Сравнение управляемых агентов: Anthropic, LangGraph и Google ADK
Кто управляет средой тестирования, учетными данными и логами? Сравнение Anthropic Managed Agents, LangGraph и Google ADK с точки зрения цен, способов сбоев и краткого руководства по принятию решений.
Источники: Anthropic Managed Agents vs LangGraph vs Google ADK: Pick One
Картинка 3: 3 часа ночи. В Sentry поступает сообщение об ошибке. Бот анализирует сбой, выявляет причину в конфликте приоритетов в коде обработки платежей, пишет исправление и создаёт запрос на интеграцию. Когда инженер, находящийся на дежурстве, открывает Slack в 7 часов, там уже ждёт рассмотрения такой запрос. Никто не писал отчёт о изменениях и не создавал тикета.
Этот бот — управляемый агент. Раньше для его создания требовалось шесть инженеров и четверть рабочего времени: специальная среда тестирования, хранилище состояний, логика повторных попыток, хранилище учётных данных и система логирования. Sentry разработал свой агент с одной командой за шесть недель, и причина успеха не в более продвинутой модели — всё дело в более эффективной организации работы. Теперь за всем этим следит другая команда. Агент берёт результаты анализа первопричины системы Seer, диагностического ИИ Sentry, и преобразует их в запрос на исправление. 10 апреля 2026 года компания Anthropic назвала её первым клиентом, использующим этот продукт.
В настоящее время три компании производят это в промышленных масштабах: Anthropic, LangChain и Google. У них разные подходы к тому, как распределять обязанности между вами и ими. Далее рассматриваются изменения, что предлагает каждая из компаний, где они чаще всего терпят неудачу и как сделать выбор. Настоящий вопрос не в том, какая фреймворк лучше, а в том, какой уровень управления ваша команда хочет контролировать.
Что означает «управляемый агент»
Начнем с слова «агент». Это программное обеспечение, которое принимает задание, выбирает действия, вызывает инструменты, проверяет ход выполнения и повторяет процесс. Чат-бот — это не так.
«Управляемый» означает, что поставщик обслуживает инфраструктуру: защищённый контейнер, состояние сессий, учётные данные, попытки повторной отправки после сбоев в сети. Вы предоставляете описание задач и инструментов. Управляемые агенты соответствуют коду агентов, написанному вручную, так же как управляемые базы данных соответствуют самостоятельно размещённым базам Postgres. Вы сохраняете схему и запросы, а поставщик занимается оборудованием, резервными копиями, переключением на резервную систему и мониторингом.
Вот как это работает. Вы отправляете задание, например: «Подготовьте краткое резюме этих трех статей в одной странице». Провайдер запускает защищённый контейнер Linux, и агент начинает работать внутри него: вызывает инструменты, создаёт файлы, в то время как результаты поступают к вам. Даже если вы закроете ноутбук, работа продолжится. Потеря сети тоже не остановит процесс. При повторном подключении через час вы сможете продолжить работу с того момента, на котором остановились. Каждое действие записывается в надёжный журнал сессий, похожий на историю коммитов или бухгалтерскую книгу, и именно этот журнал является источником правды.
В этом и заключается основное изменение. Агент больше не находится внутри вашего процесса — это серверный работник, способный выдерживать перерывы в соединении, перезагрузки и выключенные ноутбуки. Для реализации такого поведения не требуется писать код; в данной схеме пока нет кода. Вы определяете задачу, поставщик управляет работником, а результаты сохраняются независимо от вашего подключения.
Почему это важно сейчас
Большинство корпоративных решений терпят неудачу на этапе демонстрации. Ноутбук работает, видео выглядит отлично, но затем в производственной среде начинают требовать функции, которые никто не хочет разрабатывать. Необходимы среда изоляции, чтобы агент не мог повлиять на хост-систему, система хранения секретов, чтобы токены не утекали, механизм сохранения состояния, чтобы повторная развертка не прерывала текущую работу, возможность перепробовать вызовы инструментов при их завершении, система мониторинга, чтобы сотрудник, находящийся дежурством, мог понять, что произошло в 2 часа ночи, а также уведомления о превышении бюджета, чтобы застрявший цикл не привел к потере 500 долларов, пока кто-либо этого не заметит.
Все это не связано с работой с моделями. Это полностью задачи платформы, а у большинства команд по ИИ нет свободных инженеров по платформам.
Решение компании Anthropic направлено на устранение этой проблемы. В материалах, опубликованных в апреле 2026 года, обещается «в 10 раз более быстрая подготовка к производству». Это маркетинговое утверждение, а не конкретная метрика, но оно указывает на существующую проблему. Согласно статьям в СМИ (VentureBeat, то есть цифры не были предоставлены самой Anthropic), годовой доход компании превысил 30 миллиардов долларов, причем примерно 80% приходится на корпоративных клиентов. Продукт Managed Agents решает проблему, из-за которой доход компании застревал на одном уровне.
Четыре первых клиента уже начали использовать решение. Notion интегрирует агентов для инженерной работы и работников, занимающихся созданием знаний, в свою рабочую среду. Rakuten использует агентов в отделах продукта, продаж, маркетинга и финансов. Sentry выпускает бота для работы с прессой. Asana использовала его для ускорения разработки функций AI Teammates.
Краткое описание трех платформ
Они отличаются тем, насколько много работает поставщик и насколько много делаете вы. Решение Anthropic является самым новым, поэтому ему посвящено наибольшее количество информации ниже. LangGraph и Google ADK существуют уже давно.
Управляемые агенты Anthropic
Они были запущены 10 апреля 2026 года и представляют собой первый полностью управляемый продукт агентов от поставщика моделей. Anthropic отвечает за запуск контейнера выполнения, хранение истории сессий, защищенное хранилище учетных данных, логику повторных попыток при неудачных вызовах инструментов и отслеживание действий. Вам нужно указать только два элемента: описание задачи и список инструментов.
Один цикл работы выглядит следующим образом. Вы отправляете запрос типа POST с текстом «Запустить агента с этими инструментами для выполнения этой задачи». Anthropic запускает новый временный Linux-контейнер, который создается в начале и уничтожается в конце, поэтому сессии никогда не делят файловую систему. Внутри этого контейнера работает Claude: он читает задачу, выбирает шаг действий, вызывает соответствующий инструмент, считывает результат и снова принимает решение. Каждое событие записывается в журнал сессии, который Anthropic хранит от вашего имени — это записная книга с возможностью только добавления данных. События передаются вам по протоколу HTTP, и даже при потере соединения агент продолжает работу.
Ценообразование для инфраструктуры здесь необычно. Вы платите обычные тарифы на токены Claude плюс фиксированные восемь центов за активный час сессии. Бот, работающий круглосуточно, стоит примерно 58 долларов в месяц только за время выполнения, не считая токенов, тогда как трехминутная работа для обработки одного запроса поддержки обходится менее чем в цент. Оплата производится исходя из времени сессии, а не времени работы CPU.
Цена такого удобства — это привязка к конкретной платформе. Среда выполнения разработана специально для Claude, поэтому вы не можете использовать другую модель без переписывания слоя логики. Выходом является open-source Claude Agent SDK — это тот же механизм агентов в виде библиотеки, которую можно разместить самостоятельно. Взамен вы получаете среду выполнения, которую четыре компании внедрили в производство в течение шести недель после выпуска. LangChain и Google предлагают платформы агентов уже около восемнадцати месяцев, поэтому новизна здесь заключается в полностью управляемой среде выполнения от поставщика моделей.
LangGraph с LangSmith
Эта пара представляет собой плоскость управления — инструменты, которые работают над вашей инфраструктурой и координируют работу агента. Вы создаете граф, диаграмму потоков шагов, которые выполняет агент. LangChain обеспечивает хостинг, отслеживание (запись каждого шага) и хранилище трейсов — базу данных, в которой хранятся эти записи и где можно их искать. Библиотека для работы с графами распространяется под лицензией MIT, поэтому вы можете свободно копировать её, модифицировать или размещать на собственном сервере, что обеспечивает настоящую переносимость. Зависимость возникает из-за хранилища трейсов, поскольку трейсы можно полностью искать только внутри LangSmith.
Google ADK с движком агентов Vertex AI
В этом случае предполагается, что вы уже работаете в Google Cloud. Вы пишете агенты на Python (Java и TypeScript появятся к 2026 году), а затем развертываете их в Agent Engine — управляемой среде выполнения от Google, работающей на Cloud Run или Kubernetes. Агент наследует вашу политику обеспечения безопасности в облаке: правила сетевого периметра, политику шифрования ключей и настройки IAM. Если ваши документы, касающиеся соответствия стандартам, уже ориентированы на Google Cloud, ADK — это быстрейший путь от прототипа до решения, одобренного вашей командой по безопасности.
Что входит в Anthropic Managed Agents
Вы описываете задачу, а Anthropic её выполняет. Код показывает, насколько мало кода вам нужно писать:
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
Это агент производства, описанный в нескольких десятках строк кода. Здесь нет манифеста Kubernetes, нет необходимости обслуживать изображение сандбокса и нет настройки чекпоинтов. Заголовок managed-agents-2026-04-01 в режиме бета позволяет подключиться к тому, что инженеры Anthropic называют мета-инструментом, состоящим из трех отдельных компонентов.
Сессия представляет собой журнал с возможностью только добавления записей. Здесь записываются вызовы инструментов, сообщения агента и его наблюдения — это надежная запись, которую можно воспроизвести полностью. Мета-инструмент состоит из Claude вместе с интерфейсами инструментов, цикла, который читает данные из сессии, выбирает следующее действие, вызывает инструмент и записывает результат обратно. Сандбокс — это временный Linux-контейнер, создаваемый для каждой задачи и удаляемый по ее завершении. Учетные данные Git и токены OAuth MCP хранятся в сейфах, расположенных вне сандбокса, так что агент может к ним обращаться, не храня их у себя.
Поддержка сессии — это функция, которую часто недооценивают. Задачи на исследования, занимающие несколько часов, не перезапускаются при отключении клиента. Сессия остается активной, инструменты снова подключаются, и агент продолжает работу. Все, кто когда-либо следил за длительными задачами агентов в нестабильном Wi-Fi, оценят это.
Что касается затрат, сумма в 58 долларов в месяц за круглосуточную работу агента кажется менее значительной по сравнению с необходимостью шести недель работы в специальной среде разработки. Что касается доказательств, Notion предоставляет инженерных агентов наряду с агентами для работников, занимающихся созданием знаний; Rakuten подключил агентов к Slack и Teams в нескольких отделах, получая в результате таблицы, слайды и приложения; агент Sentry пишет код для исправления ошибок и открывает запросы на изменения, а Asana отмечает, что эта платформа позволяет команде сосредоточиться на разработке многопользовательского интерфейса, а не на решении технических проблем во время работы программы.
Зависимость действительна: невозможно заменить Gemini или GPT за один шаг, не покинув текущую среду. Выходом является Claude Agent SDK, который может работать на AWS Bedrock, Google Vertex AI или Azure AI Foundry. Если ваша логика с самого начала написана с учётом интерфейсов SDK, переход на другую управляемую среду представляет собой изменение конфигурации развертывания, а не полную переработку кода.
Что включает LangGraph
LangGraph предоставляет необходимые компоненты, а вы собираете из них решение.
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))
Рассматривайте LangGraph как редактор состояний для определения поведения агентов. Граф задаёт следующий шаг и данные, передаваемые дальше. Каждый узел представляет собой обычную функцию, каждая рёбра — это объявления, а каждую ветвь можно проверить.
В октябре 2025 года LangChain переименовал платформу LangGraph в LangSmith Deployment. Теперь LangSmith обслуживает более 300 корпоративных клиентов и обработал более 15 миллиардов трейсов и 100 триллионов токенов. Именно такой объём данных является защитным фактором, поскольку операционная привязанность клиентов основана на возможностях отслеживания, а не на библиотеке графов MIT.
Клиенты настаивают на контроле. Вспомогательный инструмент Klarna, разработанный на основе LangGraph и LangSmith, обслуживает 85 миллионов активных пользователей и сокращает время решения проблем на 80%. Команда разработчиков платформы Uber создала Validator для обнаружения нарушений и AutoCover для генерации тестов; эти инструменты используются 5 000 инженерами и, по сообщениям, экономят 21 000 часов работы разработчиков. Инструмент для программирования Replit выполняет многоагентные рабочие процессы с участием человека для установки пакетов и создания файлов, а LangChain был вынужден расширить функции обработки трейсов для работы с трейсами длиной в сотни шагов. LinkedIn (инструмент для поиска кандидатов с использованием ИИ) и AppFolio (ассистент для управления недвижимостью, который, по сообщениям, удваивает точность принятия решений) включены в индекс случаев использования LangChain, но перед тем как считать их примерами успешного применения, проверьте актуальную страницу клиента.
Выявляется определенная закономерность: когда рабочий процесс содержит более трех ветвей или требует утверждения человеком, команды выбирают LangGraph, поскольку более высокий уровень абстракции скрывает циклы, ветви, контрольные точки и механизмы сохранения данных, необходимые сложным агентам.
Стоимость использования LangGraph отличается от стоимости управляемых сред выполнения. Существует бесплатный уровень Developer с ограничениями по объему использования, причем точные пороговые значения могут меняться, поэтому рекомендуется ознакомиться с страницей с тарифами LangChain. Независимо от того, где происходит выполнение (в формате SaaS, гибридном или самостоятельно), расходы на инфраструктуру ложатся на пользователя. Обработка учетных данных на уровне SaaS может отличаться от стандартной на самостоятельно развернутых решениях, поэтому необходимо уточнить детали в документации для вашего варианта использования. Сам LangChain прямо указывает: более высокий уровень абстракции позволяет быстро начать работу, а низкий уровень гибкости обеспечивает возможность обработки разнообразных производственных запросов; при этом кривая обучения более крутая, но команды не переходят на другие решения. Примерами могут служить Replit и Uber.
Что входит в Google ADK
ADK — это специализированные примитивы рабочих процессов вместе с функциями соблюдения стандартов. Вы пишете агенты на коде, развертываете их в Vertex AI Agent Engine и поддерживаете уровень безопасности.
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",
)
Примитивы рассказывают эту историю. SequentialAgent выполняет шаги по порядку, ParallelAgent — одновременно, а LoopAgent повторяет шаг до тех пор, пока не будет выполнено определённое условие. Основной графовый примитив позволяет формировать произвольные структуры, поэтому из коробки доступны четыре архитектуры. Релиз для Python — 1.0.0, готовый к использованию в производстве; релиз для Java — 0.1.0, а релиз для TypeScript ожидается к 2026 году.
Wedge — это не сама структура. Это то, что предоставляет Agent Engine при развертывании. VPC Service Controls, являющиеся сетевым периметром Google, определяют, кто может получить доступ к чему. Ключи шифрования, управляемые клиентом, позволяют вам, а не Google, контролировать шифрование данных. Идентичность агента IAM превращает его в субъект безопасности с собственными связями политик. Логи аудита поступают из Cloud Trace и Cloud Logging. ADK также включает более 100 готовых подключений (AlloyDB, BigQuery, NetApp и другие) и использует протокол Agent-to-Agent от Google для обеспечения взаимодействия.
В состоянии покоя он дешев. Agent Engine взимает 0,00994 доллара за час работы vCPU и 0,0105 доллара за час работы GiB; токены и вызовы инструментов учитываются отдельно, причем существует бесплатный тариф. Третья сторона, проводившая тестирование, обнаружила, что ADK с Gemini запускается немного быстрее, чем LangChain с Gemini. Это в лучшем случае косвенный признак, поэтому измерьте свою собственную нагрузку перед тем, как повторять эксперимент на собрании.
Почему важно наследование VPC-SC
У ADK пока нет заметных примеров использования в масштабах Klarna или Uber — это более новый продукт. Программа GEAR от Google, предоставляющая 35 ежемесячных кредитов на обучение и путь к сертификации, субсидирует обучение ADK для корпораций, подобно тому, как AWS субсидировала обучение по программе Well-Architected десять лет назад; примеры использования продолжают создаваться.
Преимущество ADK сегодня заключается в границах соответствия требованиям. Компания, находящаяся под регулированием и уже имеющая периметры VPC-SC, политики CMEK и определенных принципов IAM, получает агента ADK, который наследует всё это без дополнительной настройки, что ценнее любой функции фреймворка. Вы покупаете возможность, которая вписывается в вашу существующую систему безопасности. Для команд, у которых нет требований к VPC-SC, аргументы, связанные с управлением, становятся менее значимыми, а LangGraph или управляемые агенты, вероятно, ещё больше сокращают путь к решению.
Матрица ответственности
После описания трех платформ приводится ключевое сравнение: кто отвечает за каждую операционную область в производстве. Это можно рассматривать как таблицу дежурных. Две строки имеют гораздо большее значение, чем остальные, и многие корпоративные команды ошибочно оценивают обе из них в процессе анализа.
Сандбоксинг. Выберите LangGraph — и сандбокс становится вашим. Вы создаете образ контейнера, настраиваете выход в сеть, определяете, где будет находиться временная файловая система, и обновляете патчи CVE. Anthropic и Google предоставляют эту функцию по умолчанию. Если задержки в разработке вашей платформы уже составляют четыре квартала, сервис сандбоксинга позволяет компенсировать один квартал.
Учетные данные. Функция Managed Agents хранит токены Git и токены MCP OAuth в сейфах, расположенных вне сандбокса. Google ADK использует идентичность агента IAM, поэтому агент является субъектом с собственными политиками. LangGraph оставляет управление учетными данными на вас, хотя тариф SaaS LangSmith Deployment включает автоматизированное управление; конкретные детали следует проверить в вашем контракте.
Последний пункт касается скрытых рисков. Если агент получает доступ к производственным базам данных, и ваша схема безопасности основана на одном общем секрете, LangGraph не гарантирует полную защиту от сбоев.
Затраты на выполнение имеют меньшее значение, чем любой из этих факторов. Затраты на наблюдаемость со временем становятся крайне важными, поскольку именно счет за трейсы от LangSmith определяет момент, когда общие затраты LangGraph переходят от предсказуемых к неожиданным.
В чём заключается слабость каждой платформы
У каждой платформы есть своя характерная причина сбоев в производственной среде. Приведённые ниже примеры взяты из документации поставщиков или от специалистов, которые их использовали.
Anthropic: сжатие. Это процесс, при котором агент урезает историю сессии, чтобы она вписывалась в лимит контекста модели. В техническом блоге Anthropic прямо говорится, что сжатие приводит к необратимым решениям относительно того, что сохранять, и отмечается, что сложно предсказать, какие токены понадобятся в будущих шагах. На практике это может привести к потере контекста, необходимого агенту позже, что приводит к сбою работы. Первым тестом в любой оценке является задача, требующая информации из первых 20% сессии после достижения отметки в 80%. Если она проваливается незаметно, это указывает на слабые места платформы.
Google ADK: цикл обработки запросов. В отчете Composio упоминается сбор в размере 5 долларов за одну зациклившуюся сессию, когда агент постоянно вызывал неисправный инструмент, пытаясь его использовать снова и снова, тратя минуты ресурсов vCPU в то время, как количество токенов продолжало расти. В записи инженера Composio говорится, что демо-версия выглядела отлично, но производственная версия не справлялась с большинством вызовов инструментов, в результате чего возникли расходы в 5 долларов на многократные вызовы. Composio имеет коммерческий интерес в сравнении с ADK, поэтому этот отчет следует рассматривать как мнение одного из специалистов. Меры по устранению проблемы заключаются в использовании оповещений о достижении лимита бюджета, установлении максимальной продолжительности сессий и ограничений на частоту вызовов инструментов с самого начала. Платформа без проблем позволит агенту накопить долги.
LangGraph: многоагентная сеть. Согласно анализу Latenode, более 75% многоагентных систем становятся труднее в управлении при наличии более пяти агентов, что приводит к ситуациям гонки, заеданиям, повреждению состояния и исчерпанию памяти. Считайте это исследованием аналитиков, а не независимым исследованием, хотя оно согласуется с тем, что описывали Replit и Uber. Проблемы начинают проявляться не с первого или третьего агента, а на шестом — когда ребра графа перестают быть очевидными, состояние контрольных точек становится сложным для анализа, а контрольные точки с участием человека запутываются из-за асинхронных ветвей. Команды, побеждающие в LangGraph, держат графы с числом узлов менее пяти или инвестируют много средств в возможности отслеживания. Те, кто проигрывает, пытаются использовать сеть из десяти агентов без этих мер.
Эти способы сбоев являются архитектурными, а не операционными, поэтому улучшение инженерии их не устранит. Вы выбираете платформу, сбои которой вы можете себе позволить.
Сбор данных днем
Три вопроса решают большинство проблем.
Нужно ли отправлять данные в этом квартале? Если да, то Managed Agents является стандартным решением, поскольку для команд, не имеющих требований к VPC-SC, нет ничего более эффективного для сокращения времени от прототипа до продакшена. Чтобы снизить зависимость от Claude, сразу же разрабатывайте логику агентов на основе интерфейсов Claude Agent SDK, чтобы позже можно было перейти на самохостинговые решения Bedrock или Vertex.
Если в проекте более пяти веток или требуется одобрение людей на нескольких этапах, тогда подойдет LangGraph, при условии наличия у команды необходимых ресурсов платформы. Примерами могут служить Klarna, Uber и Replit; более сложный уровень обучения позволяет использовать примитивы, которые не станут неожиданностью в 3 часа ночи.
Если ваша рабочая нагрузка уже находится в Google Cloud и требуются VPC Service Controls, тогда ADK с Agent Engine — это простой путь решения. Соответствие требованиям предоставляется бесплатно, а стоимость хранения является самой низкой среди трех вариантов. Учтите при оценке возможные дополнительные расходы.
Если представить это в виде таблицы: для доставки в текущем квартале Managed Agents — самый быстрый вариант, LangGraph требует инвестиций в платформу, а ADK нуждается во внутренних экспертах по GCP. Для сложных архитектур с более чем пятью филиалами или этапами утверждения Managed Agents имеет ограничения из-за жестких требований к структуре, LangGraph является стандартным выбором, а ADK покрывает большинство сценариев с помощью своих примитивов. Если обязателен использование GCP с VPC-SC, Managed Agents требует дополнительной работы по интеграции, LangGraph подразумевает необходимость создания собственной защитной структуры, тогда как ADK использует её из коробки. Для мультимодельных рабочих нагрузок Managed Agents поддерживает только Claude (для портабельности используется Agent SDK), в то время как LangGraph не зависит от конкретной модели, а ADK рассматривает Gemini как первоклассную модель, при этом другие модели доступны через LiteLLM или конечные точки, совместимые с OpenAI.
AWS Bedrock AgentCore заслуживает краткого упоминания как четвертый вариант. Он подходит для компаний, которые используют исключительно AWS и хотят иметь единый слой обработки данных под Claude Agent SDK, LangGraph и CrewAI по цене 0,0895 доллара за час работы vCPU и 0,00945 доллара за час работы GB. Это инфраструктурное решение, а не выбор фреймворка, поэтому оно не входит в сравнение.
Попробуйте тот же агент на всех трех платформах
Реализуйте небольшой агент на каждой из платформ: еженедельный обзор, собирающий три последние статьи из arXiv по теме генерации с использованием данных из внешних источников, запускающий краткий скрипт оценки и составляющий одну страницу. Отслеживайте, сколько времени требуется для перехода от копирования кода до его рабочей работы, сколько стоит каждая такая операция и насколько быстро вы можете выяснить причину сбоя.
Для управляемых агентов приведённый выше фрагмент представляет собой полную структуру: создаётся одна сессия, один запуск, а также поток событий с обработкой ошибок при разрыве соединения. Установите ANTHROPIC_API_KEY, запустите процесс один раз, затем вынудительно перезапустите клиент и убедитесь, что журнал сессии сохраняется, повторно подключившись по адресу GET /runs/{id}/events. С использованием ключа API Claude первый успешный запуск должен занять менее часа.
При использовании LangGraph граф — это лишь половина работы. Вторая половина включает проверку состояния БД Postgres и место для развертывания. Самая минимальная конфигурация выглядит следующим образом:
# 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 ...
Планируйте полдня. Первые полчаса уходят на настройку, а следующие три часа — на определение местоположения человеческого контрольно-пропускного пункта и способов повторной попытки при сбое инструмента.
Для ADK логика агента представлена классом SequentialAgent, а часть, связанная с выполнением, включает авторизацию через gcloud и развертывание движка агентов. Минимальная структура:
# 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
Планируйте здесь также полдня: в основном это настройка IAM и VPC-SC, и именно по этой причине вы изначально выбрали ADK.
Запустите каждый из решений в течение недели. Сравните счета от LangSmith, стоимость часов работы Claude и счет от Vertex AI Agent Engine, а также прочитайте все три отчета об ошибках. Выберите платформу, соответствующую реальным инженерным возможностям вашей команды.
Что стоит помнить
В 2026 году платформы-агенты сместились от вопроса «Можем ли мы это построить?» к вопросу «Какие компромиссы нам придется принимать на многие годы?» Все три решения имеют реальных клиентов, конкретные цифры, реальные способы возникновения ошибок и реальную ценовую политику, причем ни одно из них не является абсолютно лучшим. Они предназначены для разных сценариев использования. Выбор зависит от самооценки вашей команды, требований к соответствию стандартам и готовности к инженерной работе, поэтому выбирайте то, что подходит вашей команде, а не то, которой вы хотели бы обладать.
- Managed Agents позволяет перейти от прототипа к производственной версии за дни, а не месяцы, но он связывает вас с Claude. Если необходимо использовать несколько поставщиков моделей, пишите код на основе SDK Claude Agent и размещайте его самостоятельно на Bedrock, Vertex AI или Azure AI Foundry.
- Сначала протестируйте процесс сжатия. Создайте задачу, требующую использования первых 20% времени сессии после достижения отметки в 80%, поскольку собственный технический блог Anthropic указывает именно на это как на момент, когда сессии начинают тихо выходить из строя.
- LangGraph подходит, когда в вашей архитектуре более пяти ветвей или требуется человеческое утверждение в нескольких местах. Если вы пытаетесь использовать более высокоуровневую рамку, значит, вы строите что-то неправильное на её основе, поэтому перейдите к графовой модели до того, как возникнут ограничения многоагентной системы.