MAF 1.0, LangGraph oder CrewAI? Die Wahl eines Agenten-Frameworks im Jahr 2026

Microsoft veröffentlichte das Agent Framework 1.0 (MAF) am 3. April 2026. Es vereint AutoGen und Semantic Kernel in einem Paket für die Produktion und tritt auf einen Markt ein, auf dem bereits LangGraph und CrewAI als etablierte Optionen vorhanden sind. Teams, die früher darüber nachdachten, welches Framework sie wählen sollten, fragen nun, ob sie wechseln sollen. Hier ist ein Vergleich zur Unterstützung dieser Entscheidung, wobei alle Angaben Stand vom 11. April 2026 sind.

Kurze Antwort

Prototypen können in CrewAI erstellt werden. Wählen Sie LangGraph für komplexe, cloud-unabhängige Python-Arbeitsabläufe. Wählen Sie MAF, wenn Sie auf Azure arbeiten, da es sowohl für .NET als auch für Python verfügbar ist. Wenn Sie bereits Code mit LangGraph haben, verbindet das langchain-azure-ai-Paket diesen mit Azure Foundry und erspart Ihnen so eine Neuimplementierung.

Was hat sich seit 2025 geändert

• AutoGen und Semantic Kernel wurden in MAF 1.0 integriert, das am 3. April 2026 allgemein verfügbar wurde.
• LangGraph v1 hat seine Laufzeitumgebung sowie Werkzeuge finalisiert.
• CrewAI basiert auf Flussstrukturen und Checkpointing-Verfahren.
• MCP, A2A und AG-UI sind von optionalen Funktionen zu unverzichtbaren Bestandteilen geworden.

Drei unterschiedliche Denkmuster

Die Frameworks sind sich uneinig darüber, was ein Agent überhaupt ist – und diese Uneinigkeit ist wichtiger als jede Eigenschaftsliste.

LangGraph modelliert einen Workflow als gerichteten Graphen. Knoten sind Funktionen, Kanten sind Entscheidungen, und der Zustand bewegt sich sichtbar durch den Graphen. Man denkt in Code.

# LangGraph: explicit graph control
from langgraph.graph import StateGraph
from langgraph.checkpoint.sqlite import SqliteSaver

graph = StateGraph(State)
graph.add_node("classify", classify_doc)
graph.add_node("extract", extract_data)
graph.add_conditional_edges("classify", route_by_type)
app = graph.compile(checkpointer=SqliteSaver("agent.db"))

CrewAI simuliert ein Team. Jeder Agent hat eine Rolle, ein Ziel und eine Hintergrundgeschichte – alles in Alltagssprache formuliert, sodass man in Organigrammen denkt.

# CrewAI: role-based simplicity
from crewai import Agent, Crew, Process

researcher = Agent(role="Researcher", goal="Find accurate data",
                   llm="gpt-4o")
writer = Agent(role="Writer", goal="Draft clear reports",
               llm="gpt-4o")
crew = Crew(agents=[researcher, writer], tasks=[...],
            process=Process.sequential)

MAF bietet zwei Ansätze unter einem Dach: freie, von LLMs gesteuerte Konversationen, die von AutoGen übernommen wurden, sowie feste Geschäftsworkflows, die von Semantic Kernel stammen. Sie können diese miteinander kombinieren.

# MS Agent Framework: simple agent in Python
import asyncio
from azure.identity import DefaultAzureCredential
from azure.ai.projects import AIProjectClient

async def main():
    client = AIProjectClient(
        endpoint="https://your-project.services.ai.azure.com/api",
        credential=DefaultAzureCredential()
    )
    agent = client.agents.create_agent(
        model="gpt-4.1",
        instructions="You are a concise data analyst."
    )
asyncio.run(main())

Probleme bei der Produktion – einzeln betrachtet

Zustand und Persistenz

Hier entscheidet sich, ob eine Implementierung erfolgreich ist oder nicht. LangGraph ist das einzige der drei Tools, das eine integrierte Wiederholung von Checkpoints auf Schrittenebene bietet. Wenn ein Agent in Schritt 7 von insgesamt 12 versagt, können Sie jeden früheren Zustand betrachten und von Schritt 6 aus neu starten. In regulierten Branchen ist diese Funktion nahezu zwingend erforderlich, wodurch LangGraph in dieser Hinsicht vorn liegt.

MAF verfügt über einen Graphen-Workflow-Engine, der sequenzielle, parallele, Übertragungs- sowie Gruppen-Chat-Muster abdeckt, sowie über Durable Functions für langlaufende Zustände. In seiner README wird zwar von Zeitreisen in den Graphen-Workflows gesprochen, doch die Wiederholungsfunktionen sind weniger ausgereift als die von LangSmith. Die Integration mit Durable Tasks ist in Python noch im Beta-Stadium, und sobald sie stabilisiert ist, könnte der Unterschied für Azure-eigene Teams geringer werden. CrewAI benötigt hier externe Tools.

Speicher

Der Speicher ist der größte Unterschiedsfaktor – und zugleich das größte Problem in jedem Framework. MAF ist das einzige Framework mit einer vollständig verwalteten Speicherschicht, die sich für Unternehmen skalieren lässt, arbeitet jedoch nur auf Azure und befindet sich noch in der Vorabversion. Foundrys verwalteter Speicher, der seit Januar 2026 in der öffentlichen Vorabversion verfügbar ist, extrahiert Informationen aus Gesprächen, löst Konflikte zwischen ihnen und stellt in späteren Sitzungen relevante Kontexte zur Verfügung – ohne dass Sie eigene Infrastruktur bereitstellen müssen. Er hat Vorteile, wenn Ihr Unternehmen bereits auf Microsoft Foundry standardisiert hat.

LangGraph kann Agenten des Foundry Agent Service über langchain-azure-ai aufrufen, doch die verwaltete Speicherfunktion ist ein MAF-Feature und überbrückt diese Lücke nicht vollständig. LangGraph bietet zwar eine zuverlässige Ausführung sowie persistierte Zustände durch Checkpoints, umhüllt diese jedoch nicht in eine fertig konfigurierte Abstraktion für verwalteten Speicher. Für selbst gehostete Umgebungen bietet CrewAI die umfassendste Speichermöglichkeit aus der Box.

Debugging und Überwachbarkeit

Stellen Sie sich vor, ein Agent trifft um 3 Uhr morgens eine falsche Entscheidung. Was kann der diensthabende Ingenieur sehen? LangGraph in Kombination mit LangSmith liefert die beste Lösung: Die Visualisierung von Abläufen zusammen mit der Wiedergabe von Checkpoints stellt derzeit die effektivste Debugging-Methode für Agenten dar. MAF-Spuren werden nativ in Application Insights sowie im neuen Foundry Agents-Dashboard integriert, welches für die Produktion bereit ist, aber keine Wiedergabefunktion bietet. CrewAI hingegen setzt auf Tools von Drittanbietern.

Ein praktischer Hinweis: Installieren Sie langchain-azure-ai[opentelemetry], damit LangGraph-Spuren ebenfalls bei Azure Application Insights ankommen. So haben Sie während der Entwicklung LangSmith und in der Produktion Azure Monitor zur Verfügung.

MCP und A2A

Diese Protokolle bestimmen, wie Agenten auf Tools sowie untereinander zugreifen. Hier hat MAF die Nase vorn. Die Tools-Taste im Foundry-Portal bringt MCP-Server, A2A-Endpunkte, Fabric, SharePoint, Azure AI Search sowie über 1.400 Logic Apps-Connector an einem Ort zusammen – keine andere Lösung bietet eine solche Breite bei der Unternehmensintegration. CrewAI bietet eine solide Unterstützung für native Protokolle. LangGraph erfordert hingegen mehr manuelle Konfigurationen.

Python auf Azure: zwei echte Optionen

Viele Vergleiche betrachten Azure als eine rein .NET-basierte Plattform. Das stimmt nicht. Python-Teams haben zwei gute Wege zur Verfügung.

Option eins: MAF für Python

MAF 1.0 wurde am 3. April 2026 für Python allgemein verfügbar gemacht, am selben Tag wie für .NET. Es handelt sich dabei nicht um eine Vorabversion.

# MAF Python: working agent in a few lines
import asyncio
from agent_framework import Agent
from agent_framework.openai import OpenAIChatClient

async def main():
    agent = Agent(
        client=OpenAIChatClient(),
        instructions="You are a helpful data analyst.",
        tools=[get_weather, get_menu_specials]
    )
    response = await agent.run("What's the weather in Amsterdam?")
asyncio.run(main())

Es bietet mehrere Vorteile, die LangGraph nicht bieten kann:

• Foundry-geführter Speicher, der Daten extrahiert, konsolidiert und über Sessions hinweg abruft
• Agent 365 für zentrale Verwaltung und direkte Bereitstellung in Microsoft 365 (allgemein ab dem 1. Mai verfügbar)
• The Voice Live API für native Echtzeit-Sprach-zu-Sprach-Agenten
• Foundry IQ, das dynamisches RAG über eine einzige Grounding-API anbietet
• Foundry Control Plane, das Identität, Richtlinien und Überwachung zusammen abdeckt

Der Preis ist die Hürde für Frühnutzer. Zu Zeit der Erstellung war Python GA erst acht Tage alt. Mehrere Integrationen, nämlich A2A, AG-UI, Azure Functions, Cosmos DB und Mem0, sind noch in der Beta-Phase und erfordern das --pre-Flag. Community-Materialien wie Tutorials und Stack Overflow-Antworten sind im Vergleich zu LangGraphs begrenzt, und die Beta-Pakete werden in den kommenden Monaten wahrscheinlich Probleme verursachen.

Option zwei: LangGraph plus langchain-azure-ai

Microsoft selbst betreut langchain-azure-ai (v1.2.1, veröffentlicht am 26. März 2026) und empfiehlt es als Methode, um LangChain und LangGraph auf Azure auszuführen. Es handelt sich dabei nicht um eine Lösung aus der Community.

# LangGraph + Azure Foundry via the bridge
from langchain_azure_ai.chat_models import AzureAIOpenAIApiChatModel
from azure.identity import DefaultAzureCredential

model = AzureAIOpenAIApiChatModel(
    project_endpoint="https://myproject.services.ai.azure.com/api",
    credential=DefaultAzureCredential(),
    model="gpt-5.2"
)

Man erhält LangGraphs bewährte Fehlersuche in Kombination mit den Modellen und Diensten von Azure. Was man aufgibt, sind alle exklusiven Funktionen von MAF: von der von Foundry verwalteten Speicherlösung über Voice Live und Agent 365 Governance bis hin zu Foundry IQ. Die Brücke verbindet die Infrastruktur von Azure, nicht jedoch dessen agentenspezifischen Funktionen.

Wahl zwischen den beiden

Für ein neues Azure-Projekt, das eine tiefe Integration, verwalteten Speicher, Governance sowie Sprachfunktionen schätzt, sollte man MAF Python wählen und in Kauf nehmen, als Erster damit zu arbeiten. Wenn man vor allem auf erprobte Zuverlässigkeit, Fehlersuche mittels Checkpoints oder Portabilität Wert legt, sollte man LangGraph zusammen mit der Brücke nutzen. Beide sind solide Produktionswege – keiner davon ist ein Fehler.

Kosten für den Betrieb

Sämtliche drei Frameworks sind unter der MIT-Lizenz open source, doch die Gesamtkosten steigen schnell auseinander. Die unten angegebenen groben Schätzungen hängen von Preisen im Bereich GPT, einer durchschnittlichen Gesprächslänge sowie einer mittleren Anzahl an Tool-Aufrufen ab und beinhalten die Hosting-Kosten, nicht jedoch die Entwicklungszeit. Betrachten Sie sie als grobe Richtwerte, nicht als verbindliche Zusagen.

CrewAI ist der günstigste Weg, um anzufangen. LangGraph bietet das beste Verhältnis aus Preis und Flexibilität. MAFs verwaltete Dienste können Monate an Entwicklungsarbeit einsparen, binden Sie aber auch stärker an Microsoft.

Eine Entscheidungshilfe mit drei Fragen

1. Verwenden Sie Azure? Mit .NET ist MAF die klare Wahl. Bei Python haben Sie die beiden oben genannten Optionen: MAF für eine tiefere Integration oder LangGraph in Kombination mit einem Brückensystem für Debugging und Portabilität. Wenn Sie nicht auf Azure sind, gehen Sie weiter.
2. Brauchen Sie komplexe Verzweigungen, Schleifen oder Debugging auf Basis von Checkpoints? Dann LangGraph – dessen Graphenmodell und Zeitreisefunktionen keinen echten Konkurrenten haben.
3. Brauchen Sie noch diese Woche ein funktionsfähiges Multi-Agenten-Prototyp? Dann CrewAI, mit dem man in etwa 20 Zeilen eine funktionierende Crew erstellen kann. Andernfalls ist LangGraph die cloud-unabhängige Standardlösung: mehr Arbeit jetzt, weniger Bedauern bei Skalierung.

Wie Unternehmensprojekte normalerweise ablaufen

Ein gängiger Weg besteht darin, in den ersten zwei Wochen mit CrewAI ein Prototyp zu erstellen, um den Anwendungsfall zu beweisen, in den Monaten eins bis drei in MAF oder LangGraph umzubauen und anschließend auf verwalteter Infrastruktur zu skalieren – sei es der Foundry Agent Service, LangGraph Cloud oder beides.

Azure-Projekte neigen dazu, sich in zwei Lager aufzuteilen. Teams, die von vorne anfangen, bevorzugen MAF Python, da verwaltete Speicherlösungen, Agent 365 sowie das Foundry Control Plane anderswo nur schwer nachgebildet werden können. Teams mit bereits vorhandenem LangGraph-Code nutzen langchain-azure-ai, um ohne Neuimplementierung auf Azure zuzugreifen – dies dient als Migrationsbrücke und nicht als Empfehlung für komplett neue Projekte. Bei .NET-Projekten gewinnt eindeutig MAF 1.0, und außerhalb von Azure bleibt LangGraph die Standardlösung.

Was entscheidet darüber, ob das Projekt veröffentlicht wird

Nach drei Jahren der Einsatz von Agenten erklärt das Framework wohl nur etwa 20 Prozent des Endergebnisses. Die verbleibenden 80 Prozent hängen von fünf Faktoren ab, die kein SDK für einen automatisch abwickelt.

Die Gestaltung des Workflows ist wichtiger als die Architektur. Wenn eine Person die Entscheidungslogik nicht klar erklären kann, wird ein Agent sie auch nicht entwickeln – daher sollte der menschliche Prozess von Anfang bis Ende dargestellt werden, bevor Code für Agenten geschrieben wird.

Die Datenqualität bleibt weiterhin das Engpassproblem. Die Agenten verstärken alles, was man ihnen gibt, daher sollten die Eingaben zunächst bereinigt werden.

Die Formulierung der Anweisungen unterscheidet das Gute vom Schlechten. Elegante LangGraph-Systeme versagen bei vagen Anweisungen, während einfache CrewAI-Prototypen erfolgreich sind, weil jemand zwei Tage damit verbracht hat, die Anweisungen zu verfeinern. Die meisten Teams investieren hier bei weitem zu wenig.

Menschliche Überprüfung ist eine Designentscheidung, keine Option. Entscheiden Sie im Voraus, welches Vertrauensniveau eine Überprüfung auslöst und welche Aktionen eine ausdrückliche Genehmigung erfordern.

Change Management ist der schwierigste Teil. Niemand budgetiert dafür, und es führt zu mehr gescheiterten Projekten als eine schlechte Technologiewahl jemals könnte.

Wie weit sich Ihre Implementierung skalieren lässt, hängt viel stärker von diesen Grundlagen ab als vom SDK, das Sie importieren. Wählen Sie das Framework, das zu den Fähigkeiten Ihres Teams sowie zur Technologiebasis Ihrer Organisation passt, und investieren Sie anschließend erhebliche Anstrengungen in alles, was das Framework nicht für Sie übernehmen kann.