommen;
- man möchte, dass etwas innerhalb weniger Stunden läuft;
- man ist bereit, kritische Komponenten auf ein Framework niedrigerer Ebene zu verlagern, falls die rollenbasierte Abfolge nicht mehr ausreicht;
wählen Sie das OpenAI Agents SDK, wenn:
- sie hauptsächlich mit OpenAI-Modellen arbeiten und eine möglichst schlanke, sinnvolle Schicht über den Schlussfolgerungsprozess wünschen;
- Ihre Koordinationsbedürfnisse lediglich eine Delegation unter wenigen Spezialisten erfordern.
wählen Sie das Google ADK, wenn:
- sie bereits in Google Cloud oder dem Gemini-Ökosystem arbeiten;
- die Agenten verschiedene Teams oder Dienste umfassen, wobei das A2A-Remote-Agent-Modell hier gut geeignet ist.
wählen Sie etwas anderes, wenn:
- Die Typsicherheit ist wichtiger als die Flexibilität bei der Orchestrierung; in diesem Fall könnte PydanticAI, das Eingaben und Ausgaben von Agenten anhand von Pydantic-Modellen validiert, alle vier Ansätze übertreffen;
- Sie befinden sich in der Prototypphase eines der fünf Anwendungsfallbeispiele – in diesem Fall sind LangFlow oder Flowise, noch bevor Code für ein Framework geschrieben wird, ein besserer Ausgangspunkt.
Fehler, die Teams machen
- Entscheiden, bevor man definiert. Teams wählen einfach das Framework mit den meisten Bewertungen aus und versuchen, das Problem darin unterzubringen. Zuerst die Kategorie zu benennen macht in der Regel eine klare Auswahl möglich, weitaus besser als das Durchlesen von vier Dokumentationssets.
- Ablehnung von Wechselkosten. Prompts, Agentenlogik und Orchestrierungsmuster lassen sich selten problemlos übertragen. Wenn Sie vermuten, dass Ihnen die erste Wahl bald nicht mehr ausreicht, planen Sie einen teilweisen Neuschreibprozess ein und rechnen Sie nicht mit einem schnellen Wechsel.
Ihre nächsten Schritte
- Entscheiden Sie vor dem Durchblättern der Dokumentation eines Frameworks, in welche der fünf Kategorien Ihr Projekt fällt: linear, autonomes Multi-Agenten-System, rollenbasiert, Produktionsorchestrierung oder schnelles Prototypen-Entwicklung.
- Installieren Sie eines der oben genannten Frameworks und erstellen Sie ein Beispiel anhand Ihres eigenen Anwendungsfalls statt des gezeigten.
- Suchen Sie nach vorhandenen MCP-Tool-Servers für die Systeme, mit denen Sie verbunden werden müssen, und vermeiden Sie bei deren Existenz manuell geschriebene Verbindungscode.
- Kommen Sie im Voraus auf eine Regel für den Umstieg überein, beispielsweise der Wechsel zu LangGraph, sobald bestimmte Bedingungen erfüllt sind.
Kurzfassung
Bevor Sie fragen, welches Framework am besten ist, fragen Sie sich erst, welche von fünf bekannten Strukturen Ihr Projekt beschreibt: ein vorhersehbarer linearer Ablauf, ein offenes, autonomes Team, eine nach Rollen strukturierte Gruppe, eine Aufgabe zur Produktionsorchestrierung oder eine Idee in der Prototypenphase.
Durch diese Frage wird das Spektrum bereits vor dem Öffnen einer Funktionsliste eingegrenzt. Danach geht es meist nur noch um Philosophiefragen. Wählen Sie LangGraph für eine explizite Steuerung von Verzweigungen, CrewAI für rollenbasiertes Denken und schnelle Iterationen, das OpenAI Agents SDK für Einfachheit bei OpenAI-Modellen sowie ADK, wenn Sie bereits im Google-Ecosystem arbeiten. MCP und A2A etablieren sich als gängige Standards für Tools sowie den Austausch zwischen Agenten, sodass ein späterer Wechsel etwas weniger schmerzhaft ist – allerdings kostet das auch nie nichts.