LangGraph、OpenAI Agents SDK或Claude Agent SDK：将相应原语与工作负载匹配。
四种示例工作负载——语音处理、持久性退款、代码迁移以及MCP操作——展示了在何种情况下适合使用哪种代理框架，并附有关于锁定效应、持久性及实时性的说明。
来源: The Best Agent Framework in 2026: LangGraph vs OpenAI Agents SDK vs Claude Agent SDK
2026年的各类对比仍集中在三种智能体框架上，每种框架都基于不同的核心理念。LangGraph是一种图计算运行时，其节点为普通函数，边则决定状态转换方式。OpenAI Agents SDK以任务交接为核心，智能体通过带类型标注的会话将工作传递给另一个智能体，并原生支持MCP协议。而Claude Agent SDK则与众不同：它为智能体提供了一台真正的计算机，因为Anthropic基于bash执行、文件写入及钩子机制构建了该框架，认为一个功能强大的智能体需要真正的命令行环境。
选择哪种框架取决于架构对比中很少被提及的一个因素：智能体要执行的是何种类型的工作？
三种基本要素
LangGraph专为有状态的工作流设计。首先需要定义状态模式，然后一个带类型的对象会从图中的第一个节点移动到最后一个节点。由于检查点机制会在每个节点保存状态，因此程序在崩溃后或等待人工审批时可以继续运行，并且上下文不会丢失。2025年10月22日正式发布的LangChain 1.0中引入的create_agent函数实际上只是该运行时机制的接口层，这也就结束了关于应使用LangChain还是LangGraph的争论。
OpenAI Agents SDK包含九个核心组件，分别是Agents、Handoffs、Tools、Guardrails、Sessions和Realtime。其最基本的单元是一个智能体将任务传递给另一个智能体。2025年，通过LiteLLM支持了100多种模型，实现了与提供方的解耦。MCP被视为一等工具类型，而语音功能则内置于gpt-realtime-2系列模型中。
Claude Agent SDK以shell环境为核心。其工具箱包含Bash、Read、Write、Edit、Glob和Grep等工具，还有名为PreToolUse、PostToolUse和Stop的生命周期钩子，以及在不同隔离的上下文窗口中运行的子代理。2025年底，Anthropic将其名称从Claude Code SDK改为现名，因为该框架不仅可用于编程，还能支持深度研究、视频制作和笔记记录等功能。虽然Bedrock、Vertex和Azure Foundry可以运行它，但仅允许使用Claude模型。
2025年的一种错误认知
去年有一种普遍的假设认为OpenAI Agents SDK只能使用OpenAI的模型。这一观点已经过时约15个月了。官方仓库除了支持OpenAI Responses API外，还通过LiteLLM和Any-LLM集成支持大约100种其他模型。
# Install: pip install "openai-agents[litellm]"
# Env: export GEMINI_API_KEY=...
import os
from agents import Agent, Runner, function_tool
from agents.extensions.models.litellm_model import LitellmModel
@function_tool
def current_time_utc() -> str:
"""Return the current UTC time as an ISO-8601 string."""
from datetime import datetime, timezone
return datetime.now(timezone.utc).isoformat(timespec="seconds")
# OpenAI Agents SDK using Gemini via LiteLLM. No OpenAI key required.
gemini_model = LitellmModel(
model="gemini/gemini-2.5-pro",
api_key=os.environ["GEMINI_API_KEY"],
)
agent = Agent(
name="time-agent",
instructions="Answer time questions using the current_time_utc tool.",
model=gemini_model,
tools=[current_time_utc],
)
result = Runner.run_sync(agent, "What is the current UTC time?")
print(result.final_output)
# -> "The current UTC time is 2026-07-06T14:32:11+00:00."
使用 Gemini 模型名称创建 LitellmModel，表明该框架能够处理 OpenAI 生态系统之外的模型，而 @function_tool 装饰器的功能无论底层使用何种模型都保持一致。非 OpenAI 模型的支持程度以尽力而为为原则，不同服务提供商的功能完备性存在差异。由于无法设定严格的模型限制，这些框架便在底层架构设计上展开竞争。
拥有四个智能体的测试公司
以一家中型金融科技企业为例，暂称 Meridian，其四个智能体正在不同团队中开发中。
- 一个语音客服智能体，通过电话处理账单相关问题。
- 一个多智能体退款工作流，会在将工单转交财务部门之前先检查欺诈规则。
- 一个内部代码迁移智能体，能够遍历庞大的 Java 代码库，进行语法转换并提交拉取请求。
以下四个构建方案展示了哪种框架适合各自的需求。
工作负载一：语音与实时流媒体
语音团队需要在严格的延迟限制下工作，流媒体传输的延迟必须低于500毫秒，同时还要处理用户突然接入的情况。语音转文本、文本输入模型再生成语音的输出流程速度过慢，因为每次网络传输都会增加延迟。
OpenAI Agents SDK非常适合此场景。gpt-realtime-2模型能够直接传输音频令牌，而RealtimeAgent则封装了这一功能。在2026年中，LangGraph和Claude Agent SDK均未能提供此类级别的原生实时处理能力。
# Install: pip install openai-agents
# Env: export OPENAI_API_KEY=...
import asyncio
from agents import function_tool
from agents.realtime import RealtimeAgent, RealtimeRunner
@function_tool
def lookup_billing_balance(account_id: str) -> str:
"""Return the current outstanding balance for an account."""
# In production, this hits the billing service. Here it is a stub.
return "42.17 USD outstanding as of 2026-07-06."
voice_agent = RealtimeAgent(
name="meridian-billing-voice",
instructions=(
"You are Meridian's billing voice assistant. Answer politely, briefly. "
"Confirm the account_id before disclosing any balance."
),
tools=[lookup_billing_balance],
)
async def main():
runner = RealtimeRunner(
starting_agent=voice_agent,
config={"model_settings": {"model_name": "gpt-realtime-2.1"}},
)
# session handles the audio stream and tool calls
session = await runner.run()
async with session:
# Wire the audio input source here via sounddevice or pyaudio
async for event in session:
if event.type == "history_updated":
# The item contains the finalized transcript once the turn ends
print(f"History updated with item: {event.item}")
elif event.type == "error":
print(f"Error: {event.error}")
break
asyncio.run(main())
RealtimeAgent与RealtimeSession负责处理传入和传出的音频流以及工具调用循环，而使用@function_tool声明的工具会在实时会话中运行，方式与在文本代理中相同。该框架会暴露事件循环，而WebSocket状态则不会被显示。
在LangGraph或Claude Agent SDK中实现这一功能需要编写自定义的WebSocket代码、进行语音活动检测，并处理复杂的中断逻辑，这会让代理项目变成一个媒体处理管道项目。如果公司政策要求必须使用Claude或Gemini作为语音模型，那么情况就有所不同。Anthropic后来添加了实时处理功能，因此2026年中之后阅读相关内容的人应核实各功能的兼容性。
第二类工作负载：需人工审批的持久化编排
退款流程需要先进行欺诈检测，再提交财务审批；对于金额超过500美元的退款，还需等待人工审核，最后将决策结果写入Postgres数据库。该流程必须能够抵御服务器崩溃，并在遇到人工处理延迟时仍能保持上下文不丢失。
LangGraph非常适合这一需求。检查点机制与中断机制相结合，恰好提供了长时运行业务流程所需的控制流。实际应用团队也认可这一架构：Uber称其通过LangGraph在AutoCover和Validator系统中节省了约21,000小时的开发时间；LinkedIn则发表了一篇关于Hiring Assistant系统中分层语义记忆树的论文，而其监督节点与子节点的设计则在LangChain的工程讨论中另有阐述。
from typing import TypedDict, Literal
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import interrupt, Command
from langchain_google_genai import ChatGoogleGenerativeAI
# LangGraph is provider-agnostic. Here it uses Gemini.
llm = ChatGoogleGenerativeAI(model="gemini-2.5-pro", temperature=0)
class RefundState(TypedDict):
order_id: str
amount_usd: float
customer_reason: str
fraud_risk: Literal["low", "medium", "high"] | None
finance_decision: Literal["approved", "denied"] | None
human_review_needed: bool
def fraud_check(state: RefundState) -> RefundState:
"""Run the LLM-backed fraud check against the customer's stated reason."""
prompt = (
f"Assess fraud risk for refund of ${state['amount_usd']:.2f}. "
f"Customer reason: {state['customer_reason']!r}. "
"Respond with one word: low, medium, or high."
)
verdict = llm.invoke(prompt).content.strip().lower()
if verdict not in {"low", "medium", "high"}:
verdict = "high" # fail-closed on ambiguous LLM output
return {**state, "fraud_risk": verdict}
def finance_approval(state: RefundState) -> RefundState:
"""Above $500 or medium risk, pause for a human. Otherwise auto-approve."""
needs_human = state["amount_usd"] > 500 or state["fraud_risk"] in {"medium", "high"}
if needs_human:
# Pause the graph. On resume, interrupt returns the human's decision.
human_decision = interrupt({
"order_id": state["order_id"],
"amount_usd": state["amount_usd"],
"fraud_risk": state["fraud_risk"],
"prompt": "Approve (yes/no)?",
})
return {**state, "human_review_needed": True, "finance_decision": human_decision}
return {**state, "human_review_needed": False, "finance_decision": "approved"}
# Build the graph
graph = StateGraph(RefundState)
graph.add_node("fraud_check", fraud_check)
graph.add_node("finance_approval", finance_approval)
graph.add_edge(START, "fraud_check")
graph.add_conditional_edges(
"fraud_check",
lambda s: "finance_approval" if s["fraud_risk"] != "high" else END,
)
graph.add_edge("finance_approval", END)
# Checkpointer. For production, swap MemorySaver for PostgresSaver.
compiled = graph.compile(checkpointer=MemorySaver())
# Run it. Interrupt fires on the $850 refund and the graph pauses.
config = {"configurable": {"thread_id": "order-4291"}}
result = compiled.invoke(
{
"order_id": "4291",
"amount_usd": 850.00,
"customer_reason": "arrived damaged, no photo",
"fraud_risk": None,
"finance_decision": None,
"human_review_needed": False,
},
config=config,
)
# Later, a human reviewer says yes. Resume with Command.
final = compiled.invoke(Command(resume="approved"), config=config)
暂停与恢复的模式能够确保代码的持久执行。在财务审批节点中调用interrupt()函数会将当前状态写入检查指针，此时系统可能会关闭。数小时后，当恢复状态被设置为“已批准”时，操作会在同一线程ID下从暂停处继续执行，而无需重新进行欺诈检测。
不过这种持久性方案也存在一些限制。开源运行时将状态保存在进程内存中的MemorySaver中，因此在高负载情况下真正的崩溃恢复需要依赖Postgres支持的LangGraph Platform，或是自定义的PostgresSaver机制。
OpenAI Agents SDK提供了用于对话状态管理的Sessions以及用于长期任务的Sandbox Agents，但缺乏在任意图结构上实现节点级检查点的功能。Claude Agent SDK则将JSONL格式的会话状态保存在本地，或通过Managed Agents来实现持久化存储，但为此需要使用仅支持Claude模型的方案。目前，LangGraph拥有成熟的任务编排能力。
第三类工作负载：文件与Shell操作
来自开发者体验团队的迁移工具需要遍历一个包含40万行代码的Java项目库，应用语法修改，运行单元测试并提交拉取请求。这意味着要读取和编辑文件、执行Shell命令以及处理编译错误。几乎所有工作都集中在Bash和Edit操作上。
Claude Agent SDK可直接对应于此，因为Anthropic的理念是为智能体提供一台计算机。它拥有Bash、Read、Write、Edit、Glob和Grep等原生工具，其钩子功能则充当控制界面。PreToolUse钩子可用于设置限制，防止有害命令的执行，而PostToolUse钩子则可用于运行格式化工具或代码检查工具。子智能体会在独立的上下文中分担转换任务，因此交给子智能体的长篇编译错误日志不会污染主智能体的界面。
# Install: pip install claude-agent-sdk
# Env: export ANTHROPIC_API_KEY=...
import anyio
from claude_agent_sdk import (
ClaudeSDKClient,
ClaudeAgentOptions,
AgentDefinition,
HookMatcher,
)
# PreToolUse hook: block Bash calls that look like rm -rf
async def block_dangerous_bash(input_data, tool_use_id, context):
if input_data.get("tool_name") == "Bash":
cmd = input_data.get("tool_input", {}).get("command", "")
if "rm -rf" in cmd or "rm -rf" in cmd:
return {
"hookSpecificOutput": {
"hookEventName": "PreToolUse",
"permissionDecision": "deny",
"permissionDecisionReason": "rm -rf blocked by policy",
}
}
return {}
# Subagent: runs in isolated context to lint one file
lint_agent = AgentDefinition(
description="Run linters on a single file and return a concise report.",
prompt=(
"You are the lint subagent. Given a file path, run the project's linter "
"on it and return a one-paragraph summary of failures. Do not fix anything."
),
tools=["Bash", "Read"], # Note: tools is deprecated in favor of skills in recent SDKs
)
options = ClaudeAgentOptions(
system_prompt=(
"You are Meridian's code migration agent. Walk the target directory, "
"apply the migration, run tests, and open a PR. Prefer small commits."
),
allowed_tools=["Bash", "Read", "Write", "Edit", "Glob", "Grep"],
hooks={"PreToolUse": [HookMatcher(hooks=[block_dangerous_bash])]},
agents={"lint": lint_agent},
# resume="mig-run-2026-07-06-01", # uncomment to resume a prior session
)
async def main():
async with ClaudeSDKClient(options=options) as client:
await client.query(
"Migrate services/payments/ from Java 17 to Java 21. "
"For every file you touch, delegate to the `lint` subagent afterward. "
"Do NOT commit or open PRs yet. Stop after changes are on disk."
)
async for message in client.receive_response():
print(message)
anyio.run(main)
allowed_tools列表用于设定智能体的运行环境。钩子机制提供了一种位于智能体循环内部而非其周围的约束机制：PreToolUse钩子在工具被调用之前执行，而拒绝决策则会立即终止该调用。Lint子智能体拥有自己的工具和上下文窗口。最新版本的SDK已不再推荐在AgentDefinition中使用tools字段，转而使用skills字段，不过旧方式仍然有效。注释中的代码示例展示了如何从本地磁盘上的JSONL文件中恢复会话状态。
在 LangGraph 中，这些 Shell 原语需要被编写为自定义的 Python 函数。OpenAI SDK 的 Sandbox Agents 在容器中运行，架构上与之类似，但其原语集合并未以类似基于文件的方式命名或暴露。问题在于模型锁定效应——那些严格禁止在模型层面出现锁定效应的团队无法使用 Claude Agent SDK，只能自行重新实现 bash 和编辑相关原语，转而使用 LangGraph。
第四类工作负载：以 MCP 为主的协调任务
平台团队的控制台能够响应工程师输入的单一问题。在背后，该代理会从 Sentry 获取错误信息、从 Linear 获取工单数据、从 PagerDuty 获取事件记录，以及从 Postgres 获取用户信息。其几乎所有精力都用于协调第三方 MCP 服务器，而用于生成答案的部分则非常少。
在这一点上，OpenAI Agents SDK与Claude Agent SDK处于同一水平。两者都以MCP作为核心构建模块，且服务器功能表现为本地函数。LangGraph也能使用MCP，但在2026年中使用它需要更多的冗余代码，因此团队通常会自行将服务器封装成工具。这两款领先产品之间的差异属于次要考量因素。
- 若需要第一方追踪、严格的约束机制以及将任务分配给专业子代理，或希望通过LiteLLM将简单的合成任务转交给成本更低的提供商，可选择OpenAI Agents SDK。
- 若看重钩子生命周期管理、严格的子代理隔离机制以及Claude在工具使用方面的可靠性，可选择Claude Agent SDK。
为常见SaaS工具定制API封装会占用大量工程时间。MCP标准化了上下文与工具发现机制，因此框架只需避免干扰，且两种SDK都原生支持该模式。
按工作负载总结
- 支持实时语音插入的功能：OpenAI Agents SDK。
- 需要人工审批的持久多智能体流程：LangGraph。
- 文件处理、命令行操作及代码迁移任务：Claude Agent SDK。
- 复杂的MCP编排需求：OpenAI Agents SDK或Claude Agent SDK。
关于CrewAI的说明
许多读者期望在此类对比中看到CrewAI。经核查，其当前版本Flows的采用情况以及企业案例的研究深度均不如其他三个选项，因此未将其纳入，以免用较弱的依据填充内容。
真正的选择
有四种智能体最终被集成到三种框架中：OpenAI SDK中的语音与平台智能体、LangGraph中的退款流程智能体，以及Claude Agent SDK中的迁移智能体。争论哪种框架更优是个错误的思路，关键在于让框架的核心原语与工作需求相匹配。
下一轮竞争可能会再次围绕稳定性问题展开，因为LangGraph Platform正在与Anthropic的托管智能体服务竞争。LangGraph或许会获得一流的实时处理原语，而Anthropic则可能向其他模型提供商开放其SDK。在那时之前，这些原语将决定系统的架构设计。
相关阅读
- 使用LangGraph与监督代理构建多代理路由器 — 如何在LangGraph中通过预置辅助工具和手动设计的StateGraph，将一个负担过重的代理拆分为多个专业代理，同时探讨状态设计及循环中的常见问题。
- LangGraph中的自愈多代理团队：架构师、测试员、调试器 — 使用Python构建LangGraph状态机，让架构师、开发人员、pytest沙箱环境、调试器及审查员协同工作并不断循环，直至测试通过。