Под капотом агентных фреймворков: шпаргалка, которую я хотел найти полгода назад

Полгода назад я выбирал фреймворк для мультиагентной системы. Прочитал документацию пяти проектов, посмотрел десяток туториалов — и всё равно не понимал, чем они **принципиально** отличаются под капотом. Маркетинг одинаковый: «powerful», «flexible», «production-ready». А как память устроена? Как агенты разговаривают? Кто решает, какой шаг следующий?

Разобрался, собрал в шпаргалку. Делюсь.

Сравниваю LangChain/LangGraph, CrewAI, AutoGen и MetaGPT по четырём параметрам: **память**, **инструменты**, **оркестрация**, **коммуникация**.

LangGraph превращает агента в машину состояний. Узлы — действия (вызов LLM, инструмент, проверка). Рёбра — поток управления. Главное: **поддержка циклов** — агент может вернуться назад, повторить, самокорректироваться.

Память — персистентный стейт графа с checkpointing. Агент падает на третьем шаге, перезапускается — продолжает с того же места.

Инструменты — 700+ интеграций. Крупнейшая экосистема.

**Кому:** сложная многошаговая логика, нужен контроль каждого шага, готовы к кривой обучения.

Ментальная модель другая: не граф, а **команда специалистов**. Создаёте Researcher, Writer, Analyst — каждый со своей ролью, целями, инструментами. Менеджер-агент делегирует задачи.

Память — per-agent (свой контекст) + shared memory. Проще, чем у LangGraph, но для большинства задач достаточно.

Коммуникация — через передачу результатов. Researcher закончил — output идёт Writer. Структурированный конвейер, не свободный чат.

**Кому:** нужна мультиагентная система для контента, исследований, анализа. Важна простота. Не нужны циклы и ветвления.

Microsoft пошёл другим путём: агенты буквально **переписываются** друг с другом. GroupChat объединяет участников, GroupChatManager решает очерёдность. Человек — просто ещё один участник чата.

Встроенная песочница для кода: агент генерирует Python, запускает, проверяет результат, исправляет ошибки. Из коробки.

Память — история чата. Все участники видят общий поток.

**Кому:** нужен human-in-the-loop, дебаты между агентами, верификация результатов. Команда на Azure.

Самый необычный подход. MetaGPT копирует структуру софтверной компании: Product Manager → Architect → Project Manager → Engineer → QA. Каждая роль — агент. Процесс зашит в SOP (Standardized Operating Procedures).

Коммуникация — publish/subscribe. Агенты не общаются напрямую, а публикуют артефакты (PRD, дизайн, код). Другие подписаны на нужные типы.

**Кому:** автоматизация полного цикла разработки. Для общих задач — overkill.

LangGraph: Граф с циклами, Стейт + checkpoint, Shared state, Высокий порог входа. CrewAI: Роли + делегация, Per-agent + shared, Результаты задач, Низкий порог входа. AutoGen: Разговор, Чат-история, Чат, Средний порог входа. MetaGPT: SOP-конвейер, Артефакты, Pub/sub, Средний порог входа.

LangGraph мощный, но абстракции LangChain иногда превращают дебаг в археологию. CrewAI подкупает простотой, но при масштабировании упирается в последовательную оркестрацию. AutoGen создаёт лишний overhead для простых пайплайнов. MetaGPT бесполезен, если ваша задача не про код.

Выбирайте не фреймворк, а паттерн: граф, роли, разговор или SOP. Фреймворк — это реализация паттерна, не волшебная палочка.

А вы на чём строите своих агентов? Расскажите в комментариях — интересно собрать реальный опыт.