LangGraph, CrewAI czy Google ADK? Jedno zadanie z dwoma agentami, trzy frameworki

Porównania frameworków zazwyczaj opierają się na jednym szablonie: tabeli funkcji, akapicie w każdej kolumnie oraz werdykcie, który unika jakichkolwiek rekomendacji. To nie pomaga osobie, która stoi przed wyborem i musi podjąć decyzję, by iść dalej. Porównanie przedstawione tutaj opiera się na napisaniu tego samego małego systemu w LangGraph, CrewAI i Google ADK, więc różnice wynikają z kodu i kompromisów, a nie z specyfikacji.

Trzy modele myślowe

Krótkie ujęcie przed napisaniem jakiegokolwiek kodu:

• LangGraph to pudełko z klockami Lego. Każdy węzeł, krawędź oraz gałąź warunkowa jest definiowany wyraźnie. Daje to największą kontrolę, ale też najsteeper krzywą uczenia się.
• CrewAI to z góry skonstruowany zespół, który pyta, co powinien robić. Role i cele są określone, a framework zajmuje się koordynacją. To najszybsza droga do gotowego prototypu, przy mniejszej kontroli nad sposobem, w jaki agenci przekazują sobie zadania.
• Google ADK myśli jak doświadczony inżynier backendu. Jest zorientowany na zdarzenia i posiada stan, ma wbudowaną możliwość obserwacji, testowania oraz sprawnego radzenia sobie z awariami, a także silne powiązania z Google Cloud i Gemini.

Żadne z tych stwierdzeń nie jest krytyką. Są to różne podejścia do tego, czego najczęściej potrzebują programiści.

Zadanie testowe

Każda platforma pełni tę samą funkcję: badacz zbiera materiały, a następnie autor przekształca je w ostateczną odpowiedź, więc autor nie może zacząć pracy, dopóki badacz nie skończy. Router w stylu nadzorcy dokładnie to obsługiwałby, co czyni go sprawiedliwym kryterium określającym, w jak różny sposób każde narzędzie przedstawia ten sam proces.

LangGraph

Najpierw importuje:

from langgraph.graph import StateGraph, END
from typing import TypedDict

Następnie stan wpisany, węzły i wyraźne krawędzie:

class State(TypedDict):
    query: str
    research: str
    final_answer: str
def research_node(state: State) -> State:
    # Call your research agent/tool here
    state["research"] = f"Research findings for: {state['query']}"
    return state
def writer_node(state: State) -> State:
    # Call your writer agent, using state["research"]
    state["final_answer"] = f"Final answer using: {state['research']}"
    return state
graph = StateGraph(State)
graph.add_node("research", research_node)
graph.add_node("writer", writer_node)
graph.set_entry_point("research")
graph.add_edge("research", "writer")
graph.add_edge("writer", END)
app = graph.compile()
result = app.invoke({"query": "What is agentic AI?"})

Wszystkie krawędzie są ręcznie rysowane tutaj. Na każdym etapie jest jasne, co nastąpi dalej, a to właśnie stanowi cenę i korzyść LangGraph: dodatkowy kod na początku w zamian za przepływ kontrolny, którego framework nigdy nie improwizuje.

CrewAI

from crewai import Agent, Task, Crew

Następnie przychodzą agenci i zadania:

researcher = Agent(
    role="Research Specialist",
    goal="Find accurate information on the given topic",
    backstory="An expert at gathering and synthesizing information."
)
writer = Agent(
    role="Content Writer",
    goal="Write a clear final answer using research findings",
    backstory="An expert at turning research into clear prose."
)
research_task = Task(
    description="Research: {query}",
    agent=researcher,
    expected_output="A summary of relevant findings"
)
writing_task = Task(
    description="Write a final answer using the research",
    agent=writer,
    expected_output="A clear, well-written final answer",
    context=[research_task]
)
crew = Crew(agents=[researcher, writer], tasks=[research_task, writing_task])
result = crew.kickoff(inputs={"query": "What is agentic AI?"})

Zwróć uwagę na to, czego brakuje obok LangGraph: nikt nie rysuje grafu ani nie łączy krawędzi. Kod określa, kto jest odpowiedzialny za co, a logika procesu CrewAI sama przenosi wynik zadania badawczego do zadania pisarskiego. Stworzenie działającej wersji zajmuje znacznie mniej czasu – około dwudziestu minut, gdy już poznamy wzorzec.

Google ADK

from google.adk.agents import Agent
from google.adk.runners import Runner

research_agent = Agent(
    name="researcher",
    model="gemini-2.0-flash",
    instruction="Research the given topic thoroughly and return findings.",
)
writer_agent = Agent(
    name="writer",
    model="gemini-2.0-flash",
    instruction="Write a clear final answer using the research findings provided.",
    sub_agents=[research_agent]  # hierarchical relationship
)
runner = Runner(agent=writer_agent, app_name="research_writer_app")
result = runner.run(user_id="user1", session_id="session1",
                     new_message="What is agentic AI?")

Spójrz na pole sub_agents. ADK opiera się na hierarchii rodzic-dziecko działającej na podstawie zdarzeń, a jego mechanizm działania steruje pętlą, która przemieszcza się między przychodzącymi żądaniami, wywołaniami modeli a uruchamianiem narzędzi. Łączy on elementy ręcznie skonstruowanej architektury LangGraph z ukrytą koordynacją w CrewAI: otrzymujemy hierarchię, ale większość aspektów technicznych jest za nas załatwiana w porównaniu z LangGraph.

Gdzie naprawdę się różnią

Przykłady demonstracyjne wyglądają zwodniczo podobnie. Różnice pojawiają się po fazie prototypowania.

Kontrola i możliwość obserwacji. LangGraph jest powszechnie uważany za najlepszy wybór przygotowany do pracy w środowisku produkcyjnym dla złożonych, rozgałęzionych procesów pracy. Funkcje tworzenia punktów kontrolnych oraz trwałej eksploatacji są wbudowane, a podobno Klarna używa go dla 85 milionów użytkowników. Taki rodzaj zastosowania w produkcji jest silniejszym sygnałem niż jakakolwiek lista funkcji. Wadą jest krzywa uczenia się, która jest najstroma spośród trzech dokładnie dlatego, że kontrola jest tu najbardziej wyraźna.

Szybkość stworzenia pierwszego prototypu. CrewAI systematycznie wygrywa. Przy tworzeniu pierwszego systemu wielu agentów lub szybkim sprawdzeniu pomysłu jego abstrakcja oparta na rolach pozwala szybciej uruchomić coś w działaniu. Z drugiej strony ta sama abstrakcja wysokiego poziomu staje się ograniczeniem, gdy logika koordynacji staje się złożona, ponieważ istnieje mniejsza możliwość precyzyjnej kontroli nad tym, kiedy i w jaki sposób agenci przekazują sobie zadania.

Potrzeby przedsiębiorstw i językowe. ADK stał się powszechnie dostępny w 2026 roku i w trakcie tego procesu zmienił swoją strategię, zastępując hierarchicznego wykonawcę silnikiem opartym na grafach, który od samego początku stanowił podstawę projektu LangGraph. Jego prawdziwa przewaga leży gdzie indziej – obsługuje więcej języków niż żaden z konkurentów (Python, TypeScript, Go, Java, Kotlin), pozwala na bezpośrednie połączenie z Gemini i Google Cloud dla zespołów już tam działających, a także zawiera narzędzia do oceny, których brakuje w LangGraph i CrewAI.

Rozmowa między różnymi frameworkami. Niewiele porównań odnosi się do tego aspektu. ADK obsługuje protokół Agent2Agent (A2A) w sposób natywny, dzięki czemu agent napisany w zupełnie innym frameworku może wymieniać z nim wiadomości, a podpisane karty agentów zapewniają kryptograficzną weryfikację. Gdy system musi wezwać agenta należącego do dostawcy lub partnera, A2A realizuje funkcję podobną do MCP w przypadku narzędzi: standaryzuje komunikację pomiędzy dwoma agentami zamiast pomiędzy agentem a narzędziem.

Efektywność tokenów. Istnieje tu również wyraźna różnica. Testy wydajności przeprowadzone na tych samych zadaniach za pomocą LangGraph i CrewAI pokazały, że LangGraph zużywa znacznie mniej tokenów. Prawdopodobną przyczyną jest to, że LangGraph korzysta z wyraźnie określonych ścieżek komunikacyjnych, podczas gdy CrewAI polega na modelu LLM do kierowania zadaniami, a każda z tych domyślnych decyzji o trasie komunikacji stanowi niewielki koszt w postaci wywołania modelu. W obu przypadkach ktoś musi zapłacić za tę decyzję.

Wybór w kolejności

Pomijając tabele funkcji, zadaj te pytania po kolei:

1. Szybkie tworzenie prototypów, czy to pierwszy system wielu agentów? Wybierz CrewAI. To najszybsza droga do stworzenia działającego rozwiązania, a decyzję tę można zmienić, gdy logika koordynacji okaże się zbyt skomplikowana.
2. Potrzebujesz maksymalnej kontroli nad rozgałęzianiem, wyraźnym kierowaniem błędami lub punktami kontrolnymi z udziałem człowieka? Wybierz LangGraph. Gdy kierowanie przepływem jest złożone, chcesz mieć pełną kontrolę nad każdym elementem, zamiast polegać na logice frameworku.
3. Już korzystasz z Google Cloud lub potrzebujesz języków innych niż Python? Wybierz Google ADK. Natywna integracja z Gemini i Cloud eliminuje przeszkody dla zespołów w tym ekosystemie, a zakres obsługiwanych języków jest niezrównany.
4. Czy agenci z różnych frameworków lub dostawców muszą ze sobą komunikować się? Wybierz Google ADK dla wsparcia typu A2A – to jedyna z opcji spełniająca wymagania produkcyjne, które pozostałe traktują jedynie jako funkcje drugorzędne.
5. Żadna z powyższych opcji nie pasuje? Użyj tej, którą twoz zespół najlepiej zna. Wszystkie trzy są gotowe do użycia w produkcji już w 2026 roku, a najważniejsze jest to, w jaki sposób zostały zaprojektowane warstwy routingu i narzędzi.

Brak uniwersalnego zwycięzcy

Żaden framework nie jest najlepszy dla wszystkich, a porównania twierdzące inaczej mają na celu sprzedaż. Wybierz LangGraph, jeśli potrzebujesz kontroli i wzmocnienia architektury w złożonych procesach, CrewAI, jeśli chcesz jak najszybciej stworzyć działający prototyp, a Google ADK dla zespołów skupionych na Google Cloud oraz do rzeczywistej komunikacji między różnymi frameworkami.

Decyduj na podstawie rzeczywistych ograniczeń – czy to tego zna już zespół, na jakiej chmurze system działa, czy też jak skomplikowana jest logika koordynacji, a nie na podstawie tego, który framework ma najbardziej efektowne najnowsze ogłoszenie. Framework stanowi jedynie ramy. Dobry projekt agenta może być zastosowany we wszystkich trzech podejściach: w pętlach, procesach pozyskiwania informacji, routingu, standardach narzędzi, mechanizmach obserwowalności oraz poprzez nawyk oceny wyników.