Open-source агентные фреймворки: что выбрать в 2024-м

За 2024 год открытые библиотеки для построения LLM-агентов^* перестали быть экспериментами на выходные. LangChain выпустил LangGraph — отдельную библиотеку для графов состояний, Microsoft переписал AutoGen и вынес часть логики в новый пакет, CrewAI собрал десятки тысяч звёзд на GitHub на идее «команды агентов», а LlamaIndex добавил механизм Workflows на событиях. Все четыре решают одну задачу — заставить модель не просто отвечать, а вызывать инструменты, планировать шаги и работать в цикле, — но подходят к ней по-разному. Ниже — что они умеют сегодня и куда, судя по коммитам и релизам, движутся.

Что вообще изменилось за год

Год назад «агент» на практике означал цикл ReAct: модель думает, выбирает инструмент, читает результат, думает снова. Сейчас акцент сместился на две вещи — управляемость и наблюдаемость. Разработчикам надоели агенты, которые уходят в бесконечный цикл или тихо галлюцинируют вызов несуществующей функции. Ответ индустрии — явные графы переходов, контрольные точки состояния и трейсинг каждого шага.

LangGraph сделал ставку на граф: вы описываете узлы и рёбра, состояние передаётся между ними, есть встроенная возможность прервать выполнение и вернуться к нему (checkpointing). AutoGen и CrewAI идут от метафоры разговора нескольких агентов — один пишет код, другой проверяет, третий резюмирует. LlamaIndex Workflows — от событийной модели: шаги подписываются на события и публикуют новые.

Выбор фреймворка в 2024-м — это выбор не «самого умного», а того, чью модель управления вы сможете отлаживать в три часа ночи, когда агент в проде зациклился на вызове API.

Сравнение четырёх подходов

Все проекты открыты и живут на GitHub под разрешительными лицензиями (проверяйте актуальную лицензию в репозитории перед коммерческим использованием — она может меняться между версиями). Ключевое различие — в базовой абстракции и в том, насколько жёстко фреймворк ведёт вас за руку.

Приводить сравнительные баллы по единому бенчмарку здесь было бы нечестно: публичного стандартизированного теста, который бы одинаково гонял эти четыре фреймворка на одних задачах и признавался авторами всех проектов, на сегодня нет. Разница между ними — архитектурная, а не «на сколько процентов один точнее другого».

Куда всё движется

Стандартизация инструментов

Заметный тренд — сближение вокруг протоколов подключения инструментов и данных. Anthropic выпустил Model Context Protocol (MCP) как открытый стандарт для подключения источников данных и инструментов к моделям, и фреймворки начали добавлять его поддержку. Если тенденция закрепится, инструмент, написанный под один агент, можно будет переиспользовать в другом без переписывания обвязки.

Наблюдаемость как часть ядра

Трейсинг агентов из «приятного дополнения» превращается в обязательный слой. LangChain развивает LangSmith, вокруг остальных проектов растут интеграции с OpenTelemetry и сторонними системами трейсинга. Ожидаемо, что в 2025-м фреймворк без встроенного просмотра шагов агента будет проигрывать на старте.

Долгоживущие агенты и состояние

Checkpointing в LangGraph и событийная модель в Workflows — это шаги к агентам, которые живут дольше одного запроса: могут остановиться, дождаться ответа человека или внешнего события и продолжить. Здесь фреймворки конкурируют уже не с промпт-обёртками, а с оркестраторами задач вроде очередей и воркфлоу-движков.

Кому это пригодится, а кому нет

• Возьмите LangGraph, если строите агента для прода с ветвлениями, откатами и участием человека в цикле — например, обработку заявок, где на спорном шаге нужно передать управление оператору.
• Возьмите AutoGen, если задача естественно раскладывается на диалог ролей: генератор кода и ревьюер, автор и критик. Заложите время на миграции — API проекта заметно менялся.
• Возьмите CrewAI, если нужно быстро собрать прототип «команды» агентов и показать заказчику, а не вылизывать низкоуровневый контроль потока.
• Возьмите LlamaIndex Workflows, если вы уже на LlamaIndex ради RAG^** и не хотите тащить второй фреймворк ради оркестрации.
• Не берите открытый фреймворк вообще, если вам достаточно одного вызова с function calling напрямую через SDK модели. Граф из одного узла — это оверинжиниринг.

Открытый фреймворк против закрытого SDK

Закрытые ассистент-платформы (например, Assistants API от OpenAI) снимают часть забот: состояние, хранение файлов, вызов инструментов берёт на себя провайдер. Плата за это — привязка к одному вендору и модели. Открытый фреймворк даёт свободу менять модель под капотом, запускать локальные веса и разворачивать всё в своём контуре, но требует, чтобы вы сами держали инфраструктуру, трейсинг и обновления.

Практический критерий простой. Если у вас есть требование не отдавать данные наружу или желание переключаться между моделями разных провайдеров — открытый фреймворк оправдан. Если важнее скорость запуска и вы готовы жить внутри одной экосистемы — закрытый SDK сэкономит недели.

^* Агент — программа, где языковая модель не только генерирует текст, но и в цикле выбирает действия: вызывает инструменты (поиск, API, код), читает результат и решает следующий шаг сама, а не по жёстко прописанному сценарию.

^** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом достаёт релевантные фрагменты из базы знаний и отвечает с опорой на них, а не только на то, что запомнила при обучении.