Порівняння керованих агентів: Anthropic, LangGraph та Google ADK
Хто керує пісочницею, обліковими даними та логами? Порівняння Anthropic Managed Agents, LangGraph та Google ADK з точки зору цін, способів виникнення помилок та короткого посібника з прийняття рішень.
Джерела: Anthropic Managed Agents vs LangGraph vs Google ADK: Pick One
Зображення о 3 годині ранку. У Sentry з’являється помилка. Бот аналізує збій, визначає причину у конфлікті доступу до даних у коді оплат, пише виправлення та створює запит на об’єднання коду. Коли інженер, який чергує, відкриває Slack о 7 годині, там вже чекає запит на перевірку. Ніхто не писав опису змін та не подавав заявку.
Цей бот є керованим агентом. Раніше створення подібного агента вимагало шести інженерів та чверті робочого часу: спеціального середовища тестування, сховища стану, логіки повторних спроб, сховища облікових даних та системи логування. Sentry створив свій агент за шість тижнів за участю однієї команди, і різниця полягає не у більш розумній моделі. Тепер цим займається хтось інший. Агент бере аналіз первинної причини з Seer — діагностичного ШІ Sentry — та перетворює його на запит на виправлення. 10 квітня 2026 року Anthropic оголосила про нього як про першого клієнта.
Зараз три компанії продають цей продукт у масштабах виробництва: Anthropic, LangChain та Google. Їхні підходи відрізняються щодо того, як між вами та ними розподіляються обов’язки. У наступному описано, що змінилося, що пропонує кожен з них, де виникають проблеми та як вибрати оптимальний варіант. Справжнє питання не в тому, яка фреймворк найкращий, а в тому, який рівень керування ваша команда хоче мати.
Що означає „керований агент“
Почнемо з поняття „агент“. Це програмне забезпечення, яке приймає завдання, обирає дії, використовує інструменти, перевіряє прогрес та продовжує роботу. Чат-бот – це не так.
„Кероване“ означає, що постачальник керує інфраструктурою: захищеним контейнером, станом сеансу, обліковими даними, спробами повторного виконання після проблем з мережею. Ви надаєте опис завдань та інструментів. Керовані агенти відносяться до коду агентів, написаного вручну, так само як керовані бази даних відносяться до самостійно розгорнутого Postgres. Ви зберігаєте схему та запити, а постачальник опікується обладнанням, резервним копіюванням, переходом на резервний сервер та моніторингом.
Ось як це відбувається. Ви подаєте завдання, наприклад: «Узагальніть ці три статті у односторінковий звіт». Провайдер запускає захищений контейнер Linux, і агент починає працювати всередині нього, викликаючи інструменти та створюючи файли, поки результати надходять до вас. Навіть якщо ви закриєте ноутбук, робота продовжуватиметься. Якщо зникне з’єднання, робота також триватиме. Після підключення через годину ви можете продовжити роботу з того місця, де її залишили. Кожна дія записується у надійний журнал сеансу, схожий на історію змін чи бухгалтерський облік, і саме цей журнал є джерелом правди.
Ось у чому полягає основна зміна. Агент більше не знаходиться всередині вашого процесу. Це працівник на стороні сервера, який продовжує працювати після переривань з’єднання, перезапусків та вимкнення ноутбука, і вам не потрібно писати код для досягнення такої поведінки. Наразі там немає коду. Ви вказуєте завдання, постачальник керує працівником, а результати залишаються актуальними навіть після втрати з’єднання.
Чому це важливо зараз
Більшість корпоративних агентів гинуть на етапі демонстрації. Ноутбук працює, відео виглядає чудово, а потім у продакшені прослять щось таке, що ніхто не хоче розробляти. Вам потрібен пісоковий контейнер, щоб агент не міг впливати на хоста, сховище для захисту токенів від витоку, можливість збереження даних, щоб повторна розгортка не зупиняла процес, перепробування після тайм-ауту викликів інструментів, засоби для спостереження, щоб особа, яка працює в нічну зміну, могла зрозуміти, що сталось о 2 годині ночі, та попередження щодо бюджету, щоб застряглий цикл не спричинив витрат у 500 доларів, перш ніж хтось це помітить.
Жоден з цих елементів не є частиною роботи з моделями. Це все робота з платформою, а у більшості команд з ШІ немає вільних інженерів з платформ.
Підхід Anthropic спрямований саме на цю проблему. Матеріали, опубліковані у квітні 2026 року, обіцяють „10 разів швидше переходження до виробництва“. Це маркетингова твердження, а не показник, проте воно вказує на справжню проблему. Згідно зі звітами преси (VentureBeat, тож це не число, надане самою Anthropic), щорічний дохід компанії перевищує 30 мільярдів доларів, причому приблизно 80% становлять послуги для корпорацій. Продукт Managed Agents допомагає подолати проблеми, через які цей дохід застрягав.
Чотири перші клієнти вже почали використовувати цей продукт. Notion інтегрує агентів для інженерної роботи та працівників, які працюють із знаннями, у своє робоче середовище. Rakuten використовує агентів у сферах продуктів, продажів, маркетингу та фінансів. Sentry постачає бота для роботи з PR. Asana використовувала його для прискорення роботи над проектом AI Teammates.
Короткий огляд трьох платформ
Вони відрізняються тим, наскільки багато роботи виконує постачальник та наскільки багато — ви. Рішення Anthropic є найновішим, тому йому присвячено найбільшу частину опису нижче. LangGraph та Google ADK існують вже деякий час.
Anthropic Managed Agents
Випущений 10 квітня 2026 року, це перший повністю керований продукт типу агента від постачальника моделей. Anthropic керує контейнером виконання, зберіганням історії сеансів, сховищем облікових даних, логікою повторних спроб у разі невдалих викликів інструментів та відстеженням дій. Ви повинні написати дві речі: опис завдання та список інструментів.
Одна із експекурацій відбувається так: ви надсилаєте запит POST із текстом «Почни роботу агента з цими інструментами над цим завданням». Anthropic створює новий контейнер Linux, тимчасовий — він створюється на початку та знищується наприкінці, тож сесії ніколи не ділять файлову систему. Усередині працює цикл: читання завдання, вибір кроку, виклик інструменту, читання результату та повторне прийняття рішення. Кожна подія записується у журнал сесії, який Anthropic зберігає за вас — це журнал лише для додавання записів. Події надсилаються до вас через HTTP, а якщо з’єднання переривається, агент продовжує роботу.
Ціни є незвичайними для інфраструктури. Ви платите звичайні тарифи на токени Claude плюс фіксовані вісім центів за активну годину сеансу. Бот, який працює цілодобово, коштує близько 58 доларів на місяць лише за час виконання, не враховуючи токени, тоді як трьоххвилинна робота для обробки одного заявки підтримки коштує менше цента. Оплата здійснюється за час сеансу, а не за час роботи процесора.
Ціною такої зручності є прив’язка до конкретної архітектури. Середовище виконання створене для Claude, тому ви не можете використовувати інший модель без переписування шару обробки даних. Вихідом є відкрите програмне забезпечення Claude Agent SDK — це той самий механізм агента у вигляді бібліотеки, яку можна розмістити самостійно. У взамін ви отримуєте середовище виконання, яке чотири компанії впровадили у свою роботу протягом шести тижнів після запуску. LangChain та Google випустили свої платформи агентів приблизно вісімнадцять місяців тому, тож новизною тут є повністю кероване середовище виконання від постачальника моделей.
LangGraph з LangSmith
Ця пара є контрольним рівнем — інструментарієм, який працює над вашою інфраструктурою та координує роботу агента. Ви створюєте граф, діаграму потоку кроків, які виконує агент. LangChain забезпечує хостинг, відстеження (запис кожного кроку) та сховище слідів — базу даних, де зберігаються ці записи та їх можна шукати. Бібліотека графів має ліцензію MIT, тож ви можете вільно копіювати, модифікувати її або розміщувати самостійно, що забезпечує справжню портативність. Обмеження полягають у сховищі слідів, оскільки сліди можна повністю шукати лише всередині LangSmith.
Google ADK з Vertex AI Agent Engine
Цей підхід передбачає, що ви вже працюєте з Google Cloud. Ви пишете агентів на Python (Java та TypeScript будуть доступні до 2026 року) та розгортаєте їх у Agent Engine — керованому середовищі виконання від Google на Cloud Run або Kubernetes. Агент успадковує ваші правила кібербезпеки в хмарі: правила мережевого периметру, політику криптографічних ключів та налаштування IAM. Якщо ваші документи зі впровадження вже стосуються Google Cloud, ADK є найшвидшим шляхом від прототипу до продукту, який схвалить ваша команда з безпеки.
Що входить до складу Anthropic Managed Agents
Ви описуєте завдання, а Anthropic його виконує. Код показує, наскільки мало коду потрібно писати:
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
Це агент виробництва, описаний у кількох десяти рядках коду. Немає маніфесту Kubernetes, немає образу сандбоксу для підтримки, немає налаштувань checkpointer. Заголовок managed-agents-2026-04-01 beta дозволяє приєднатися до того, що інженери Anthropic називають мета-інструментом, складеним з трьох окремих компонентів.
Сесія — це журнал з можливістю лише додавання записів. Виклики інструментів, повідомлення агента та спостереження записуються саме там, створюючи надійний запис, який можна відтворити повністю. Інструментом є Claude разом із інтерфейсами інструментів, цикл, який читає дані з сесії, обирає наступну дію, викликає інструмент та записує результат назад. Сандбокс — це тимчасовий контейнер Linux, який створюється для кожного завдання та видаляється після його завершення. Креденції Git та токени MCP OAuth зберігаються у сховищах, розташованих поза сандбоксом, тож агент може до них звертатися, не зберігаючи їх у собі.
Збереження сеансу — це функція, яку люди недооцінюють. Багатогодинна дослідницька робота не починається заново, коли клієнт втрачає з’єднання. Сеанс залишається активним, засіб підключення знову активується, і агент продовжує роботу. Кожен, хто керував тривалою роботою агента через ненадійний інтернет, оцінить це.
Щодо витрат, сума у 58 доларів на місяць за цілодобового агента виглядає менш болючою, якщо порівнювати з шістьма тижнями роботи в спеціальному середовищі. Щодо доказів: Notion постачає інженерних агентів разом із агентами для працівників, які працюють з інформацією; Rakuten підключив агентів до Slack та Teams у кількох відділах та отримує електронні таблиці, слайди та додатки; агент Sentry пише код виправлення та створює PR, а Asana визнає цю платформу за те, що вона дозволяє команді працювати над багатокористувацьким інтерфейсом замість усунення технічних проблем під час роботи.
Залежність справжня: ви не можете миттєво замінити Gemini чи GPT, не покинувши цю систему. Єдиний шлях виходу — це Claude Agent SDK, який може працювати на AWS Bedrock, Google Vertex AI чи Azure AI Foundry. Якщо ваша логіка з самого початку написана з урахуванням інтерфейсів SDK, перехід на інший середовище виконання означає лише зміну способу розгортання, а не повну переробку коду.
Що постачає LangGraph
LangGraph надає вам компоненти, а ви самі їх складаєте.
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))
Уявіть LangGraph як редактор станових машин для керування поведінкою агентів. Граф визначає наступний крок та дані, які передаються. Кожен вузол — це звичайна функція, кожна ребро — оголошене з’єднання, а кожна гілка може бути перевірена.
У жовтні 2025 року LangChain перейменував платформу LangGraph на LangSmith Deployment. LangSmith зараз обслуговує понад 300 корпоративних клієнтів та обробив більше 15 мільярдів слідів та 100 триліонів токенів. Саме такий обсяг є конкурентною перевагою, адже операційна залежність полягає у можливостях моніторингу, а не у бібліотеці графів MIT.
Клієнти вимагають більшого контролю. Асистент Klarna, створений на основі LangGraph та LangSmith, обслуговує 85 мільйонів активних користувачів та скоротив час вирішення проблем на 80%. Команда платформи для розробників Uber створила Validator для виявлення порушень та AutoCover для генерації тестів; ці інструменти обслуговують 5 000 інженерів та, за повідомленнями, економлять 21 000 годин роботи розробників. Агент для програмування в Replit здійснює багатоагентні робочі процеси з підтвердженням людини під час встановлення пакетів та створення файлів, а LangChain довелося розширити функції обробки слідів для роботи з записами, що складаються з сотень кроків. LinkedIn (ШОУ для пошуку працівників) та AppFolio (копілот для керування нерухомістю, який, за повідомленнями, подвоює точність прийняття рішень) входять до індексу кейс-стаді у LangChain, проте перевірте поточну сторінку клієнта, перш ніж вважати їхні ситуації вирішеними.
Виникає певна закономірність: як тільки процес роботи має більше трьох гілок або етап людського схвалення, команди обирають LangGraph, оскільки абстракції вищого рівня приховують цикли, гілки, контрольні точки та механізми зберігання даних, які потрібні складним агентам.
Витрати на використання LangGraph відрізняються від витрат на керовані середовища виконання. Існує безкоштовний рівень Developer із обмеженнями за кількістю операцій, причому точні порогові значення постійно змінюються, тому перевірте сторінку з цінами на сайті LangChain. Незалежно від того, де він працює (у форматі SaaS, гібридному або самостійно), витрати на інфраструктуру несе користувач. Обробка облікових даних на рівні SaaS може відрізнятися від стандартної налаштування при самостійному розміщенні, тож уточніть це в документації для вашого сценарію використання. Сам LangChain чітко формулює свою перевагу: абстракції вищого рівня дозволяють швидко почати роботу, а гнучкість низького рівня допомагає обробляти різноманітні запити в продакшені; крива навчання є стрімкою, але команди не мігрують на інші рішення. Прикладами цього є Replit та Uber.
Що постачає Google ADK
ADK — це стандартизовані примітиви робочого процесу разом із вбудованими механізмами дотримання вимог. Ви пишете агентів у коді, розгортаєте їх у Vertex AI Agent Engine та підтримуєте рівень безпеки.
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",
)
Примітиви розповідають цю історію. SequentialAgent виконує кроки по порядку, ParallelAgent — одночасно, а LoopAgent повторює крок до тих пір, доки не буде задоволена певна умова. Основний графічний примітив дозволяє створювати будь-які форми, тому вже за замовчуванням доступні чотири архітектури. Версія для Python — 1.0.0 та готова до використання у продакшені; версія для Java — 0.1.0, а версія для TypeScript має з’явитися до 2026 року.
Віжок — це не фреймворк. Це те, що надає Agent Engine під час розгортання. VPC Service Controls, мережевий периметр Google, визначають, хто може отримати доступ до чого. Клієнтські ключі шифрування дозволяють саме вам, а не Google, керувати шифруванням даних. Ідентичність агента IAM робить його суб’єктом безпеки з власними налаштуваннями політик. Журнали аудиту походять з Cloud Trace та Cloud Logging. ADK також містить понад 100 готових конекторів (AlloyDB, BigQuery, NetApp та інші) та підтримує протокол Agent-to-Agent від Google для взаємодії.
У стані спокою це недорого. Agent Engine бере 0,00994 долара за годину роботи vCPU та 0,0105 долара за годину роботи GiB; токени та виклики інструментів враховуються окремо, крім того існує безкоштовний рівень. Третя сторона, яка проводила тестування, виявила, що ADK із Gemini запускається трохи швидше, ніж LangChain із Gemini. Це у кращому випадку лише орієнтовний сигнал, тому вимірюйте свою власну навантаженість перед тим, як повторювати це на зустрічі.
Чому важливо успадковувати VPC-SC
У ADK поки що немає відомих кейс-стаді, подібних до проєктів Klarna чи Uber. Це новий учасник ринку. Програма GEAR від Google, яка надає 35 місячних кредитів на навчання та шлях до сертифікації, субсидує навчання ADK для корпорацій, подібно до того, як AWS субсидувала програму Well-Architected десять років тому, причому кейс-стаді все ще створюються.
Сильна сторона ADK сьогодні — це межа відповідності правилам. Компанія, яка вже має периметри VPC-SC, політики CMEK та визначені принципи IAM, отримує агента ADK, який успадковує усе це без додаткової налаштування, що має більшу цінність, ніж будь-яка функція іншої платформи. Ви купуєте опцію, яка інтегрується у вашу існуючу систему безпеки. Для команд, які не мають вимог до VPC-SC, аргументи щодо управління слабшають, а LangGraph чи керовані агенти, ймовірно, ще більше скорочують шлях до реалізації.
Матриця власності
Після опису трьох платформ ось порівняння, яке має значення: хто відповідає за кожну операційну поверхню в умовах експлуатації. Читайте це як таблицю осіб, які знаходяться на чергуванні. Два рядки мають набагато більше значення, ніж решта, і багато корпоративних команд помиляються у їх оцінці під час аналізу.
Сандбоксинг. Виберіть LangGraph, і сандбокс стане вашим. Ви створюєте образ контейнера, налаштовуєте мережевий вихід, визначаєте, де файлова система є тимчасовою, та оновлюєте патчі CVE. Anthropic та Google постачають цю функцію за замовчуванням. Якщо у вашій платформі вже чотири квартали затримок, сандбоксинг як послуга дозволяє скоротити цей проміжок на один квартал.
Облікові дані. Функція Managed Agents зберігає токени Git та токени MCP OAuth у сховищах поза сандбоксом. Google ADK використовує ідентичність агента IAM, тож агент є суб’єктом із власними правилами. LangGraph залишає керування обліковими даними на вашому рівні розгортання, хоча тариф SaaS LangSmith Deployment включає їх керування, тож вам слід підтвердити деталі у вашому контракті.
Останній пункт стосується прихованого радіусу впливу. Якщо агент має доступ до продакшн-баз даних, а ваш патерн передбачає використання однієї спільної таємниці, LangGraph не забезпечує повного захисту від збоїв.
Витрати на експлуатацію мають менше значення, ніж будь-який з інших факторів. Витрати на можливість спостереження з часом стають дуже важливими, адже саме рахунок за трекування в LangSmith є тим моментом, коли загальні витрати LangGraph змінюються з прогнозованих на несподівані.
Де кожна з платформ виявляє проблеми
Кожна платформа має свій характерний спосіб виникнення проблем у продакшені. Наведені нижче приклади походять з документації виробника або від фахівців, які їх використовували.
Anthropic: компактизація. Це процес, під час якого агент скорочує історію сесії, щоб вона вписувалася у ліміт контексту моделі. У технічному блозі Anthropic чітко зазначається, що компактизація призводить до незворотних рішень щодо того, що залишити, і зазначається, що важко передбачити, які токени знадобляться у майбутніх кроках. На практиці цей механізм може видалити контекст, який агент знадобиться пізніше, через що виконання завдання провалюється. Першим тестом у будь-якій оцінці є завдання, яке потребує інформації з перших 20% сесії після досягнення межі у 80%. Якщо воно провалюється без жодних ознак, це свідчить про обмеження платформи.
Google ADK: цикл мислення. У звіті Composio описується збір у розмірі 5 доларів за одну заблоковану сесію, під час якої агент постійно викликав несправний інструмент, намагаючись його використати знову та знову, що призводило до витрат хвилин vCPU, поки накопичувалися токени. У звіті інженера Composio зазначається, що демонстрації виглядали чудово, але продакшн-версія провалювала більшість викликів інструментів, що призвело до витрат у 5 доларів на повторні виклики. Composio має комерційний інтерес у порівнянні з ADK, тому цей текст слід розглядати як опис досвіду окремого фахівця. Засоби мінімізації проблем — це попередження щодо бюджету, обмеження тривалості сесій та частоти викликів інструментів з самого початку. Платформа охоче дозволить агенту накопичити борги.
LangGraph: багатоагентна система. Згідно з дослідженням Latenode, понад 75% багатоагентних систем стають складнішими для керування після п’яти агентів через ситуації змагання, застрягання, пошкодження стану та виснаження пам’яті. Вважайте це дослідженням аналітиків, а не незалежним дослідженням, хоча воно узгоджується з тим, що описували Replit та Uber. Проблеми починають проявлятися не з першого чи третього агента, а з шостого – коли краї графа вже не є очевидними, стан контрольних точок стає складним для аналізу, а людські контрольні точки заплутуються з асинхронними гілками. Команди, які перемагають у LangGraph, тримають кількість вузлів у графі до п’яти або інвестують значні ресурси у можливості моніторингу. Ті, хто програє, намагаються створити систему з десятьма агентами без цих заходів.
Ці способи збою є архітектурними, а не операційними, тому краща інженерія їх не усуне. Ви обираєте платформу, чиї можливості збереження роботи під час збоїв вам можуть дозволитися.
Вибір за післяобідній час
Три запитання вирішують більшість проблем.
Чи потрібно це відправити ще цього кварталу? Якщо так, Managed Agents є стандартним варіантом, адже для команд без вимог VPC-SC немає нічого іншого, що б настільки скорочувало час від прототипу до продакшну. Зменште залежність від Claude, написавши логіку агента на основі інтерфейсів Claude Agent SDK вже зараз, щоб згодом можна було перейти на самостійно розміщений Bedrock чи Vertex.
Чи має дизайн більше п’яти гілок чи потребує людського схвалення в кількох місцях? Тоді LangGraph, за умови, що у вашої команди є необхідні ресурси платформи. Klarna, Uber та Replit є прикладами, а складніший процес навчання дозволяє використовувати примітиви, які не стануть сюрпризом о 3 годині ночі.
Чи вже знаходиться ваша робоча навантаження на Google Cloud з вимогою до VPC Service Controls? Тоді ADK з Agent Engine — це найпростіший шлях. Сумісність заявлена безкоштовно, а витрати на зберігання є найнижчими серед трьох варіантів. Під час оцінки врахуйте додаткові витрати, пов’язані з процесом прийняття рішень.
У формі таблиці у вашій голові: для доставки цього кварталу Managed Agents є найшвидшим варіантом, LangGraph вимагає інвестицій у платформу, а ADK потребує внутрішньої експертизи з GCP. Для складних архітектур із більш ніж п’ятьма філіями чи етапами схвалення Managed Agents має обмеження через жорсткі вимоги до інтеграції; LangGraph є стандартним вибором, а ADK підтримує більшість сценаріїв завдяки своїм примітивам. Якщо обов’язковий використання GCP з VPC-SC, Managed Agents потребує додаткової роботи з інтеграцією, LangGraph вимагає створення власної системи захисту, тоді як ADK успадковує її вбудовано. Для багатомодельних завдань Managed Agents підтримує лише Claude (для портативності використовуйте Agent SDK), тоді як LangGraph є незалежним від конкретних моделей, а ADK ставить Gemini на рівень першого класу, пропонуючи доступ до інших моделей через LiteLLM чи сумісні з OpenAI кінцеві точки.
AWS Bedrock AgentCore заслуговує короткої згадки як четвертий варіант. Він підходить для компаній, які використовують усе на AWS та хочуть мати єдиний рівень обробки даних під Claude Agent SDK, LangGraph та CrewAI за ціною 0,0895 долара за годину vCPU та 0,00945 долара за годину GB. Це інфраструктурний рішення, а не фреймворк, тому воно не враховується у порівнянні.
Спробуйте той самий агент на всіх трьох платформах
Реалізуйте один невеликий агент у кожній з систем: щотижневий огляд, який завантажує три останні статті з arXiv про генерацію з підтримкою пошуку, запускає короткий скрипт оцінки та створює одну сторінку. Відстежуйте, скільки часу потрібно для того, щоб перейти від клона до функціонального запуску, скільки коштує кожен запуск та наскільки швидко можна з’ясувати причину його невдачі.
Для керованих агентів наведений раніше фрагмент є повною структурою: одна сесія, один запуск та потік подій із обробкою помилок під час втрати з’єднання. Встановіть ANTHROPIC_API_KEY, запустіть процес один раз, потім змусьте клієнт перезавантажитися та підтвердьте, що журнал сесії зберігся, підключившись знову через GET /runs/{id}/events. За допомогою API-ключа Claude перший успішний запуск має зайняти менше години.
З LangGraph граф є лише половиною роботи. Інша половина — це інструмент перевірки Postgres та місце для розгортання. Найменша конфігурація виглядає так:
# 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 ...
Розраховуйте півдня. Перші півгодини йдуть на конфігурацію, а наступні три години — на визначення місця розташування людського контрольного пункту та способів повторної спроби у разі збою інструменту.
Для ADK логіка агента — це SequentialAgent, а частина, пов’язана з виконанням, — це автентифікація через gcloud та розгортання Agent Engine. Мінімальна 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
Плануйте тут також півдня часу — переважно на налаштування IAM та VPC-SC, саме тому ви й обрали ADK з самого початку.
Протестуйте кожен з них протягом тижня. Порівняйте рахунок за використання LangSmith, оплату за години роботи Claude та рахунок від Vertex AI Agent Engine, а також прочитайте всі три звіти про збої. Оберіть платформу, яка відповідає справжнім інженерним можливостям вашої команди.
Що слід пам’ятати
У 2026 році платформи агентів перейшли від питання „Чи можемо ми це створити?“ до питання „Які компроміси нам доведеться приймати протягом багатьох років?“. Усі три варіанти мають справжніх клієнтів, реальні цифри, реальні моделі збоїв та реальні ціни, і жоден з них не є абсолютно кращим. Вони призначені для різних сфер експлуатації. Вибір залежить від самооцінки вашої команди з розробки платформ, обсягу необхідної відповідності стандартам та готовності до інженерних завдань, тож обирайте ту платформу, яка є у вашій команді, а не ту, якої ви б хотіли мати.
- Managed Agents допомагає перейти від прототипу до продакшну за кілька днів, а не місяців, проте це прив’язує вас до Claude. Якщо потрібно використовувати кількох постачальників моделей, пишіть код на основі Claude Agent SDK та розміщуйте його самостійно на Bedrock, Vertex AI чи Azure AI Foundry.
- Спочатку перевірте ефективність стиснення даних. Створіть завдання, яке потребує лише перших 20% часу сесії після досягнення 80% межі, адже власний інженерний блог Anthropic вказує саме на цей момент як на точку, де сесії беззвучно зазнають невдачі.
- LangGraph підходить, коли ваша архітектура має більше п’яти гілок чи потребує людського схвалення в кількох місцях. Якщо ви намагаєтесь розширити функціонал за допомогою вищорівневої платформи, ви будуєте щось не те, тому перейдіть на графову модель ще до того, як виникнуть обмеження багатоагентної системи.