Vergleich der Managed Agents: Anthropic, LangGraph und Google ADK
Wer verwaltet den Sandbox-Bereich, die Zugangsdaten und die Protokolle? Ein Vergleich von Anthropic Managed Agents, LangGraph und Google ADK hinsichtlich Preisgestaltung, Ausfallmöglichkeiten sowie einer kurzen Entscheidungshilfe.
Quellen: Anthropic Managed Agents vs LangGraph vs Google ADK: Pick One
Bild um 3 Uhr morgens: Ein Fehler wird bei Sentry erfasst. Ein Bot liest den Absturz, führt ihn auf einen Wettlaufzustand im Zahlungskodex zurück, schreibt eine Korrektur und erstellt einen Pull Request. Wenn der diensthabende Ingenieur um 7 Uhr Slack öffnet, wartet bereits ein PR auf Überprüfung. Niemand hat den Diff geschrieben oder das Ticket eingereicht.
Der Bot ist ein verwalteter Agent. Früher bedeutete die Entwicklung eines solchen Bots sechs Ingenieure und ein Viertel der Arbeitszeit: eine maßgeschneiderte Sandbox, einen Zustandsspeicher, Wiederholungslogik, ein Sicherheitsdepot für Zugangsdaten sowie eine Protokollierungspipeline. Sentry lieferte ihren Agent in nur sechs Wochen mit einem Team aus – der Unterschied liegt nicht in einem intelligenteren Modell. Jetzt kümmert sich jemand anderes um die technische Umsetzung. Der Agent übernimmt die Ursachenanalyse von Seer, Sentrys diagnostischem KI-System, und wandelt sie in einen Korrektur-Pull Request um. Anthropic ernannte ihn am 10. April 2026 zum ersten Kunden.
Drei Anbieter vertreiben dieses nun in Serienproduktion: Anthropic, LangChain und Google. Ihre Ansätze unterscheiden sich dabei, wie die Arbeitsabläufe zwischen Ihnen und ihnen aufgeteilt werden. Im Folgenden wird erläutert, was sich geändert hat, was jeder Anbieter bietet, wo die jeweiligen Lösungen oft versagen und wie man sich entscheiden kann. Die eigentliche Frage ist nicht, welches Framework am besten ist, sondern welche operative Ebene Ihr Team kontrollieren möchte.
Was „managed agent“ bedeutet
Beginnen wir mit dem Begriff „Agent“. Es handelt sich dabei um Software, die eine Aufgabe entgegennimmt, Aktionen auswählt, Tools aufruft, über den Fortschritt prüft und den Prozess wiederholt. Ein Chatbot ist das nicht.
"Gemanagt" bedeutet, dass der Anbieter die Infrastruktur betreibt: den sicheren Container, den Sitzungszustand, die Anmeldeinformationen sowie die Wiederholungsversuche nach Netzwerkstörungen. Sie liefern die Aufgaben- und Tooldefinitionen. Gemanagte Agenten stehen im Verhältnis zu selbst entwickeltem Agentencodex genauso wie gemanagte Datenbanken im Verhältnis zu selbst gehosteten Postgres-Systemen. Sie behalten das Schema und die Abfragen bei, während der Anbieter sich um Hardware, Backups, Failover und Überwachung kümmert.
So funktioniert es in der Praxis. Sie geben eine Aufgabe ein, zum Beispiel „Zusammenfassen dieser drei Artikel in einem einseitigen Bericht.“ Der Anbieter startet einen sicheren Linux-Container, und der Agent beginnt darin zu arbeiten, Tools aufzurufen und Dateien zu erstellen, während die Ergebnisse an Sie zurückgesendet werden. Schließen Sie Ihren Laptop, funktioniert es weiter. Verlieren Sie die Netzverbindung, funktioniert es weiter. Wenn Sie eine Stunde später wieder verbunden sind, nehmen Sie den Fortschritt genau da auf, wo Sie aufgehört haben. Jede Aktion wird in ein dauerhaftes Sitzungsprotokoll aufgenommen, ähnlich wie eine Commit-Historie oder ein Buchhaltungsregister – dieses Protokoll ist die Quelle der Wahrheit.
Das ist die zentrale Veränderung. Der Agent befindet sich nicht mehr innerhalb Ihres Prozesses. Es handelt sich um einen Server-seitigen Worker, der auch bei Unterbrechungen, Neustarts und schlafenden Laptops weiterläuft, und Sie müssen keinen Code schreiben, um dieses Verhalten zu erzielen. Im Moment gibt es dazu noch keinen Code. Sie legen die Aufgabe fest, der Anbieter betreibt den Worker, und die Ausgabe überdauert Ihre Verbindung.
Warum das jetzt wichtig ist
Die meisten Unternehmensagenten scheitern bereits in der Demo-Phase. Das Notebook läuft, das Video sieht großartig aus – doch anschließend verlangt die Produktionsumgebung Funktionen, die niemand bauen möchte. Man benötigt einen Sandbox, damit der Agent den Host nicht berühren kann, einen sicheren Speicher, damit Token nicht durchsickern, Persistenz, damit ein Neustart keinen laufenden Prozess beendet, Wiederholungsversuche bei abgelaufenen Tool-Aufrufen, Überwachungsmöglichkeiten, damit die Bereitschaftsperson um 2 Uhr morgens erkennen kann, was passiert ist, sowie Budgetwarnungen, damit ein feststeckender Kreislauf nicht unbemerkt 500 Dollar verschlingt.
Das alles gehört nicht zur Modellentwicklung. Es handelt sich dabei um Plattformaufgaben, und die meisten KI-Teams verfügen nicht über zusätzliche Plattformingenieure.
Anthropics Ansatz zielt genau auf diese Lücke ab. Die Veröffentlichungsmaterialien vom April 2026 versprechen „10-mal schnellere Produktion“. Das ist eine Marketingaussage, keine Messung, weist aber auf das richtige Problem hin. Presseberichte (VentureBeat – es handelt sich also nicht um eine von Anthropic offiziell genannte Zahl) geben das jährliche wiederkehrende Einkommen des Unternehmens mit über 30 Milliarden Dollar an, wovon etwa 80 Prozent aus dem Unternehmenssektor stammen. Das Produkt Managed Agents löst das Problem, an dem dieses Einkommen stecken blieb.
Vier frühe Kunden haben die Lösung bereits in Betrieb genommen. Notion integriert Engineering- und Wissensarbeiter-Agenten in seine Arbeitsumgebung. Rakuten setzt Agenten im Produktmanagement, Vertrieb, Marketing und Finanzen ein. Sentry stellt den PR-Bot bereit. Asana nutzte ihn, um die Arbeit an AI Teammates zu beschleunigen.
Kurzüberblick über die drei Plattformen
Sie unterscheiden sich darin, wie viel der Anbieter übernimmt und wie viel Sie selbst tun müssen. Anthropics Lösung ist die neueste, weshalb sie unten am ausführlichsten behandelt wird. LangGraph und Google ADK sind bereits seit längerer Zeit auf dem Markt.
Anthropic Managed Agents
Am 10. April 2026 veröffentlicht, ist es das erste vollständig verwaltete Agentenprodukt eines Modellanbieters. Anthropic kümmert sich um den Ausführungskontainer, die Speicherung der Sitzungshistorie, das Zertifikatsverwaltungssystem, die Wiederholungslogik für fehlgeschlagene Toolaufrufe sowie das Tracking. Sie müssen lediglich zwei Dinge festlegen: die Beschreibung der Aufgabe und die Liste der Tools.
Ein einzelner Ablauf verläuft wie folgt: Sie senden eine POST-Anfrage mit dem Inhalt „Starte einen Agenten mit diesen Werkzeugen für diese Aufgabe.“ Anthropic startet anschließend einen neuen, vorübergehenden Linux-Container – er wird zu Beginn erstellt und am Ende wieder zerstört, sodass die Sitzungen niemals einen gemeinsamen Dateisystem nutzen. Innerhalb dieses Containers führt Claude die Schleife aus: Er liest die Aufgabe, wählt einen Schritt aus, ruft ein Werkzeug auf, liest das Ergebnis ein und entscheidet erneut. Jedes Ereignis wird in ein Sitzungsprotokoll geschrieben, das Anthropic im Auftrag des Benutzers speichert – es handelt sich dabei um ein nur zum Hinzufügen geeignetes Protokoll. Die Ereignisse werden über HTTP an den Benutzer zurückgesendet, und falls die Verbindung abbricht, setzt der Agent seine Arbeit fort.
Die Preise sind für Infrastruktur ungewöhnlich. Man zahlt die normalen Claude-Token-Preise plus acht Cent pro aktiver Sitzungsstunde. Ein Bot, der rund um die Uhr läuft, kostet vor Abzug der Token etwa 58 Dollar pro Monat an Laufzeitkosten, während ein dreiminütiger Ablauf zur Bearbeitung eines Support-Tickets weniger als einen Cent kostet. Die Abrechnung erfolgt nach der Sitzungszeit und nicht nach der CPU-Zeit.
Der Preis für diese Bequemlichkeit ist die Verknüpfung mit Claude. Die Laufzeitumgebung ist für Claude konzipiert, sodass man kein anderes Modell einsetzen kann, ohne die Logikschicht umzuschreiben. Eine Lösung bietet das open-source Claude Agent SDK – ein Agent-Loop als Bibliothek, die man selbst hostet. Im Gegenzug erhält man eine Laufzeitumgebung, die bereits von vier Unternehmen innerhalb von sechs Wochen nach dem Release in Produktion genommen wurde. LangChain und Google bieten bereits seit etwa achtzehn Monaten Agent-Plattformen an, wodurch die Neuheit hier in einer vollständig verwalteten Laufzeitumgebung durch einen Modellanbieter besteht.
LangGraph mit LangSmith
Dieses Paar stellt die Steuerungsplattform dar – ein Werkzeug, das über Ihrer Infrastruktur liegt und koordiniert, wie der Agent ausgeführt wird. Sie erstellen das Diagramm, einen Ablaufplan der Schritte, die der Agent durchläuft. LangChain bietet Hosting, Protokollierung (eine Aufzeichnung jeder Schritt) sowie einen Trace-Store, die Datenbank, in der diese Aufzeichnungen gespeichert und abgerufen werden können. Die Graph-Bibliothek ist unter der MIT-Lizenz verfügbar, sodass Sie sie frei kopieren, modifizieren oder selbst hosten können – was echte Portabilität ermöglicht. Die Bindung an LangChain besteht im Trace-Store, da Protokolle nur innerhalb von LangSmith vollständig suchbar sind.
Google ADK mit Vertex AI Agent Engine
Dies setzt voraus, dass Sie bereits in Google Cloud arbeiten. Sie schreiben Agenten in Python (Java und TypeScript werden bis 2026 verfügbar) und deployen sie in den Agent Engine, Googles verwalteter Laufzeitumgebung auf Cloud Run oder Kubernetes. Der Agent erbt Ihre Cloud-Sicherheitskonfiguration: Regeln für das Netzwerkperimeter, Verschlüsselungsschlüsselpolitik sowie IAM-Einstellungen. Wenn Ihre Konformitätsdokumentation bereits auf Google Cloud basiert, ist ADK der schnellste Weg vom Prototypen zu einer Lösung, die Ihr Sicherheitsteam freigibt.
Was Anthropic Managed Agents bietet
Sie beschreiben die Aufgabe und Anthropic führt sie aus. Der Code zeigt, wie wenig Sie selbst schreiben müssen:
import os
import httpx
from anthropic import Anthropic, APIStatusError
# API surface is beta (managed-agents-2026-04-01); confirm against
# platform.claude.com/docs before shipping.
client = Anthropic(
api_key=os.environ["ANTHROPIC_API_KEY"],
default_headers={"anthropic-beta": "managed-agents-2026-04-01"},
)
# The Managed Agents surface uses two REST endpoints against the beta:
# POST /v1/managed-agents/sessions -> create a session
# POST /v1/managed-agents/sessions/{id}/runs -> start a run on that session
# Use httpx directly until the typed namespace stabilizes in the SDK.
BASE = "https://api.anthropic.com/v1/managed-agents"
session = client.post(
f"{BASE}/sessions",
json={
"model": "claude-opus-4-7",
"tools": ["bash", "code_execution", "web_fetch", "memory"],
"sandbox": {"network": "egress_allowlist", "timeout_hours": 24},
"system": (
"You are a research summarizer. Fetch the top three papers "
"on retrieval-augmented generation from arXiv this week, "
"run eval code, and write a one-page brief."
),
},
).json()
run = client.post(
f"{BASE}/sessions/{session['id']}/runs",
json={"input": "Start the weekly research brief."},
).json()
# Stream run events; wrap to survive transient disconnects.
try:
with client.stream("GET", f"{BASE}/runs/{run['id']}/events") as events:
for event in events.iter_lines():
print(event)
except (httpx.RemoteProtocolError, APIStatusError) as e:
# Persist run['id'] and reattach with GET /runs/{id}/events; the
# session log survives disconnects so the agent is not lost.
raise
Das ist ein Produktionsagent in ein paar Dutzend Zeilen. Es gibt kein Kubernetes-Manifest, kein zu wartendes Sandbox-Bild und keine Checkpointer-Einrichtung. Der Beta-Header managed-agents-2026-04-01 registriert Sie bei dem, was Anthropics Ingenieure als Meta-Harness beschreiben – ein System, das aus drei separaten Komponenten besteht.
Die Session ist das nur zum Hinzufügen geeignete Logfile. Toolaufrufe, Agentenmeldungen sowie Beobachtungen werden dort gespeichert – ein dauerhafter Datensatz, den man von Anfang bis Ende abspielen kann. Der Harness setzt sich aus Claude sowie den Tool-Interfaces zusammen; dabei wird aus der Session gelesen, die nächste Aktion ausgewählt, das Tool aufgerufen und das Ergebnis wieder zurückgeschrieben. Die Sandbox ist ein vorübergehender Linux-Container, der für jede Aufgabe erstellt und am Ende wieder gelöscht wird. Git-Zugangsdaten sowie MCP-OAuth-Tokens werden in Safes aufbewahrt, die außerhalb der Sandbox liegen, sodass der Agent darauf verweisen kann, ohne sie jemals speichern zu müssen.
Sitzungspersistenz ist eine Funktion, die oft unterschätzt wird. Eine mehrstündige Forschungsaufgabe startet nicht neu, wenn der Client sich trennt. Die Sitzung bleibt bestehen, die Verbindung wird wieder hergestellt und der Agent setzt seine Arbeit fort. Jeder, der schon einmal eine langwierige Agentenaufgabe bei instabilem WLAN überwacht hat, wird das zu schätzen wissen.
Was die Kosten angeht, ist die monatliche Gebühr von 58 Dollar für einen 24/7-Agenten weniger belastend, wenn man die Alternative in Form von sechs Wochen an maßgeschneiderten Sandbox-Arbeiten betrachtet. Was die Belege angeht: Notion stellt Ingenieur-Agenten neben Wissensarbeiter-Agenten bereit, Rakuten vernetzt Agenten mit Slack und Teams in verschiedenen Abteilungen und erhält dabei Tabellenkalkulationen, Präsentationen sowie Anwendungen zurück, Sentrys Agent schreibt die Korrektur und öffnet den Pull Request, und Asana creditiert die Plattform dafür, das Team freizumachen, sich stattdessen mit der Mehrspieler-UX statt mit laufenden Systemanpassungen zu beschäftigen.
Die Bindung ist real: Man kann Gemini oder GPT nicht in einem Schritt austauschen, ohne das System zu verlassen. Der Ausweg ist das Claude Agent SDK, und dieses SDK kann auf AWS Bedrock, Google Vertex AI oder Azure AI Foundry laufen. Wenn Ihre Logik von Anfang an für SDK-Schnittstellen entwickelt wird, ist ein Wechsel zum anderen Managed-Runtime lediglich eine Bereitstellungsänderung und keine Neuimplementierung.
Was LangGraph liefert
LangGraph stellt Ihnen die Komponenten zur Verfügung, und Sie setzen sie selbst zusammen.
import os
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.postgres import PostgresSaver
from typing import TypedDict
class State(TypedDict):
query: str
sources: list
draft: str
approved: bool
def fetch_sources(state: State) -> State:
# implement with your retrieval and LLM layer
return {"sources": retrieve(state["query"])}
def draft_answer(state: State) -> State:
# implement with your retrieval and LLM layer
return {"draft": synthesize(state["sources"])}
def human_review(state: State) -> State:
# interrupt; resumes when approval is posted
return state
graph = StateGraph(State)
graph.add_node("fetch", fetch_sources)
graph.add_node("draft", draft_answer)
graph.add_node("review", human_review)
graph.add_edge(START, "fetch")
graph.add_edge("fetch", "draft")
graph.add_edge("draft", "review")
graph.add_conditional_edges(
"review",
lambda s: "done" if s["approved"] else "draft",
{"done": END, "draft": "draft"},
)
# Never hardcode DSN - pull from env and configure a connection pool in prod.
DSN = os.environ["POSTGRES_DSN"]
app = graph.compile(checkpointer=PostgresSaver.from_conn_string(DSN))
Betrachten Sie LangGraph als einen Zustandsmaschinen-Editor für das Verhalten von Agenten. Der Graph definiert den nächsten Schritt sowie die übertragenen Daten. Jeder Knoten ist eine einfache Funktion, jede Kante wird explizit deklariert, und jeder Zweig kann überprüft werden.
Im Oktober 2025 änderte LangChain den Namen der LangGraph Platform in LangSmith Deployment. LangSmith bedient derzeit über 300 Unternehmenskunden und hat bereits mehr als 15 Milliarden Spuren sowie 100 Billionen Token verarbeitet. Diese Menge stellt einen Wettbewerbsvorteil dar, da die operative Bindung in der Überwachbarkeit liegt und nicht in der MIT-Graphenbibliothek.
Die Kunden fordern mehr Kontrolle. Klarnas Assistent, der auf LangGraph und LangSmith basiert, bedient 85 Millionen aktive Nutzer und verkürzt die Lösungszeit um 80 %. Ubers Entwicklerplattform-Team entwickelte Validator zur Erkennung von Verstößen sowie AutoCover zur Erstellung von Tests, die 5.000 Entwickler unterstützen und angeblich 21.000 Entwicklerstunden einsparen. Replits Programmieragent führt mehrere Agentenworkflows mit menschlicher Freigabe für Paketinstallationen und Dateierstellung durch, und LangChain musste die Erfassung von Spuren erweitern, um Spuren mit Hunderten von Schritten verarbeiten zu können. LinkedIn (ein KI-Rekrutierungsprogramm) und AppFolio (ein Copilot für Immobilienverwalter, der angeblich die Entscheidungsgenauigkeit verdoppelt) finden sich im Fallstudien-Index von LangChain, doch prüfen Sie vorab die aktuellen Kundenseiten, bevor Sie sie als abgeschlossen betrachten.
Ein Muster zeigt sich: Sobald ein Workflow mehr als drei Zweige oder eine menschliche Freigabestufe aufweist, wählen Teams LangGraph, denn höherwertige Abstraktionen verbergen Schleifen, Zweige, Kontrollpunkte sowie die Persistenz, die komplexe Agenten benötigen.
Die Kosten unterscheiden sich von denen der verwalteten Laufzeiten. Es gibt eine kostenlose Entwicklerstufe mit begrenzten Mengen, wobei sich die genauen Schwellwerte ändern können – daher sollten Sie die Preisseite von LangChain prüfen. Unabhängig davon, wo es ausgeführt wird (SaaS, hybrid oder selbst gehostet), tragen Sie die Infrastrukturkosten. Die Handhabung von Zugangsdaten in der SaaS-Stufe kann sich von dem Standard bei selbst gehosteten Lösungen unterscheiden, weshalb Sie dies in den Unternehmensdokumenten für Ihren Einsatzfall überprüfen sollten. LangChain selbst formuliert es unverblümt: Höherwertige Abstraktionen ermöglichen ein schnelles Starten, während niedrigere Ebenen Flexibilität bei unterschiedlichen Produktionsanfragen bieten; die Lernkurve ist steiler, doch Teams wechseln nicht ab. Replit und Uber sind Belege dafür.
Was Google ADK liefert
ADK umfasst festgelegte Workflow-Primitiven sowie integrierte Konformitätsfunktionen. Sie schreiben Agenten in Code, deployen sie im Vertex AI Agent Engine und wahren so Ihre Sicherheitsstandards.
from google.adk.agents import LlmAgent, SequentialAgent, ParallelAgent
from google.adk.tools import built_in_tools, VertexAISearchTool
search_agent = LlmAgent(
name="research",
model="gemini-2.5-pro",
instruction="Retrieve the top 3 papers on RAG from the last 7 days.",
# replace with your Vertex AI Search datastore resource path
tools=[VertexAISearchTool(datastore="projects/.../ragDatastore")],
)
analyze_agent = LlmAgent(
name="analyze",
model="gemini-2.5-pro",
instruction="Summarize findings and extract evaluation methodologies.",
)
# Mandatory: prevent thinking-loop cost bombs before you deploy.
# - In code, cap iterative work by wrapping retry-heavy steps in a
# LoopAgent with a small max_iterations.
# - In Cloud Console: Billing > Budgets & Alerts > set a project-level
# budget alert (e.g., $10/day) with notification channel configured.
pipeline = SequentialAgent(
name="weekly_brief",
sub_agents=[search_agent, analyze_agent],
)
# Deploy to Vertex AI Agent Engine with inherited VPC-SC + CMEK.
# Set billing budget alerts in Cloud Console before deploying to prod.
from vertexai import agent_engines
remote = agent_engines.create(
agent_engine=pipeline,
requirements=["google-adk", "google-cloud-aiplatform"],
display_name="weekly-research-brief",
)
Die Primitiven erzählen die Geschichte. SequentialAgent führt die Schritte nacheinander aus, ParallelAgent führt sie gleichzeitig aus und LoopAgent wiederholt einen Schritt, bis eine Bedingung erfüllt ist. Die zugrunde liegende Graphenprimitivität ermöglicht beliebige Formen, sodass von Anfang an vier Architekturen verfügbar sind. Die Python-Version liegt bei 1.0.0 und ist für die Produktion bereit, Java befindet sich bei 0.1.0, und eine TypeScript-Version soll bis 2026 veröffentlicht werden.
Der Keil ist nicht das Framework. Es handelt sich dabei um das, was Agent Engine bei der Bereitstellung bereitstellt. VPC Service Controls, die Netzwerkgrenze von Google, entscheiden darüber, wer auf was zugreifen kann. Customer-Managed Encryption Keys ermöglichen es Ihnen – und nicht Google –, die Verschlüsselung von Daten zu steuern. Die IAM-Agentenidentität macht den Agenten zu einem Sicherheitsprinzipal mit eigenen Richtlinienbindungen. Audit-Spuren stammen von Cloud Trace und Cloud Logging. ADK enthält außerdem mehr als 100 vorgefertigte Anschlüsse (u. a. AlloyDB, BigQuery, NetApp) und nutzt Googles Agent-zu-Agent-Protokoll für die Interoperabilität.
In Ruhezustand ist es günstig. Agent Engine berechnet 0,00994 US-Dollar pro vCPU-Stunde und 0,0105 US-Dollar pro GiB-Stunde; Tokens sowie Tool-Aufrufe werden separat abgerechnet, und es gibt eine kostenlose Stufe. Ein von Dritten durchgeführter Benchmark ergab, dass ADK mit Gemini beim Kaltstart etwas schneller ist als LangChain mit Gemini. Das ist im besten Fall ein indirekter Hinweis, weshalb Sie Ihre eigene Arbeitslast messen sollten, bevor Sie sie in einem Meeting vorstellen.
Warum das Erben von VPC-SC wichtig ist
ADK verfügt bisher noch nicht über einen bekannten Fallstudienbeispiel in der Größenordnung von Klarna oder Uber – es handelt sich dabei um einen neuen Anbieter. Googles GEAR-Programm bietet 35 monatliche Lernpunkte sowie einen Zertifizierungsweg, um die Unternehmensschulungen zu ADK zu subventionieren, ähnlich wie AWS vor einem Jahrzehnt Well-Architected subventionierte; die Fallstudien werden weiterhin erstellt.
Der Vorteil von ADK liegt heute in den Aspekten der Konformität. Ein regulierter Unternehmensbereich, der bereits VPC-SC-Grenzen, CMEK-Richtlinien sowie definierte IAM-Prinzipien besitzt, erhält einen ADK-Agenten, der all diese Elemente ohne zusätzliche Konfiguration übernimmt – was mehr wert ist als jede Framework-Funktion. Man kauft somit eine Lösung, die perfekt in das bestehende Sicherheitskonzept passt. Bei Teams ohne VPC-SC-Anforderungen schwächt sich der Argumentationsaspekt der Governance ab, und LangGraph oder Managed Agents verkürzen den Weg vermutlich noch weiter.
Die Eigentumsmatrix
Nun, da die drei Plattformen dargestellt sind, folgt der entscheidende Vergleich: Wer ist für jede betriebliche Ebene in der Produktion verantwortlich? Betrachten Sie dies als ein „Wer ist im Bereitschaftsdienst“-Diagramm. Zwei Zeilen sind weitaus wichtiger als alle anderen, und viele Unternehmensteams beurteilen diese beiden bei der Bewertung falsch.
Sandboxing. Wählen Sie LangGraph – dann gehört die Sandbox Ihnen. Sie erstellen das Containerbild, konfigurieren den Netzwerkzugriff nach außen, entscheiden, wo der Dateisystembereich vorübergehend ist, und aktualisieren die CVE-Patches. Anthropic und Google bieten dies standardmäßig an. Wenn Ihr Plattform-Backlog bereits vier Quartale umfasst, kann das Sandboxing als Service ein weiteres Quartal gewinnen.
Credentials. Managed Agents speichern Git-Tokens sowie MCP-OAuth-Tokens in Tresoren außerhalb der Sandbox. Google ADK verwendet die IAM-Agentenidentität, sodass der Agent ein eigenständiges Element mit eigenen Richtlinien ist. LangGraph überlässt die Verwaltung der Credentials Ihrer eigenen Implementierung, obwohl die LangSmith Deployment SaaS-Ebene eine verwaltete Handhabung beinhaltet – Sie sollten die genauen Bedingungen in Ihrem Vertrag überprüfen.
Diese letzte Option hat eine subtile Auswirkungskraft: Wenn der Agent auf Produktionsdatenbanken zugreift und Ihr Muster auf ein gemeinsames Geheimnis beruht, bietet LangGraph Ihnen keine Lösung, die zuverlässig versagt.
Die Laufzeitkosten sind weniger wichtig als die anderen Faktoren. Die Kosten im Zusammenhang mit der Beobachtbarkeit werden im Laufe der Zeit immer wichtiger, denn gerade die Rechnungen für die Spurverfolgung bei LangSmith sind der Grund, warum sich die Gesamtkosten von LangGraph von vorhersehbar auf überraschend ändern.
Wo jede Plattform versagt
Jede Plattform weist ihre eigenen typischen Versagensmuster in der Produktion auf. Die untenstehenden Beispiele stammen aus Dokumentationen der Anbieter oder von Praktikern, die sie eingesetzt haben.
Anthropic: Kompression. Dabei kürzt der Agent die Sitzungshistorie, um sie in den Kontextbereich des Modells zu passen. Der Engineering-Blog von Anthropic erklärt klar, dass die Kompression irreversible Entscheidungen darüber trifft, was beibehalten wird, und weist darauf hin, dass es schwierig ist vorherzusagen, welche Token in zukünftigen Schritten benötigt werden. In der Praxis kann dadurch Kontext verloren gehen, den der Agent später benötigt, wodurch die Ausführung fehlschlägt. Der erste Test in jeder Bewertung ist eine Aufgabe, die Informationen aus den ersten 20 Prozent einer Sitzung nach dem 80-Prozent-Punkt erfordert. Wenn dieser Test stillschweigend fehlschlägt, hat man die Grenzen der Plattform erkannt.
Google ADK: der Denkzyklus. Ein Bericht von Composio beschreibt eine Gebühr in Höhe von 5 Dollar aus einer festgefahrenen Sitzung, in der ein Agent immer wieder eine fehlerhafte Funktion aufrufen, neu versuchen und erneut aufrufen musste, wodurch Minuten an vCPU verbraucht wurden, während die Token anstiegen. Der Bericht des Composio-Entwicklers besagt, dass die Demos hervorragend aussahen, doch die Produktversion bei den meisten Funktionsaufrufen versagte und dadurch Kosten in Höhe von 5 Dollar durch wiederholte Aufrufe entstanden. Composio hat ein wirtschaftliches Interesse an dem Vergleich mit ADK, daher sollte der Bericht als die Schilderung eines einzelnen Praktikers betrachtet werden. Die Abhilfe besteht in den Lektionen: Budgetwarnungen, maximale Sitzungsdauern sowie Ratelimits für Funktionsaufrufe bereits von Anfang an. Die Plattform lässt einen Agenten gerne in Schulden geraten.
LangGraph: die Wand der Mehr-Agenten-Systeme. Laut einer Analyse von Latenode wird es bei mehr als 75 Prozent der Mehr-Agenten-Systeme ab fünf Agenten schwieriger, diese zu verwalten – aufgrund von Wettbewerbsbedingungen, Deadlocks, Zustandskorruptionen und Speichermangel. Betrachten Sie dies als Forschungsergebnis von Analysten und nicht als unabhängige Studie, obwohl es mit den Beschreibungen von Replit und Uber übereinstimmt. Das Problem tritt weder beim ersten noch beim dritten Agenten auf, sondern erst beim sechsten, wenn die Graphenkanten nicht mehr offensichtlich sind, der Zustand der Überprüfungspunkte schwer zu verstehen ist und die von Menschen gesteuerten Überprüfungspunkte mit asynchronen Verzweigungen in Konflikt geraten. Teams, die bei LangGraph erfolgreich sind, halten ihre Graphen unter fünf Knoten oder investieren stark in Überwachungsfunktionen. Die Verlierer versuchen hingegen, einen Schwarm aus zehn Agenten ohne solche Maßnahmen zu betreiben.
Diese Ausfallmuster sind eher architektonischer als operativer Natur, sodass besseres Engineering sie nicht beseitigen kann. Sie wählen die Plattform, deren Ausfälle Sie sich leisten können.
Auswahl am Nachmittag
Drei Fragen klären den Großteil der Situation.
Muss dies in diesem Quartal versandt werden? Wenn ja, ist Managed Agents die Standardlösung, denn für Teams ohne VPC-SC-Anforderungen gibt es nichts anderes, das den Weg vom Prototypen zur Produktion so stark verkürzt. Verringern Sie die Abhängigkeit von Claude, indem Sie jetzt Agent-Logik unter Verwendung der Schnittstellen des Claude Agent SDK entwickeln, sodass Sie später auf selbst gehostete Bedrock- oder Vertex-Lösungen wechseln können.
Besitzt das Design mehr als fünf Branches oder benötigt es an verschiedenen Stellen menschliche Genehmigung? Dann ist LangGraph geeignet, vorausgesetzt, Ihr Team verfügt über ausreichende Kapazitäten auf der Plattform. Klarna, Uber und Replit sind Beispiele dafür – die steilere Lernkurve sichert Ihnen grundlegende Funktionen, die Sie mitten in der Nacht nicht überraschen werden.
Ist Ihre Arbeitslast bereits auf Google Cloud und erfordert VPC Service Controls? Dann ist ADK mit Agent Engine der einfachste Weg. Die Konformität wird kostenlos bereitgestellt, und die Kosten im Ruhezustand sind die niedrigsten von allen drei Optionen. Planen Sie während der Bewertung auch die Kosten für den „thinking-loop“-Effekt ein.
In einer Tabelle zusammengefasst: Für den Versand in diesem Quartal ist Managed Agents am schnellsten, LangGraph erfordert eine Investition in die Plattform und ADK benötigt interne GCP-Expertise. Bei komplexen Architekturen mit mehr als fünf Zweigen oder Genehmigungsprozessen ist Managed Agents eingeschränkt, da seine Struktur fest vorgegeben ist; LangGraph ist die Standardwahl, und ADK deckt den größten Teil der Fälle mit seinen Primitiven ab. Wenn GCP mit VPC-SC zwingend erforderlich ist, erfordert Managed Agents zusätzliche Integrationsarbeiten, bei LangGraph muss man die Perimeterstruktur selbst erstellen, während ADK diese nativ übernimmt. Für mehrere-Modell-Arbeitslasten ist Managed Agents nur für Claude verfügbar (verwenden Sie das Agent SDK für Portabilität), während LangGraph modellunabhängig ist und ADK Gemini als erstklassiges Modell behandelt, wobei andere Modelle über LiteLLM oder OpenAI-kompatible Endpunkte erreichbar sind.
AWS Bedrock AgentCore verdient eine kurze Erwähnung als vierte Option. Er eignet sich für Unternehmen, die alles auf AWS betreiben und unter dem Claude Agent SDK, LangGraph sowie CrewAI eine einzige Rechenschicht wünschen – zu Kosten von 0,0895 Dollar pro vCPU-Stunde und 0,00945 Dollar pro GB-Stunde. Es handelt sich dabei um eine Infrastrukturlösung statt um eine Framework-Entscheidung, weshalb sie aus dem Vergleich ausschließlich bleibt.
Probieren Sie denselben Agent auf allen drei Plattformen aus
Implementieren Sie einen kleinen Agent in jeder Umgebung: ein wöchentlicher Zusammenfassungstext, der drei aktuelle arXiv-Papiere zum Thema retrieval-augmented generation abruft, einen kurzen Bewertungsskript ausführt und eine einzige Seite erstellt. Verfolgen Sie, wie lange es dauert, vom Klon bis zu einem funktionsfähigen Betrieb zu gelangen, wie viel jeder Betrieb kostet und wie schnell Sie herausfinden können, warum ein Betrieb fehlschlug.
Für Managed Agents ist der vorherige Auszug das gesamte Gerüst: eine Sitzung wird erstellt, ein Run wird erstellt und es gibt einen Ereignisstrom mit Fehlerrückgabe bei Trennungen. Setzen Sie ANTHROPIC_API_KEY, führen Sie es einmal aus, zwingen Sie anschließend zu einem Neustart des Clients und überprüfen Sie, ob das Sitzungslog erhalten bleibt, indem Sie über GET /runs/{id}/events erneut verbinden. Mit einer Claude-API-Schlüssel sollte ein erster erfolgreicher Run weniger als eine Stunde dauern.
Mit LangGraph ist das Graphen nur die Hälfte der Arbeit. Die andere Hälfte besteht aus einem Postgres-Checkpointer sowie einer Stelle zur Bereitstellung. Die kleinste Konfiguration sieht wie folgt aus:
# 1. Postgres (any managed or docker-run instance)
export POSTGRES_DSN="postgresql://user:pass@host:5432/langgraph"
# 2. Install and run the compiled graph
pip install "langgraph[postgres]" langsmith
python summarizer_graph.py # runs the StateGraph from above
# 3. Deploy (LangSmith Deployment OR self-hosted)
pip install langgraph-cli
langgraph deploy --config langgraph.json # SaaS tier
# or: docker run ghcr.io/langchain-ai/langgraph-api ...
Bereiten Sie sich auf einen halben Tag vor. Die ersten dreißig Minuten dienen der Konfiguration, und die nächsten drei Stunden werden dafür verwendet, zu entscheiden, wo sich der menschliche Kontrollpunkt befinden soll und wie bei Fehlern des Tools nachgegangen werden muss.
Für ADK ist SequentialAgent die Agentenlogik, während der Laufzeitteil aus gcloud-Authentifizierung sowie dem Bereitstellen eines Agenten-Engines besteht. Minimales Grundgerüst:
# 1. Auth + enable APIs
gcloud auth application-default login
gcloud services enable aiplatform.googleapis.com
# 2. Install and deploy
pip install google-adk google-cloud-aiplatform
python deploy_summarizer.py # runs agent_engines.create(...)
# 3. Governance wiring (inherited, not configured in code)
# - VPC-SC perimeter: Console > Security > VPC Service Controls
# - CMEK: Console > Security > Cryptographic Keys
# - Budget alert: Console > Billing > Budgets & Alerts
Bereiten Sie sich auch hier auf einen halben Tag vor, hauptsächlich für die Einrichtung von IAM und VPC-SC – genau deshalb haben Sie ja ursprünglich ADK gewählt.
Führen Sie jede Lösung eine Woche lang aus. Vergleichen Sie Ihre LangSmith-Abrechnungen, die Gebühren für Claude-Sitzungsstunden sowie die Rechnungen von Vertex AI Agent Engine und lesen Sie alle drei Fehlerberichte. Wählen Sie die Plattform, die der tatsächlichen Ingenieurkapazität Ihres Teams entspricht.
Was man beachten sollte
Agent-Plattformen im Jahr 2026 haben sich von der Frage „Können wir das bauen?“ zur Frage „Welchen Kompromiss müssen wir jahrelang in Kauf nehmen?“ entwickelt. Alle drei hier genannten Lösungen verfügen über echte Kunden, konkrete Zahlen, reale Fehlermuster und tatsächliche Preise – keine ist dabei eindeutig besser. Sie richten sich an unterschiedliche Betriebsumgebungen. Die Entscheidung hängt von einer Selbstbewertung Ihres Plattformteams, der Compliance-Anforderungen sowie des Engagements für ingenieurtechnische Arbeit ab – wählen Sie also entsprechend Ihrem aktuellen Team und nicht nach dem, was Sie sich wünschen würden.
- Managed Agents bringt Sie vom Prototypen in wenigen Tagen – und nicht Monaten – in die Produktion, bindet Sie aber an Claude. Wenn mehrere Modellanbieter berücksichtigt werden müssen, entwickeln Sie Code unter Verwendung des Claude Agent SDK und hosten Sie diesen selbst auf Bedrock, Vertex AI oder Azure AI Foundry.
- Testen Sie zunächst die Komprimierung. Erstellen Sie eine Aufgabe, die nur die ersten 20 % der Sitzung nach dem 80-%-Punkt benötigt, da Anthropics eigener Engineering-Blog dies als den Punkt angibt, an dem Sitzungen stillschweigend fehlschlagen.
- LangGraph eignet sich, wenn Ihre Architektur mehr als fünf Zweige aufweist oder an verschiedenen Stellen menschliche Genehmigung erfordert. Wenn Sie auf einem höheren Framework skalieren, bauen Sie damit das Falsche – wechseln Sie daher vor dem Hindernis durch mehrere Agenten zum Graphenmodell.