LangChain, LlamaIndex, CrewAI и AutoGen регулярно попадают в один список «топ фреймворков для ИИ-агентов», и из-за этого выглядят как конкуренты. На практике они отвечают на разные запросы. LangChain нужен, чтобы собрать собственную логику агента, LlamaIndex хорошо подходит для поиска по данным, CrewAI помогает организовать работу агентов по ролям, а AutoGen помогает выстроить между ними диалог.

LlamaIndex создан для работы с документами: он помогает разбивать их на фрагменты, индексировать содержимое и находить нужный контекст перед запросом к модели. В библиотеке уже есть компоненты для этих этапов, поэтому базовый поиск по документам можно собрать без большого объёма собственного кода.

Для поиска можно использовать гибридный подход, который объединяет семантический поиск с поиском по ключевым словам. Он пригодится, когда в запросе есть точный термин, название или аббревиатура и важно найти конкретное совпадение.

В LangChain RAG можно собрать как один из сценариев работы с данными. В LlamaIndex это центральная задача, вокруг которой выстроена вся архитектура, поэтому его удобно использовать для внутренних баз знаний, технической документации и договоров, когда ответ должен опираться на конкретный фрагмент исходного документа и сопровождаться ссылкой на источник.

В сложном процессе следующий шаг может зависеть от результата предыдущего: агент получает новые данные, меняет маршрут выполнения и при необходимости возвращается к нужному этапу. Для подобных сценариев подходит LangGraph, отдельная библиотека команды LangChain. Процесс в нём описывается как граф с узлами, переходами и сохранённым состоянием: узлы выполняют отдельные операции, переходы задают маршрут, а разработчик определяет условия для перехода между этапами.

Например, при проверке заявки агент может обнаружить, что информации недостаточно, отправить её на дополнительный сбор данных, получить обновлённую информацию и снова запустить проверку. В LangGraph разработчик сам описывает логику этих переходов и решает, в какой момент процесс должен двигаться дальше или возвращаться к предыдущему шагу.

К модели LangGraph нужно привыкнуть: сначала граф с узлами, переходами и состоянием может напоминать схему метро, которую нарисовали в три часа ночи. По мере работы с графом становится проще видеть весь маршрут агента и понимать, что произойдёт после каждого шага.

Экосистема LangChain включает более 1000 интеграций и большую базу документации, поэтому подключение инструментов и сервисов во многих случаях можно собрать из готовых компонентов. LangChain отвечает за компоненты для работы с моделями и инструментами, а LangGraph помогает управлять состоянием и переходами между этапами процесса.

Представим редакцию, где несколько сотрудников вместе готовят материал. Один собирает факты, другой проверяет информацию, после чего редактор готовит финальную версию. CrewAI переносит подобную организацию работы на агентов: для каждого участника задаются роль и задача, а фреймворк управляет их взаимодействием в рамках общего процесса.

В CrewAI процесс строится вокруг задач и их исполнителей, поэтому разработчику достаточно описать обязанности агентов и порядок выполнения работы. Фреймворк берёт на себя координацию между участниками и передачу результатов от одной задачи к следующей.

Примечательно, что CrewAI появился позже LangChain и LlamaIndex, поэтому у него меньше накопленных примеров продакшн-использования. Для систем с высокими требованиями к предсказуемости стоит протестировать выбранную конфигурацию на собственных данных и сценариях до запуска в продакшн.

AutoGen строит взаимодействие между агентами через сообщения. Они передают друг другу результаты, вызывают инструменты и могут выполнять код в изолированной песочнице. У фреймворка была тесная интеграция с Azure OpenAI, а AutoGen Studio позволял собирать агентные сценарии через визуальный интерфейс без кода.

Именно вокруг этой модели Microsoft развивала AutoGen до перехода на новый SDK. 3 апреля 2026 года компания выпустила Agent Framework 1.0, объединив в нём наработки AutoGen и Semantic Kernel. AutoGen перешёл в режим поддержки: новых функций в него добавлять не будут, а обновления будут включать исправления ошибок и патчи безопасности. Для новых проектов Microsoft рекомендует Agent Framework.

При этом сама идея AutoGen сохранилась в новой платформе. Диалог между агентами вошёл в Agent Framework вместе с другими концепциями AutoGen, поэтому разработчики по-прежнему могут строить процессы вокруг обмена сообщениями. Меняется основной SDK, который Microsoft развивает для этого подхода.

У диалоговой архитектуры есть практический нюанс, который стоит учитывать при проектировании системы: каждое новое сообщение добавляет вызов модели и расход токенов. В простом сценарии это увеличивает стоимость выполнения, поэтому архитектура особенно хорошо раскрывается там, где агентам действительно нужно обсуждать результаты и проверять решения друг друга. Например, несколько агентов могут по очереди анализировать код, задавать вопросы к найденным проблемам и разбирать спорные места.

Границы между сценариями редко бывают жёсткими. В одном проекте LlamaIndex может отвечать за поиск по данным, а LangGraph — за выполнение процесса: инструменты LlamaIndex подключают внутрь CrewAI-команды или LangGraph-графа как обычный инструмент для поиска, оставляя LlamaIndex индексацию, а LangGraph или CrewAI — общую логику. LangGraph всё чаще выступает низкоуровневым движком, поверх которого строят более специализированные надстройки.

Все четыре фреймворка подключают языковые модели через API, поэтому провайдера можно выбирать отдельно от архитектуры агента. В LangChain для этого используются интеграции вроде ChatOpenAI, в LlamaIndex есть адаптер OpenAILike, а CrewAI и AutoGen позволяют указать адрес совместимого API через настройки модели. При смене эндпойнта основная логика агента может остаться прежней, поскольку меняются параметры подключения к модели.

Например, в LangChain модель можно подключить через OpenAI-совместимый API:

			import os
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="anthropic/claude-sonnet-4.6",
    api_key=os.environ.get("ROUTERAI_API_KEY"),
    base_url="https://routerai.ru/v1",
)

response = llm.invoke("Объясни, чем LangGraph отличается от LangChain")
print(response.content)

		

RouterAI даёт доступ к GPT, Claude, Gemini и другим моделям через один ключ с оплатой в рублях — CrewAI, AutoGen и LlamaIndex принимают тот же base_url через собственные параметры конфигурации LLM.

Форма задачи определяет выбор раньше, чем популярность инструмента на GitHub: поиск по данным — LlamaIndex, ветвящаяся логика с состоянием — LangGraph, роли внутри команды — CrewAI, спор между агентами — AutoGen. Модель и провайдер при этом выбираются отдельно от архитектуры агента.