Porównanie zarządzanych agentów: Anthropic, LangGraph i Google ADK
Kto zarządza środowiskiem testowym, danymi uwierzytelniającymi oraz śladami działania? Porównanie Anthropic Managed Agents, LangGraph i Google ADK pod kątem cen, możliwych awarii oraz szybkiego przewodnika decyzyjnego.
Źródła: Anthropic Managed Agents vs LangGraph vs Google ADK: Pick One
Zdjęcie z godziny 3 nad ranem. Do Sentry trafia błąd. Bot analizuje awarię, wykrywa przyczynę w postaci warunku konkurencji w kodzie płatności, pisze poprawkę i otwiera prośbę o włączenie zmian. Gdy inżynier dyżurny otwiera Slack o 7 rano, znajduje tam już prośbę o włączenie zmian czekającą na przejrzenie. Nikt nie napisał różnic w kodzie ani nie złożył zgłoszenia.
Ten bot to zarządzany agent. Kiedyś jego stworzenie wymagało sześciu inżynierów i ćwierci czasu pracy: specjalnego środowiska testowego, magazynu stanów, logiki ponawiania prób, skarbca haseł oraz systemu rejestracji zdarzeń. Sentry stworzyło swój agent przy użyciu jednej drużyny w ciągu sześciu tygodni, a różnica nie leży w bardziej zaawansowanym modelu – to ktoś inny teraz zajmuje się jego działaniem. Agent bierze analizę przyczyn źródłowych z Seer, sztucznej inteligencji diagnostycznej Sentry, i przekształca ją w prośbę o włączenie poprawki. 10 kwietnia 2026 roku Anthropic uznało je za pierwszego klienta korzystającego z tego rozwiązania.
Obecnie trzy firmy sprzedają to w skali przemysłowej: Anthropic, LangChain i Google. Ich podejścia różnią się pod względem tego, jak rozkładają się obowiązki pomiędzy użytkownikiem a nimi. Poniżej omówiono, co się zmieniło, co dostarcza każda z tych firm, gdzie każda z nich ma tendencję do zawodzenia oraz jak dokonać wyboru. Prawdziwe pytanie nie brzmi, który framework jest najlepszy, lecz który obszar operacyjny chce kontrolować wasz zespół.
Co oznacza „zarządzany agent”
Zacznijmy od słowa „agent”. To oprogramowanie, które przyjmuje zadanie, wybiera działania, wywołuje narzędzia, sprawdza postępy i powtarza proces. Bot do rozmów nie jest czymś takim.
"Zarządzane" oznacza, że dostawca obsługuje infrastrukturę: bezpieczny kontener, stan sesji, dane uwierzytelniające oraz próby ponowne po awarii sieci. Ty dostarczasz zdefiniowane zadania i narzędzia. Agenty zarządzane są analogiczne do ręcznie napisanego kodu agenta, tak jak bazy danych zarządzane są podobne do samodzielnie hostowanych systemów Postgres. Ty zachowujesz schemat i zapytania, natomiast dostawca zajmuje się sprzętem, kopiami zapasowymi, przechodzeniem na alternatywny system oraz monitorowaniem.
Oto jak to działa. Wysyłasz zlecenie, na przykład „streszcz te trzy artykuły w jednostronicowym raporcie”. Dostawca uruchamia zabezpieczony kontener Linuxa, a agent zaczyna w nim pracować, wywołując narzędzia i tworząc pliki, podczas gdy wyniki są przekazywane do ciebie. Zamknij laptopa – praca będzie kontynuowana. Stracisz połączenie – nadal będzie działać. Po ponownym połączeniu godzinę później możesz kontynuować od miejsca, w którym przerwałeś. Każda akcja jest zapisywana w trwałym logu sesji, podobnie jak historia komitetów lub księga rachunkowa, a ten log stanowi źródło prawdy.
To jest główna zmiana. Agent nie znajduje się już w twoim procesie. Jest to pracownik po stronie serwera, który przetrwa rozłączenia, restarty i wyłączone laptopy, a nie musisz pisać kodu, aby uzyskać takie zachowanie. W tym modelu jeszcze nie ma kodu. Ty określasz zadanie, dostawca obsługuje pracownika, a wynik przetrwa twoje połączenie.
Dlaczego to jest teraz ważne
Większość rozwiązań typu enterprise zawodzi już na etapie demonstracji. Notatnik działa, wideo wygląda doskonale, a potem środowisko produkcyjne żąda funkcji, których nikt nie chce budować. Potrzebny jest sandbox, aby agent nie mógł wpłynąć na hosta, sejf chroniący przed wyciekiem tokenów, mechanizm utrzymywania stanu, by ponowna implementacja nie przerwała bieżącego procesu, powtórzenia prób dla wywołań narzędzi z czasem wygaśnięciem, możliwość obserwacji, by osoba na dyżurze mogła dowiedzieć się, co się stało o 2 w nocy, oraz alerty budżetowe, by zablokowany cykl nie kosztował 500 dolarów, zanim ktoś to zauważy.
Żadna z tych rzeczy nie dotyczy pracy z modelem. To wszystko jest związane z platformą, a większość zespołów AI nie ma wolnych inżynierów platformy.
Propozycja Anthropic ma na celu wypełnienie tej luki. Materiały promocyjne z kwietnia 2026 roku obiecują „10 razy szybszą produkcję”. To twierdzenie marketingowe, a nie pomiar, ale wskazuje na właściwy problem. Doniesienia prasowe (VentureBeat – więc nie jest to liczba ujawniona przez Anthropic) wskazują, że roczne przychody firmy przekroczyły 30 miliardów dolarów, przy czym około 80% pochodzi z sektora korporacyjnego. Produkt Managed Agents rozwiązuje problemy związane z zatrzymywaniem się tych przychodów.
Czterej wczesni klienci już korzystają z tej usługi. Notion integruje agenty do pracy inżynierskiej i pracowników działów merytorycznych w swoim środowisku pracy. Rakuten wykorzystuje agenty w obszarach produktów, sprzedaży, marketingu i finansów. Sentry dostarcza bota do zarządzania relacjami z mediami. Asana używa go, aby przyspieszyć prace nad funkcjami AI Teammates.
Krótka charakterystyka trzech platform
Różnią się tym, w jakim stopniu zajmuje się tym dostawca, a w jakim ty. Rozwiązanie Anthropic jest najnowsze, dlatego poświęcono mu najdłuższą część opisu poniżej. LangGraph i Google ADK istnieją już od jakiegoś czasu.
Anthropic Managed Agents
Został wprowadzony 10 kwietnia 2026 roku i jest pierwszym w pełni zarządzanym produktem typu agent od dostawcy modeli. Anthropic odpowiada za uruchamianie kontenera wykonywania zadań, przechowywanie historii sesji, skarbiec uprawnień, logikę ponawiania prób w przypadku nieudanych wywołań narzędzi oraz śledzenie procesów. Ty musisz napisać tylko dwa elementy: opis zadania oraz listę narzędzi.
Jedna sesja przebiega w następujący sposób. Wysyłasz żądanie POST z treścią „uruchom agenta z tymi narzędziami do wykonywania tego zadania”. Anthropic uruchamia nowy kontener Linux, który jest tymczasowy – tworzony na początku i niszczony na końcu, dzięki czemu sesje nigdy nie dzielą się systemem plików. Wewnątrz uruchamia się pętla: odczytuje zadanie, wybiera krok, wywołuje narzędzie, odczytuje wynik i ponownie podejmuje decyzję. Każde zdarzenie jest zapisywane w dzienniku sesji, który Anthropic przechowuje za ciebie jako rejestr dołączania tylko nowych danych. Zdarzenia są przekazywane z powrotem do ciebie przez HTTP, a jeśli połączenie zostanie przerwane, agent kontynuuje pracę.
Ceny w tym przypadku są nietypowe dla infrastruktury. Płacisz standardową stawkę za tokeny Claude plus stałe 8 centów za każdą aktywną godzinę sesji. Bot działający przez całą dobę kosztuje około 58 dolarów miesięcznie tylko za czas działania, zanim uwzględnimy koszt tokenów, natomiast trzyminutowe uruchomienie w celu obsługi jednego zgłoszenia klienta kosztuje mniej niż cent. Opłaty naliczane są na podstawie czasu trwania sesji, a nie czasu pracy procesora.
Ceną tej wygody jest konieczność używania określonego rozwiązania. System został stworzony specjalnie dla Claude, więc nie można w nim użyć innego modelu bez przepisania warstwy rozumowania. Rozwiązaniem jest otwarte oprogramowanie Claude Agent SDK – to ta sama struktura agenta dostępna jako biblioteka, którą można uruchomić samodzielnie. W zamian otrzymujesz system, który cztery firmy wdrożyły w produkcję już w ciągu sześciu tygodni od premiery. LangChain i Google oferują platformy agentów od około osiemnastu miesięcy, więc nowością tutaj jest w pełni zarządzany system od dostawcy modeli.
LangGraph z LangSmith
To zestaw stanowi płaszczyznę sterowania – narzędzia umieszczone nad infrastrukturą, które koordynują działanie agenta. Tworzysz graf, czyli schemat kroków, których podąża agent. LangChain zapewnia hosting, śledzenie (zapis każdego kroku) oraz magazyn śladów, czyli bazę danych, w której przechowywane są te zapisy i można je wyszukiwać. Biblioteka grafowa jest licencjonowana na zasadach MIT, więc możesz ją swobodnie kopiować, modyfikować lub hostować samodzielnie, co zapewnia prawdziwą przenośność. „Zamknięcie” w systemie występuje w magazynie śladów, ponieważ ślady można w pełni wyszukiwać tylko wewnątrz LangSmith.
Google ADK z Vertex AI Agent Engine
Założenie to zakłada, że już korzystasz z Google Cloud. Tworzysz agenty w Pythonie (Java i TypeScript będą dostępne do 2026 roku) i rozprowadzasz je w Agent Engine – zarządzanym środowisku wykonywania firmy Google na Cloud Run lub Kubernetes. Agent odziedzicza Twoje zasady bezpieczeństwa chmurowego: reguły dotyczące perimetru sieciowego, politykę kluczy szyfrujących oraz konfigurację IAM. Gdy dokumentacja dotycząca zgodności już odnosi się do Google Cloud, ADK to najszybsza droga od prototypu do rozwiązania zatwierdzonego przez zespół bezpieczeństwa.
Co oferuje Anthropic Managed Agents
Opisujesz zadanie, a Anthropic je wykonuje. Kod pokazuje, jak mało musisz pisać:
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
To agent produkcyjny opisany w zaledwie kilkudziesięciu liniach kodu. Nie ma manifestu Kubernetes, żadnego obrazu sandbox do utrzymywania, ani konfiguracji checkpointera. Nagłówek managed-agents-2026-04-01 zapisał użytkownika w tym, co inżynierowie Anthropic określają jako meta-harness, składający się z trzech oddzielnych elementów.
Sesja to rejestr dostępny wyłącznie do dodawania nowych danych. Wywołania narzędzi, wiadomości od agenta oraz obserwacje są tam zapisywane – to trwała informacja, którą można odtworzyć w całości. Meta-harness to Claude w połączeniu z interfejsami narzędzi, pętla, która odczytuje dane z sesji, wybiera następne działanie, wywołuje narzędzie i zapisuje wynik. Sandbox to tymczasowy kontener Linux, tworzony dla każdego zadań i usuwany po jego zakończeniu. Dane logowania do Git oraz tokeny MCP OAuth są przechowywane w sejfach znajdujących się poza sandboxem, dzięki czemu agent może do nich odwoływać się bez konieczności przechowywania ich lokalnie.
Trwałość sesji to funkcja, którą zbyt często lekceważy się. Zadania badawcze trwające kilka godzin nie zaczynają się od nowa, gdy klient się odłączy. Sesja pozostaje nienaruszona, narzędzie ponownie się łączy, a agent kontynuuje pracę. Każdy, kto kiedykolwiek nadzorował długotrwałe zadania agenta przy niestabilnym połączeniu Wi-Fi, doceni to.
Jeśli chodzi o koszty, kwota 58 dolarów miesięcznie za agenta dostępnego 24/7 wydaje się mniej dotkliwa w porównaniu z sześcioma tygodniami pracy nad rozwiązaniem dostosowanym pod konkretne potrzeby. Pod względem dowodów: Notion oferuje agenty inżynieryjne obok agentów pracujących z wiedzą, Rakuten połączył agenty z platformami Slack i Teams w różnych działach, co umożliwiło otrzymywanie arkuszy kalkulacyjnych, slajdów i aplikacji; agent Sentry pisze poprawki i otwiera prośby o integrację, a Asana przyznaje platformie zasługi za umożliwienie zespołowi pracy nad interfejsem wieloosobowym zamiast nad problemami technicznymi w czasie działania oprogramowania.
Związek z danym środowiskiem jest rzeczywisty: nie można w jednym kroku zastąpić Gemini lub GPT bez opuszczenia tego środowiska. Wyjściem jest Claude Agent SDK, który może działać na AWS Bedrock, Google Vertex AI lub Azure AI Foundry. Jeśli od samego początku twoja logika jest napisana z uwzględnieniem interfejsów SDK, opuszczenie zarządzanego środowiska wymaga jedynie zmiany konfiguracji implementacji, a nie przepisywania kodu.
Co dostarcza LangGraph
LangGraph dostarcza elementy, a ty je łączysz.
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))
Traktuj LangGraph jako edytor maszyn stanowych do definiowania zachowań agentów. Graf określa następny krok oraz dane przekazywane dalej. Każdy węzeł to zwykła funkcja, każda krawędź jest deklarowana, a każdy rozgałęzienie może zostać przebadane.
W październiku 2025 roku LangChain przemianował platformę LangGraph na LangSmith Deployment. LangSmith obsługuje obecnie ponad 300 klientów korporacyjnych i przetworzył już ponad 15 miliardów śladów działania oraz 100 bilionów tokenów. To ogromne obciążenie stanowi silną przewagę konkurencyjną, ponieważ efekt blokujący operacyjny wynika z możliwości obserwacji, a nie z biblioteki grafów MIT.
Klienci domagają się większej kontroli. Asystent Klarny, oparty na LangGraph i LangSmith, obsługuje 85 milionów aktywnych użytkowników i skrócił czas rozwiązywania problemów o 80%. Zespół platformy deweloperskiej Ubera stworzył Validator do wykrywania naruszeń oraz AutoCover do generowania testów, obsługując 5 000 inżynierów i, jak donoszono, oszczędzając 21 000 godzin pracy deweloperów. Agent programistyczny Replit uruchamia wieloagentowe procesy z ludzką aprobatą przy instalacji pakietów i tworzeniu plików, a LangChain musiał rozszerzyć mechanizm przechwytywania śladów działania, aby móc obsługiwać ślady składające się z setek kroków. LinkedIn (rekruter wykorzystujący sztuczną inteligencję) oraz AppFolio (kopilot do zarządzania nieruchomościami, który rzekomo podwaja dokładność decyzji) znajdują się w indeksie studiów przypadków LangChain, ale przed uznaniem ich za rozwiązania ostateczne sprawdź aktualną stronę klienta.
Widać pewien wzorzec: gdy proces pracy ma więcej niż trzy gałęzie lub etap zatwierdzenia przez człowieka, zespoły wybierają LangGraph, ponieważ abstrakcje wyższego poziomu ukrywają pętle, gałęzie, punkty kontrolne oraz mechanizmy przechowywania danych, których potrzebują złożone agenty.
Koszty w LangGraph różnią się od tych w zarządzanych środowiskach wykonawczych. Istnieje bezpłatny poziom Developer z ograniczeniami opartymi na pomiarze zużycia, a dokładne progi te się zmieniają, dlatego warto sprawdzić stronę z cenami LangChain. Niezależnie od tego, gdzie aplikacja jest uruchamiana (w modelu SaaS, hybrydowym czy samodzielnie), koszty infrastruktury ponosi użytkownik. Obsługa danych uwierzytelniających w modelu SaaS może różnić się od standardowej w wersji samodzielnie hostowanej, więc należy to sprawdzić w dokumentacji firmowej dostosowanej do danego scenariusza. Sam LangChain jasno określa zalety: abstrakcje wyższego poziomu umożliwiają szybkie rozpoczęcie pracy, natomiast elastyczność na niższym poziomie służy do obsługi różnorodnych zapytań produkcyjnych; krzywa uczenia się jest jednak stroma, więc zespoły rzadko przechodzą na inne rozwiązania. Przykładami mogą być Replit i Uber.
Co dostarcza Google ADK
ADK to z góry określone elementy przepływów pracy wraz z wbudowanymi wymogami zgodności. Tworzysz agenty w formie kodu, wdrażasz je w Vertex AI Agent Engine i utrzymujesz odpowiedni poziom bezpieczeństwa.
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",
)
Proste elementy opowiadają tę historię. SequentialAgent wykonywać kroki po kolei, ParallelAgent realizuje je jednocześnie, a LoopAgent powtarza dany krok, dopóki nie zostanie spełniona określona warunek. Podstawowy element grafu umożliwia reprezentację dowolnych kształtów, dzięki czemu od razu dostępne są cztery architektury. Wersja w Pythonie osiągnęła wersję 1.0.0 i jest gotowa do użycia w produkcji, wersja w Javie to 0.1.0, natomiast wersja w TypeScript ma zostać wydana do 2026 roku.
Klin nie stanowi ramy. To element, który dostarcza Agent Engine podczas wdrażania. VPC Service Controls, czyli perymetr sieciowy Google, decydują o tym, kto może uzyskać dostęp do czego. Klucze szyfrowania zarządzane przez klienta umożliwiają tobie, a nie Google, kontrolę nad szyfrowaniem danych. Tożsamość agenta IAM sprawia, że agent staje się podmiotem bezpieczeństwa z własnymi powiązaniami polityk. Łączniki audytowe pochodzą z Cloud Trace i Cloud Logging. ADK zawiera również ponad 100 gotowych połączników (m.in. AlloyDB, BigQuery, NetApp) oraz obsługuje protokół Agent-to-Agent firmy Google dla zapewnienia interoperacyjności.
W stanie spoczynku jest tani. Agent Engine pobiera opłatę 0,00994 dolara za godzinę vCPU oraz 0,0105 dolara za godzinę GiB; tokeny i wywołania narzędzi są uwzględniane jako odrębne pozycje, a istnieje również poziom bezpłatny. Badanie przeprowadzone przez podmiot trzeci wykazało, że ADK z Gemini uruchamia się nieco szybciej niż LangChain z Gemini. To co najwyżej sygnał kierunkowy, dlatego przed powtórzeniem tego w spotkaniu zmierz własny obciążenie pracy.
Dlaczego ważne jest dziedziczenie VPC-SC
ADK nie ma jeszcze wybitnych studiów przypadku na skalę Klarna czy Ubera – jest to nowszy gracz na rynku. Program GEAR firmy Google, oferujący 35 miesięcznych kredytów na naukę oraz ścieżkę certyfikacji, subwencjonuje szkolenia z ADK dla przedsiębiorstw, podobnie jak AWS subwencjonował program Well-Architected dekadę temu, a studia przypadku są nadal tworzone.
Kluczową zaletą ADK jest obszar zgodności. Spółka podlegająca regulacjom, która już posiada perymetry VPC-SC, zasady CMEK oraz zdefiniowanych podmiotów IAM, otrzymuje agenta ADK, który dziedziczy wszystko to bez dodatkowej konfiguracji, co jest cenniejsze niż jakakolwiek funkcja frameworku. Kupujesz w ten sposób rozwiązanie, które pasuje do Twojego obecnego modelu bezpieczeństwa. Dla zespołów, które nie muszą spełniać wymagań VPC-SC, argumenty związane z zarządzaniem słabną, a LangGraph lub zarządzane agenty prawdopodobnie jeszcze bardziej skracają drogę do wdrożenia.
Matryca odpowiedzialności
Gdy już przedstawiono te trzy platformy, oto istotne porównanie: kto jest odpowiedzialny za każdą operacyjną powierzchnię w środowisku produkcyjnym. Można to interpretować jako tabelę osób na dyżurze. Dwie rzędy są znacznie ważniejsze od pozostałych, a wiele zespołów korporacyjnych błędnie ocenia je podczas ewaluacji.
Sandboxing. Wybierz LangGraph, a sandbox będzie należeć do ciebie. Tworzysz obraz kontenera, konfigurujesz wyjścia sieciowe, decydujesz, gdzie plik systemowy ma być tymczasowy, oraz aktualizujesz poprawki CVE. Anthropic i Google oferują to domyślnie. Jeśli twoja lista zadań na platformie sięga już czterech kwartałów wstecz, sandboxing jako usługa pozwala odzyskać jeden kwartał.
Credentials. Managed Agents przechowuje tokeny Git i tokeny MCP OAuth w skarbcach poza sandboxem. Google ADK wykorzystuje tożsamość agenta IAM, więc agent jest podmiotem z własnymi politykami. LangGraph pozostawia zarządzanie danymi uwierzytelniającymi tobie, chociaż wersja SaaS LangSmith Deployment obejmuje zarządzanie tymi danymi, więc powinieneś potwierdzić szczegóły w swojej umowie.
Ostatni punkt dotyczy ukrytego zasięgu skutków. Jeśli agent ma dostęp do baz danych produkcyjnych, a twój model opiera się na jednym wspólnym sekrecie, LangGraph nie zapewnia żadnej ochrony przed awariami.
Koszt działania ma mniejsze znaczenie niż którykolwiek z tych elementów. Koszt obserwowalności staje się bardzo ważny z upływem czasu, ponieważ to właśnie rachunek za śledzenie w LangSmith sprawia, że całkowity koszt LangGraph przechodzi od przewidywalnego do zaskakującego.
Gdzie każda z nich zawodzi
Każda platforma ma swój charakterystyczny sposób awarii w środowisku produkcyjnym. Poniższe przykłady pochodzą z dokumentacji dostawcy lub od osób, które je testowały.
Anthropic: kompresja. To wtedy agent skraca historię sesji, aby zmieścić się w limicie kontekstu modelu. Blog inżynieryjny Anthropic jasno stwierdza, że kompresja prowadzi do nieodwracalnych decyzji dotyczących tego, co zachować, i zaznacza, że trudno jest przewidzieć, jakie tokeny będą potrzebne w kolejnych krokach. W praktyce może dojść do usunięcia kontekstu, którego agent będzie później potrzebował, co skutkuje niepowodzeniem procesu. Pierwszym testem w każdej ocenie jest zadanie wymagające informacji z pierwszych 20% sesji po osiągnięciu progu 80%. Jeśli test ten przebiegnie bez żadnych objawów, odkryto wtedy ograniczenia platformy.
Google ADK: pętla myślenia. Raport z Composio opisuje opłatę w wysokości 5 dolarów za jedną zablokowaną sesję, podczas której agent ciągle używał niepracującego narzędzia, próbował je ponownie uruchomić i dzwonił dalej, marnując minuty vCPU, podczas gdy liczba tokenów rosła. W opracowaniu inżyniera z Composio stwierdzono, że demonstracje wyglądały doskonale, ale wersja produkcyjna zawodziła przy większości wywołań narzędzi i spowodowała koszty w wysokości 5 dolarów z powodu powtarzających się połączeń. Composio ma komercyjny interes w porównaniu z ADK, więc należy traktować ten tekst jako relację pojedynczego praktyka. Rozwiązaniem jest nauka na błędach: alerty budżetowe, maksymalne czas trwania sesji oraz limity częstotliwości wywołań narzędzi od samego początku. Platforma chętnie pozwoli agentowi popadać w długi.
LangGraph: ściana wielu agentów. Analiza przeprowadzona przez Latenode wskazuje, że ponad 75% systemów wielu agentów staje się trudniejszych do zarządzania po pięciu agentach, co powoduje problemy takie jak warunki wyścigu, patyny, uszkodzenie stanu i wyczerpanie pamięci. Traktuj to jako badania analityczne, a nie niezależną studię, chociaż odpowiada temu, co opisali Replit i Uber. Problemy te nie pojawiają się przy pierwszym czy trzecim agencie – pojawiają się dopiero przy szóstym, gdy krawędzie grafu przestają być oczywiste, stan checkpointerów staje się trudny do zrozumienia, a punkty kontrolne z udziałem człowieka plączą się z gałęziami asynchronicznymi. Zespoły, które odnoszą sukcesy w LangGraph, utrzymują grafy z mniej niż pięcioma węzłami lub inwestują mocno w możliwości obserwacji. Ci, którzy przegrywają, próbują skonstruować zespół dziesięciu agentów bez żadnej z tych rozwiązań.
Ty rodzaje awarii są bardziej związane z architekturą niż z operacjami, więc lepsza inżynieria ich nie usunie. Musisz wybrać platformę, której awarie jesteś w stanie zaakceptować.
Pobieranie po południu
Trzy pytania rozstrzygają większość kwestii.
Czy to musi zostać wysłane w tym kwartale? Jeśli tak, Managed Agents jest rozwiązaniem domyślnym, ponieważ dla zespołów bez wymagań VPC-SC nic innego nie skraca tak bardzo drogi od prototypu do wersji produkcyjnej. Aby złagodzić zależność od Claude, napisz teraz logikę agenta na podstawie interfejsów Claude Agent SDK, aby później móc przenieść się na samodzielnie hostowany Bedrock lub Vertex.
Czy projekt obejmuje ponad pięć gałęzi lub wymaga zatwierdzenia przez człowieka w kilku miejscach? W takim przypadku wybierz LangGraph, o ile zespół ma odpowiednią zdolność przetwarzania. Klarna, Uber i Replit są przykładami, a bardziej stroma krzywa uczenia się gwarantuje użycie narzędzi, które nie zaskoczą cię o 3 nad ranem.
Czy Twoja praca jest już realizowana na Google Cloud i wymagane są VPC Service Controls? W takim przypadku ADK z Agent Engine to najprostsze rozwiązanie. Zgodność z wymogami jest dostępna bez dodatkowych kosztów, a koszt przechowywania danych jest najniższy spośród trzech opcji. Podczas oceny uwzględnij również koszty związane z procesem decyzyjnym.
Podsumowując to w tabeli w twojej głowie: jeśli chodzi o wysyłkę w tym kwartale, Managed Agents jest najszybszy, LangGraph wymaga inwestycji w platformę, a ADK potrzebuje wewnętrznej wiedzy z zakresu GCP. W przypadku złożonych architektur z ponad pięcioma gałęziami lub procesami zatwierdzania, Managed Agents ma ograniczenia ze względu na swoje sztywne podejście, LangGraph jest standardowym wyborem, a ADK radzi sobie z większością przypadków dzięki swoim prostym elementom budulcowym. Jeśli konieczny jest GCP z VPC-SC, Managed Agents wymaga dodatkowej pracy integracyjnej, LangGraph oznacza konieczność samodzielnego stworzenia struktury ochronnej, natomiast ADK dziedziczy ją natywnie. W przypadku zadań wielomodularnych Managed Agents jest dostępny tylko dla Claude (do przenoszenia zastosowań należy używać Agent SDK), podczas gdy LangGraph jest niezależny od konkretnego modelu, a ADK traktuje Gemini jako model pierwszej klasy, a inne modele są dostępne za pośrednictwem LiteLLM lub endpointów kompatybilnych z OpenAI.
AWS Bedrock AgentCore zasługuje na krótkie wzmiankę jako czwarta opcja. Nadaje się dla firm, które uruchamiają wszystko na AWS i chcą mieć jedną warstwę obliczeniową wspólną dla Claude Agent SDK, LangGraph i CrewAI, przy koszcie 0,0895 dolara za godzinę vCPU oraz 0,00945 dolara za godzinę GB. Jest to rozwiązanie infrastrukturalne, a nie decyzja dotycząca frameworku, więc nie wchodzi w skład porównania.
Przetestuj ten sam agent we wszystkich trzech rozwiązaniach
Zaimplementuj małego agenta w każdym z tych środowisk: cotygodniowy podsumowanie, które pobiera trzy najnowsze artykuły z arXiv na temat generacji wzbogaconej o informacje z bazy danych, uruchamia krótki skrypt oceny i tworzy jedną stronę. Obserwuj, ile czasu zajmuje przejście od klonowania do uruchomienia funkcjonującego agenta, ile kosztuje każde uruchomienie oraz jak szybko możesz ustalić przyczynę niepowodzenia.
Dla zarządzanych agentów powyższy fragment stanowi całą strukturę: jedna sesja do utworzenia, jeden proces do uruchomienia oraz strumień zdarzeń z obsługą błędów przy rozłączeniach. Ustaw ANTHROPIC_API_KEY, uruchom to raz, następnie zmusz klienta do ponownego uruchomienia i sprawdź, czy log sesji przetrwał, ponownie się do niego łącząc za pomocą GET /runs/{id}/events. Z kluczem API Claude pierwsze udane uruchomienie powinno zająć mniej niż godzinę.
W przypadku LangGraph graf stanowi tylko połowę pracy. Drugą połową jest kontroler Postgres oraz miejsce na jego wdrożenie. Najprostsza konfiguracja wygląda następująco:
# 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 ...
Zarezerwuj pół dnia. Pierwsze pół godziny to konfiguracja, a następne trzy godziny są przeznaczone na decydowanie o miejscu umieszczenia punktu kontrolnego dla człowieka oraz na ustalenie sposobu ponownej próby w przypadku awarii narzędzia.
Dla ADK logiką agenta jest SequentialAgent, a część związaną z działaniem w czasie rzeczywistym stanowi autoryzacja za pomocą gcloud w połączeniu z wdrożeniem Agent Engine. Minimalna baza niezbędna do działania:
# 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
Planuj też pół dnia tutaj, głównie na konfigurację IAM i VPC-SC – to właśnie dlatego wybrano ADK od samego początku.
Zastąp każde z nich na tydzień. Porównaj rachunek za korzystanie z LangSmith, opłaty za godziny pracy Claude oraz fakturę od Vertex AI Agent Engine, a także przeczytaj wszystkie trzy raporty o błędach. Wybierz platformę, która odpowiada rzeczywistym możliwościom inżynieryjnym twojego zespołu.
Czego należy pamiętać
Platformy agentów w 2026 roku przeszły od pytania „czy możemy to stworzyć?” do „jakie kompromisy będziemy musieli akceptować przez lata?”. Wszystkie trzy rozwiązania mają rzeczywistych klientów, konkretne dane, praktyczne scenariusze awarii oraz rzeczywiste ceny, przy czym żadne z nich nie jest bezwzględnie lepsze. Są skierowane do różnych środowisk operacyjnych. Wybór zależy od samooceny twojego zespołu platformowego, wymogów regulacyjnych oraz chęci podejmowania pracy inżynieryjnej – wybierz więc to, co pasuje do twojego zespołu, a nie do tego, którego byś pragnął mieć.
- Managed Agents umożliwia przejście od prototypu do wdrożenia w ciągu dni, a nie miesięcy, ale wiąże użytkownika z Claude. Jeśli konieczne jest wykorzystanie kilku dostawców modeli, należy pisać kod na podstawie SDK Claude Agent i hostować go samodzielnie na Bedrock, Vertex AI lub Azure AI Foundry.
- Najpierw przetestuj kompresję. Stwórz zadanie, które wymaga najwcześniejszych 20% sesji po osiągnięciu progu 80%, ponieważ własny blog inżynieryjny Anthropic wskazuje to jako moment, w którym sesje przestają działać bez żadnych objawów.
- LangGraph nadaje się wtedy, gdy architektura ma ponad pięć gałęzi lub wymaga ludzkiej akceptacji w kilku punktach. Jeśli opierasz się na frameworku wyższego poziomu, budujesz coś nieprawidłowego, więc przenieś się na model grafowy, zanim pojawią się ograniczenia związane z wieloma agentami.