Что изменилось на рынке агентных фреймворков

Ещё пару лет назад агентные фреймворки были набором обёрток над chat-completion API: разработчик сам склеивал цепочки вызовов, память и инструменты. К 2026 году рынок расслоился на три уровня — низкоуровневые SDK от вендоров моделей, оркестраторы графов и прикладные мультиагентные платформы. Выбор между ними определяется уже не модой, а требованиями к контролю, стоимости и безопасности.

LangChain и LangGraph: оркестрация как граф

LangChain эволюционировал из «швейцарского ножа» в экосистему, ядро которой — LangGraph. Агент описывается как граф состояний: узлы — это шаги (вызов модели, инструмент, проверка), рёбра — условия перехода. Такой подход даёт воспроизводимость и позволяет поставить human-in-the-loop на конкретный узел, что критично для корпоративных процессов.

Слабое место осталось прежним — абстракции. Чем больше слоёв между вашим кодом и моделью, тем сложнее отлаживать поведение и считать токены. Практика последних двух лет: LangGraph берут для сценариев с ветвлениями и состоянием, а простые задачи пишут на «голом» SDK.

OpenAI Agents SDK: минимализм от вендора

Agents SDK вырос из экспериментального Swarm и предлагает небольшой набор примитивов: агент, передача управления (handoff), инструменты, guardrails, трейсинг. Ставка сделана на Responses API и встроенные инструменты — веб-поиск, файлы, code interpreter, — которые не нужно оборачивать самостоятельно. Плюс — меньше кода и предсказуемая поддержка; минус — привязка к одному провайдеру и к облаку.

Для российских проектов это ключевое ограничение: если данные не должны покидать контур, нужен либо слой абстракции, либо локальный шлюз с совместимым API.

Альтернативы и протоколы

CrewAI и AutoGen 0.4+ закрывают сценарии «команда агентов с ролями» — удобно для research-задач, но тяжело контролируется в продакшене. Semantic Kernel остаётся практичным для .NET- и Java-стеков, LlamaIndex — для RAG-конвейеров. Отдельный тренд — MCP (Model Context Protocol): он стал де-факто стандартом подключения инструментов, и фреймворки конкурируют уже не за количество интеграций, а за качество их исполнения.

Российская практика

В российских внедрениях доминируют гибридные схемы: локальные модели (Qwen, GLM, дообученные открытые веса) под управлением LangGraph или собственного оркестратора, а внешняя LLM подключается только для нечувствительных задач. Типовой контур — on-prem, доступ к 1С и CRM через внутренние API, логирование каждого шага агента для аудита. Всё чаще агент — не чат, а фоновый сервис: разбирает почту, сверяет накладные, готовит черновики документов.

Как выбирать: практические шаги

1. Опишите сценарий как процесс: какие шаги, где нужен человек, что считается ошибкой.
2. Проверьте, хватает ли детерминированной логики — иногда агент не нужен вовсе.
3. Определите контур: облако, on-prem или гибрид; от этого зависит фреймворк.
4. Соберите пилот на 2–3 недели с реальными данными и метриками: доля успешных прогонов, стоимость, latency.
5. Заложите наблюдаемость и оценку качества с первого дня — без трейсинга и eval-набора агент в продакшене неуправляем.

Как мы можем помочь

Мы в АПС проектируем и внедряем агентные системы: подбираем фреймворк под ваш контур, разворачиваем приватные LLM и RAG, подключаем 1С и CRM через MCP и внутренние API, настраиваем трейсинг и оценку качества. Обсудить проект.