管理型代理对比：Anthropic、LangGraph与Google ADK
谁来管理沙箱、凭证及追踪功能？对Anthropic Managed Agents、LangGraph和Google ADK在价格、故障模式方面的对比，以及简易决策指南。
来源: Anthropic Managed Agents vs LangGraph vs Google ADK: Pick One
凌晨3点的场景：Sentry中出现了一个错误。一个机器人读取了崩溃信息，将其追溯到支付代码中的竞态条件问题，随后编写了修复方案并提交了拉取请求。当值班工程师在7点打开Slack时，那里已经有一个等待审核的PR。实际上并没有人编写差异对比内容或提交工单。
那个机器人其实是一个托管型代理。过去要开发这样一个代理需要6名工程师和四分之一个的工作量：包括定制的沙箱环境、状态存储、重试逻辑、凭证管理库以及日志处理流程。而Sentry仅用一个团队在六周内就完成了类似功能，其优势并不在于更智能的模型，而是有其他人负责处理底层架构。该代理会利用Sentry的诊断AI Seer进行的根本原因分析，将其转化为修复用的PR。2026年4月10日，Anthropic成为了该产品的首批客户。
目前有三家供应商正在大规模生产这种产品：Anthropic、LangChain和Google。它们对于任务处理流程应在用户与自身之间如何分配存在不同看法。下文将介绍变化之处、各家产品的功能特点、各自的缺陷以及选择建议。真正的问题不在于哪个框架最好，而在于你的团队希望掌控哪一部分操作流程。
“托管代理”的含义
首先从“代理”这个词说起。它是一种能够接收任务、选择操作步骤、调用工具、检查进度并循环执行的软件。聊天机器人则不属于此类。
“托管”意味着供应商负责运营相关基础设施：安全容器、会话状态、凭证，以及网络故障后的重试机制。您只需提供任务和工具的定义即可。托管代理类似于手工编写的代理代码，而托管数据库则相当于自托管的 Postgres。您负责维护数据架构和查询语句，供应商则承担硬件管理、备份、故障转移及监控等工作。
具体流程如下：您提交任务，例如“将这三篇论文总结成一页的简报”。服务提供商会启动一个安全的 Linux 容器，代理程序便在其中开始工作，调用各种工具并创建文件，同时将结果反馈给您。即使关闭笔记本电脑，任务也会继续执行；即便网络断开，它依然会运行。一小时后再重新连接，就可以从之前中断的地方继续处理。所有操作都会被记录在持久的会话日志中，就像提交历史或账本一样，而该日志就是事实的依据。
这就是核心变化所在。代理程序不再运行在您的进程中，而是一个服务器端的工作者，能够承受断开连接、重启以及笔记本进入睡眠状态等情况。您无需编写代码来实现这种功能，目前还不存在相关代码。您只需指定任务内容，由服务提供商来操作这个工作者，其输出结果会独立于您的连接状态而存在。
为何现在这一点如此重要
大多数企业级代理在演示阶段就失败了。笔记本可以运行，视频效果也不错，但实际使用时却会提出没人愿意去实现的功能。你需要一个沙箱来防止代理访问主机，需要一个安全存储机制来避免令牌泄露，需要持久化功能以确保重新部署不会中断当前运行，需要对超时的工具调用进行重试，需要可观测性功能以便值班人员能在凌晨两点了解发生了什么，还需要预算警报机制，防止陷入死循环而在有人察觉之前就耗费500美元。
这些都不是模型相关的工作，全是平台层面的工作，而大多数AI团队都没有多余的平台工程师。
Anthropic 的产品正是为填补这一空白而设计的。其在2026年4月发布的宣传资料宣称“将产品上线速度提升10倍”。这虽属于营销话术而非具体数据，但却精准指出了行业痛点。据媒体报道（来自VentureBeat，并非Anthropic公开的数据），该公司的年度经常性收入已超过300亿美元，其中企业客户占比约80%。Managed Agents产品旨在解决此前收入增长受阻的问题。
已有四家早期客户开始使用该产品。Notion在其工作空间中集成了工程与知识型员工专用智能体；Rakuten则将这类智能体应用于产品、销售、营销及财务领域；Sentry推出了公关专用机器人；Asana则利用它来加快AI Teammates项目的开发进度。
三大平台简述
它们的区别在于供应商承担的工作量以及用户需要完成的工作量。Anthropic的版本最为新，因此会在下文中进行更详细的介绍。LangGraph和Google ADK则已经存在了一段时间。
Anthropic托管代理
该产品于2026年4月10日推出，是模型提供商推出的首个全托管代理产品。Anthropic负责运行执行容器、会话历史存储、凭证管理库、失败工具调用的重试逻辑以及追踪功能。用户只需编写任务描述和工具列表这两部分内容即可。
单次运行流程如下：你发送一个POST请求，内容为“使用这些工具处理此任务并启动代理”。Anthropic会创建一个全新的Linux容器，这种容器是临时的，即仅在任务开始时生成、任务结束时销毁，因此不同会话之间不会共享文件系统。Claude会在其中循环执行以下操作：读取任务、选择下一步操作、调用相应工具、获取结果后再做决策。每个事件都会被记录到Anthropic为你保存的会话日志中，那是一个只允许追加内容的日志文件。这些事件会通过HTTP传回给你，即便连接中断，代理也会继续运行。
这种定价方式在基础设施领域并不常见。你需要支付常规的 Claude 代币费用，再加上每活跃会话小时8美分的固定费用。全天候运行的机器人，在不考虑代币成本的情况下，每月的运行费用约为58美元；而处理一张支持工单所需的3分钟运行时间，费用还不到1美分。计费依据是会话时长，而非CPU使用时间。
这种便利性的代价在于耦合性。该运行环境是为 Claude 设计的，因此如果不重写推理层，就无法接入其他模型。解决办法是使用开源的 Claude Agent SDK，即自行托管的库形式的智能体循环。作为交换，你可以获得一种运行环境，已有四家公司在其发布后六周内便将其投入实际使用。LangChain和谷歌的智能体平台已经推出约18个月，因此这里的创新之处在于模型供应商提供的全托管运行环境。
LangGraph与LangSmith
这一对组件属于控制平面，即运行在基础设施之上、负责协调代理程序执行方式的工具。你需要自行设计流程图，明确代理程序需遵循的步骤顺序。LangChain负责提供托管服务、执行追踪功能（记录每一步操作）以及轨迹存储库，后者是存放这些记录并可进行搜索的数据库。该流程图库采用MIT许可证，因此你可以自由复制、修改或自行托管它，从而实现真正的可移植性。而限制因素则在于轨迹存储库，因为只有在LangSmith内部才能对轨迹数据进行完整搜索。
结合Vertex AI Agent Engine的Google ADK
这种方法假设您已经使用 Google Cloud。您用 Python 编写智能体（Java 和 TypeScript 将在 2026 年推出），然后将其部署到 Agent Engine，即 Google 在 Cloud Run 或 Kubernetes 上提供的托管运行时环境。这些智能体会继承您的云安全配置：网络边界规则、加密密钥策略以及 IAM 设置。如果您的合规文档已经是基于 Google Cloud 的格式，那么 ADK 就是让原型快速变为安全团队能够批准产品的最快捷途径。
Anthropic Managed Agents 提供的功能
您只需描述任务需求，Anthropic 便会负责执行。从代码可以看出，您需要编写的部分其实非常少：
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
这仅需几十行代码就能实现一个生产级代理。无需 Kubernetes 配置文件，无需维护沙箱镜像，也无需设置检查点。managed-agents-2026-04-01 这一测试版标识会将你接入 Anthropic 工程师所称的“元框架”，该框架由三个独立部分组成。
会话是一个只读追加型日志。工具调用、代理消息以及观察结果都会被记录其中，形成可完整回放的持久性记录。元框架则由 Claude 以及工具接口构成，它会从会话中读取数据、选择下一步操作、调用相应工具并将结果写回。沙箱则是临时性的 Linux 容器，每个任务都会创建一个并在任务结束后被销毁。Git 凭证和 MCP OAuth 令牌则存储在沙箱外的安全存储库中，这样代理就可以引用这些凭证而无需实际持有它们。
会话持久性是常被低估的功能。当客户端断开连接时，数小时的研究任务不会重新开始——会话依然保持不变，工具会自动重新连接，代理程序也会继续运行。那些曾因不稳定的网络而不得不持续监控长时间运行的代理任务的人，一定会很欣赏这一功能。
从成本角度来看，相比花费六周时间进行定制化沙箱开发，每月58美元的24/7代理服务费用其实更为划算。在实际应用案例中，Notion同时提供了工程类代理与知识工作者专用代理；Rakuten将代理程序接入多个部门的Slack和Teams平台，从而获取电子表格、幻灯片及应用程序；Sentry的代理程序负责编写修复代码并提交Pull Request；而Asana则认为该平台让团队能够专注于多用户界面设计，而非处理运行时的技术问题。
这种绑定是真实存在的：你无法在不离开当前平台的情况下，直接将 Gemini 或 GPT 替换掉。唯一的出路是 Claude Agent SDK，而该 SDK 可以在 AWS Bedrock、Google Vertex AI 或 Azure AI Foundry 上运行。如果你从一开始就按照 SDK 接口来编写代码，那么离开当前托管运行环境只需进行部署调整，而无需重新编码。
LangGraph 提供了什么
LangGraph 只提供相关组件，具体组装工作需由你完成。
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))
可以将 LangGraph 视为用于定义智能体行为的状态机编辑器。该图结构决定了下一步的操作以及传递的数据。每个节点都是一个普通函数，每条边都有明确的定义，而且每一个分支都可以被审计。
2025 年 10 月，LangChain 将 LangGraph Platform 更名为 LangSmith Deployment。目前 LangSmith 已为 300 多家企业客户提供服务，处理过的追踪数据量超过 150 亿条，处理过的令牌总数达 100 万亿个。如此庞大的处理规模构成了其竞争壁垒，因为其核心优势在于可观测性，而非 MIT 图库本身。
客户们要求获得更多控制权。Klarna基于LangGraph和LangSmith开发的辅助工具为8500万活跃用户提供服务，将问题解决时间缩短了80%。Uber的开发者平台团队开发了用于违规检测的Validator和用于测试生成的AutoCover，为5000名工程师提供服务，据称节省了21000小时的开发者工作时间。Replit的编码代理能够实现多智能体工作流，并在安装包和创建文件时需要人工审批；而LangChain则不得不扩展轨迹采集功能，以处理长达数百步的轨迹数据。LinkedIn（一款人工智能招聘工具）和AppFolio（一款物业管理辅助工具，据称决策准确率提升了一倍）也被列入LangChain的案例研究目录中，但在将其视为已解决案例之前，请先查看最新的客户页面信息。
一种规律显现出来：一旦工作流包含超过三个分支或需要人工审批环节，团队就会选择LangGraph，因为更高层次的抽象机制能够隐藏复杂智能体所需的循环、分支、检查点以及持久化功能。
其成本结构与管理型运行时有所不同。该平台提供带有流量限制的免费开发者层级，具体阈值会随时变化，因此请查看LangChain的定价页面。无论在何种环境中运行（SaaS、混合模式还是自托管），基础设施费用均由用户承担。SaaS层级中的凭证处理方式可能与自托管模式的默认设置不同，需根据所选方案的企业文档进行核实。LangChain自身的表述很直接：高层次抽象能帮助快速入门，而低层次灵活性则可应对各种生产环境中的查询需求，尽管学习曲线较为陡峭，但团队依然不会选择更换其他方案。Replit和Uber便是明证。
Google ADK 提供了什么
ADK 包含特定的工作流原语以及内置的合规功能。您可以通过代码编写代理程序，将其部署到 Vertex AI Agent Engine 中，从而保障安全态势。
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",
)
这些基础组件诠释了其工作原理：SequentialAgent按顺序执行各步骤，ParallelAgent则同时执行这些步骤，而LoopAgent会不断重复某一步骤直至满足特定条件。由于底层图结构能够支持任意形状，因此开箱即用便有四种架构可供选择。Python版本已达到1.0.0版本且可投入实际应用，Java版本为0.1.0，TypeScript版本预计在2026年推出。
Wedge并非框架，而是Agent Engine在部署时提供给用户的组件。VPC服务控制机制——即Google的网络边界防护系统——负责决定谁能够访问哪些资源。客户管理的加密密钥让您而非Google来掌控数据加密过程。IAM代理身份使该代理成为拥有独立策略绑定的安全主体。审计追踪功能则来自Cloud Trace和Cloud Logging。ADK还集成了100多种预构建的连接器（如AlloyDB、BigQuery、NetApp等），并采用Google的代理间通信协议以实现系统间的互操作性。
在静态状态下使用成本很低。Agent Engine的收费标准为每vCPU小时0.00994美元，每GiB小时0.0105美元，令牌和工具调用则属于单独计费项目，并且还提供免费套餐。某第三方基准测试显示，使用ADK搭配Gemini的冷启动速度略快于使用LangChain搭配Gemini的速度。但这最多只能说明一个大致趋势，因此在会议中重复测试之前，请先对自己的工作负载进行实际测量。
为何继承VPC-SC很重要
目前ADK还不存在像Klarna或Uber那样具有代表性的案例研究，它仍属于新兴产品。谷歌的GEAR计划提供了35个每月的学习积分以及相应的认证路径，用于补贴企业级的ADK培训，这类似于十年前AWS对Well-Architected计划的资助方式，而相关的案例研究仍在逐步建立中。
ADK今天的优势在于合规性方面的便利性。那些已经设置了VPC-SC边界、制定了CMEK策略并定义了IAM主体的受监管企业，只需部署ADK代理即可自动继承所有这些配置，无需额外设置，这一优势远超任何框架功能。实际上，你购买的是能够融入现有安全体系的选择方案。对于没有VPC-SC要求的团队而言，其合规性优势就会减弱，而LangGraph或托管代理则可能进一步简化实施流程。
责任归属矩阵
在明确了这三个平台之后，接下来需要比较的是：生产环境中的各个操作层面由谁负责。可以将其视为一张值班人员表来理解。其中有两行内容比其他所有内容都更为重要，而许多企业团队在评估时往往会对这两行内容判断失误。
沙箱隔离功能。选择 LangGraph，沙箱便归您使用。您可以自行构建容器镜像、配置网络出口规则、决定文件系统何时为临时存储，并定期更新 CVE 补丁。Anthropic 和 Google 默认已提供此功能。如果您的平台任务积压已达四个季度，那么沙箱即服务功能可为您节省一个季度的时间。
凭证管理。Managed Agents 会将 Git 令牌和 MCP OAuth 令牌存储在沙箱外的安全保管库中。Google ADK 则使用 IAM 代理身份，因此该代理拥有独立的策略。LangGraph 将凭证管理交由您自行处理，不过 LangSmith 部署的 SaaS 版本包含托管式管理服务，您应在合同中确认具体细节。
最后一点涉及潜在的影响范围。如果代理程序触发了生产环境数据库，而您的安全模式仅依赖单一共享密钥，那么 LangGraph 无法提供任何能够彻底避免故障的解决方案。
运行时成本相比另外两项要次要得多。随着时间推移，可观测性成本的重要性日益凸显，因为正是 LangSmith 的追踪费用使得 LangGraph 的总成本从可预测变为令人意外。
各平台的故障表现
每个平台在生产环境中都有其特有的故障模式。以下示例来自供应商文档或实际使用过这些平台的从业者经验。
Anthropic的压缩机制：即智能体会裁剪会话历史记录，以使其符合模型的上下文限制。Anthropic的工程博客明确指出，压缩机制会做出关于哪些内容应保留的不可逆决策，并提到很难预知后续步骤会需要哪些标记。实际上，这种机制可能会丢弃智能体日后需要的上下文信息，从而导致任务失败。在任何评估中，首个测试任务就是要求使用会话前20%的信息来完成，而这些信息本应来自会话后80%的内容。如果该测试在无声无息中失败，那就说明已经发现了该平台的局限性。
Google ADK：那个循环思维。一份Composio的现场报告指出，有一次会话因客服人员不断调用出问题的工具、反复尝试又再次调用而产生了5美元的费用，期间vCPU被大量占用，同时令牌不断累积。Composio的工程师在报告中称演示效果很好，但生产环境中的版本在大多数工具调用时都会失败，并因反复调用而产生了5美元的成本。由于Composio在ADK的对比中存在商业利益关联，因此应将其视为某位从业者的个人见解。相应的解决措施就是从一开始就设置预算警报、限制会话时长以及工具调用频率。否则，该平台很可能会任由客服人员陷入债务困境。
LangGraph：多智能体系统的困境。Latenode的分析显示，当智能体数量超过5个时，超过75%的多智能体系统会面临管理难度加剧的问题，包括竞态条件、死锁、状态损坏以及内存耗尽。这属于分析师的研究结果，并非独立研究，不过与Replit和Uber的描述相符。这种问题在仅有1个或3个智能体时并不会出现，直到第6个智能体加入后才会显现——此时图结构中的边变得难以辨识，检查点状态也难以理解，而且人工干预的检查点还会与异步分支产生冲突。在LangGraph竞赛中获胜的团队通常会将智能体数量控制在5个以内，或者大力投资于可观测性工具；而落败的团队则试图在不采取这些措施的情况下管理10个智能体的系统。
这些故障模式属于架构层面的问题，而非运营问题，因此再好的工程手段也无法彻底解决它们。你只能选择那种其故障后果你能够承受的平台。
下午完成挑选
三个问题就能解决大部分问题。
这个项目需要在本季度内发货吗？如果是的话，Managed Agents是默认选择，因为对于没有VPC-SC需求的团队而言，没有其他方案能像它那样大幅缩短从原型到正式上线的流程。现在就可以根据Claude Agent SDK的接口编写代理逻辑，以此降低对Claude的依赖，这样日后就可以转而使用自托管的Bedrock或Vertex。
设计方案的分支是否超过五个，或者需要在多个环节获得人工审批？那么如果团队具备相应平台能力，可以选择LangGraph。Klarna、Uber和Replit都是成功的案例，不过这类工具的学习曲线较陡，其基础功能也不会在凌晨3点时让你措手不及。
如果您的工作负载已经在 Google Cloud 上，并且需要 VPC Service Controls，那么使用带有 Agent Engine 的 ADK 是最简便的选择。合规性功能可免费获得，且其静态存储成本在三者中最低。评估时还需考虑思维循环带来的额外开销。
在脑海中以表格形式概括如下：就本季度的部署而言，Managed Agents速度最快；LangGraph需要平台层面的投入；ADK则要求企业具备GCP相关技术能力。对于分支或审批步骤超过五个的复杂架构，Managed Agents因框架限制而表现不佳，此时LangGraph是首选，ADK则可通过其基础组件应对大多数架构场景。若必须使用带有VPC-SC功能的GCP，Managed Agents需要额外的集成工作，LangGraph则要求用户自行构建安全边界，而ADK可直接利用现有功能。在多模型工作负载方面，Managed Agents仅支持Claude（如需跨平台使用可借助Agent SDK），LangGraph则对模型类型无限制，ADK将Gemini视为核心模型，其他模型可通过LiteLLM或兼容OpenAI的端点进行调用。
AWS Bedrock AgentCore也可作为第四种选择被简要提及。它适合那些所有服务都在AWS上运行的机构，这类机构希望在Claude Agent SDK、LangGraph和CrewAI之下拥有统一的计算层，其费用分别为每vCPU小时0.0895美元、每GB小时0.00945美元。由于这属于基础设施层面的选择而非框架决策，因此不纳入比较范围。
在三种平台上都试用同一款智能体
在每种技术栈上实现一个简单的智能体：该智能体负责每周汇总三篇关于检索增强生成技术的最新arXiv论文，运行简短的评估脚本，并生成一页总结报告。记录从代码克隆到成功运行的所需时间、每次运行的成本，以及排查运行失败原因的速度。
对于托管代理而言，前面的代码片段就是完整的架构：创建一个会话、创建一次运行任务，再加上用于处理断开连接的错误处理的事件流。设置 ANTHROPIC_API_KEY，运行一次，然后强制客户端重启，通过 GET /runs/{id}/events 重新连接以确认会话日志仍然存在。使用 Claude API 密钥时，首次成功运行应在一小时以内完成。
对于 LangGraph 来说，构建图结构仅是工作的一半。另一半还包括 Postgres 检查点机制以及部署位置。最简化的配置如下：
# 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 ...
建议预留半天时间。前半小时用于配置，接下来的三小时则用来确定人工检查点的位置以及工具故障时的重试方式。
对于ADK而言，SequentialAgent负责代理逻辑，而运行时部分则包括gcloud认证以及代理引擎的部署。最基本的框架结构如下：
# 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
这里也建议安排半天时间，主要进行IAM和VPC-SC的配置，这正是你最初选择ADK的原因。
每种方案都运行一周，对比LangSmith的调用费用、Claude的会话时长收费以及Vertex AI Agent Engine的账单，并仔细阅读三份故障报告。最终选择与团队实际工程能力相匹配的平台。
需要记住的事项
2026年的智能体平台已从“我们能否构建它”转变为“我们要承受哪些长期权衡”。这三种技术栈都有真实客户、实际数据、真实的故障模式和明确的定价，没有哪种绝对更优，它们适用于不同的运营场景。选择时应基于对团队能力、合规要求以及工程工作量的自我评估，根据现有团队情况来挑选，而非幻想中的理想团队。
- Managed Agents 能在几天而非几个月内帮助你将原型转化为可投入使用的系统，但它会让你依赖 Claude。如果需要同时使用多个模型供应商的产品，那就基于 Claude Agent SDK 编写代码，并在 Bedrock、Vertex AI 或 Azure AI Foundry 上自行托管。
- 首先测试压缩功能。构建一个任务，仅使用会话开始后前 20% 的时间，因为 Anthropic 自身的工程博客指出，正是在这个阶段会话会悄然出错。
- 当你的架构拥有五个以上分支，或需要在多个环节进行人工审批时，LangGraph 更为适用。如果你试图在更高级的框架之上扩展功能，那实际上是在用错误的方式构建系统，因此应在多智能体架构的局限出现之前转向图模型。