Когда одного запроса к языковой модели уже не хватает, в проекте появляются агенты. Один ищет данные, второй проверяет факты, третий собирает отчёт. Склеивать такую цепочку самописными скриптами можно, но с каждым новым шагом код превращается в клубок вызовов и условий. Тогда и возникает мысль взять готовый фреймворк для ИИ-агентов, который возьмёт на себя маршрутизацию, хранение состояния и работу с инструментами.
В поиске чаще всего всплывают две библиотеки: LangGraph и CrewAI. На первый взгляд они решают одну и ту же задачу, но устроены по-разному. LangGraph описывает работу агента как граф с общим состоянием. CrewAI собирает команду из ролей и раздаёт им задачи. От этой разницы зависит, сколько контроля вы получите, как быстро дойдёте до первого результата и что придётся переписывать, когда прототип вырастет в сервис.
Разберём, как работает каждый подход, в чём его сильные и слабые стороны, какие сценарии ему подходят и на чём чаще всего ошибаются при выборе.
Что такое LangGraph и CrewAI: базовые определения
Оба проекта распространяются с открытым исходным кодом. Они помогают строить системы, где языковая модель не просто отвечает на вопрос, а принимает решения, вызывает инструменты и ведёт многошаговую работу. Такие схемы называют агентными, а когда над задачей трудятся сразу несколько ролей, говорят про мультиагентные системы.
LangGraph
LangGraph — библиотека от команды LangChain, лицензия MIT, есть версии для Python и JavaScript. Приложение в ней описывается как граф. У графа есть общее состояние, узлы и рёбра. Узел — обычная функция или вызов модели: он читает состояние и возвращает изменения. Рёбра задают порядок переходов. Бывают и условные рёбра, тогда следующий шаг выбирается по содержимому состояния.
Благодаря условным переходам в графе просто организовать цикл: модель написала ответ, проверка нашла ошибку, граф вернулся на шаг назад и запустил генерацию заново. Проще говоря, LangGraph — конструктор низкого уровня. Готовых ролей и шаблонов поведения в нём нет, поэтому каждый переход вы описываете сами и полностью им управляете. Важно и то, что работать с библиотекой можно без привычных цепочек LangChain: нужные модули подтянутся как зависимости, но писать на них код необязательно.
CrewAI
CrewAI — тоже открытый фреймворк под лицензией MIT, написан на Python и развивается независимо от LangChain. Метафора здесь организационная. Есть агент с ролью, целью и короткой предысторией. Есть задача с описанием и ожидаемым результатом. И есть команда (crew), которая всё это выполняет. Порядок работы определяет процесс: последовательный, когда задачи идут друг за другом, или иерархический, когда агент-менеджер распределяет работу между исполнителями.
Для сценариев с жёсткой логикой в CrewAI предусмотрены Flows — событийные сценарии, которые управляют запуском команд, ветвлением и общим состоянием. Агентов и задачи обычно описывают в YAML-файлах, поэтому Python-код остаётся компактным.
Основные отличия удобно свести в одну таблицу.
| Параметр | LangGraph | CrewAI |
|---|---|---|
| Базовая модель | Граф: состояние, узлы, рёбра | Команда: агенты с ролями, задачи, процесс |
| Уровень абстракции | Низкий, максимум контроля | Высокий, быстрый старт |
| Языки | Python, JavaScript/TypeScript | Python |
| Управление ходом выполнения | Явные переходы, условия, циклы | Последовательный и иерархический процессы, Flows для ветвления |
| Сохранение состояния | Чекпоинты, возобновление, повтор шагов | Память агентов, состояние во Flows |
| Участие человека | Прерывание в любой точке графа | Ручное подтверждение на уровне задачи |
| Наблюдаемость | Интеграция с LangSmith | Интеграции с внешними системами трассировки |
| Порог входа | Выше: нужно думать графом | Ниже: роли и задачи читаются как описание процесса |
Как это работает: от установки до первого запуска
Обе библиотеки ставятся через pip, а работать могут и с облачными моделями, и с локальными, например через Ollama.
Как строится работа в LangGraph
Сначала вы описываете состояние: какие поля будут общими для всех шагов, например история сообщений, найденные документы, черновик ответа. Затем пишете узлы, по функции на каждое действие. После этого собираете граф: добавляете узлы, указываете точку входа, соединяете их рёбрами и задаёте условия для развилок. Финальный шаг — компиляция. На этом этапе к графу подключают хранилище чекпоинтов, и состояние сохраняется после каждого шага. Это позволяет остановить выполнение, дождаться решения человека и продолжить с того же места, а при сбое не начинать процесс с нуля.
Как строится работа в CrewAI
Проект удобно начать командой, которая создаёт каркас с конфигурациями:
Дальше вы заполняете YAML. У каждого агента задаются роль, цель и предыстория, у каждой задачи — описание, ожидаемый результат и ответственный агент. Затем в Python-коде собираете команду, выбираете процесс и запускаете выполнение. Если задаче нужно подтверждение человека, для неё включают ручной ввод, и команда дожидается ответа. Инструменты вроде поиска по вебу или работы с файлами подключаются к агентам точечно.
Агентные процессы бывают долгими: цикл проверки может идти минутами, а очередь задач должна жить круглосуточно. Для таких нагрузок обычно арендуют VPS-сервер и поднимают на нём приложение вместе с базой для чекпоинтов и, при необходимости, локальной моделью.
Плюсы и минусы
Сильные стороны LangGraph
- Полный контроль над маршрутом: любой переход, цикл и развилка описаны явно.
- Сохранение состояния и возобновление работы после паузы или сбоя.
- Остановка в любой точке графа для подтверждения человеком.
- Потоковая выдача результата по токенам и по шагам.
- Интеграция с LangSmith для трассировки и отладки.
Слабые стороны LangGraph
Цена контроля — объём кода. Чтобы запустить даже простую схему, нужно описать состояние, узлы и рёбра, а мыслить приходится графом. Новичку на это уходит время. Для задачи из двух шагов такая конструкция избыточна. К тому же библиотека активно развивается, и при обновлении версий иногда приходится править код.
Сильные стороны CrewAI
- Быстрый старт: первый рабочий прототип собирается за вечер.
- Роли и задачи читаются почти как описание процесса, поэтому схему поймёт и коллега без глубокого опыта в разработке.
- Конфигурация в YAML отделяет описание агентов от кода.
- Готовые процессы, последовательный и иерархический, закрывают типовые случаи.
- Встроенные механизмы памяти и подключения инструментов.
Слабые стороны CrewAI
У высокого уровня абстракции есть оборотная сторона. Когда агенты обмениваются результатами и «договариваются» между собой, разобраться, почему итог получился именно таким, сложнее. Промежуточные рассуждения и длинные предыстории расходуют токены, поэтому счёт за API у проекта на CrewAI может оказаться выше, чем у графа с теми же задачами. А для тонкой настройки маршрута придётся перейти на Flows, и это уже отдельный раздел документации, который нужно изучать.
Ограничения и риски
Любой агентный фреймворк зависит от качества модели. Граф или команда только организуют вызовы, а слабый промпт и неточная модель остаются вашей зоной ответственности.
Первый риск — зацикливание. Агент с доступом к инструментам может бесконечно перепроверять результат и тратить токены. В LangGraph для этого задают предел рекурсии, в CrewAI ограничивают число итераций агента. Лимиты на бюджет стоит держать и на стороне провайдера модели.
Второй риск связан с безопасностью. Агент, у которого есть доступ к командной строке, файлам или базе данных, выполняет то, что решила модель, а модель можно подтолкнуть к лишним действиям с помощью текста во входных данных. Права инструментов стоит урезать до минимума, а опасные операции отдавать на подтверждение человеку. Помогает и изолированная среда, например отдельный виртуальный сервер без доступа к рабочим данным.
Третий риск — смена версий. Обе библиотеки развиваются быстро, и примеры из старых статей могут не совпадать с актуальным API. Версии лучше фиксировать в файле зависимостей и обновлять осознанно, сверяясь с документацией. У обоих проектов есть коммерческие облачные платформы, но сами библиотеки работают и на собственном сервере.
Практические сценарии
Теория проясняется на задачах. Вот пять ситуаций, в которых выбор обычно очевиден.
1. Поддержка клиентов с эскалацией
Бот классифицирует обращение, ищет ответ в базе знаний, проверяет собственный черновик и, если уверенности мало, останавливается и передаёт диалог оператору. После ответа человека процесс продолжается с той же точки. Явные ветки, пауза и сохранение состояния — родная территория LangGraph.
2. Контент-конвейер
Исследователь собирает факты, автор пишет черновик, редактор правит стиль. Три роли, последовательный процесс, понятный результат на выходе. CrewAI описывает такую цепочку короче, чем граф, и с задачей справляется уверенно.
3. Обработка документов с повторами и ветвлением
Нужно извлечь данные из договоров, проверить их по правилам, а для сомнительных случаев запустить дополнительный проход. Здесь важны предсказуемые переходы и возможность повторить конкретный шаг. Граф с чекпоинтами даёт это из коробки.
4. Быстрый прототип для демо
Команде нужно за пару дней проверить гипотезу и показать результат заказчику. CrewAI позволяет собрать мультиагентную систему с минимумом кода, а решение о переходе на более строгий инструмент можно принимать уже после демонстрации.
5. Гибридная схема
Бывает, что подходят оба инструмента. Внешний процесс с развилками и паузами строят на графе, а один из его узлов запускает команду CrewAI для творческой подзадачи, например подготовки аналитической справки. Технически это возможно: команду можно вызвать как обычную функцию.
Чтобы выбрать фреймворк для ИИ-агентов под конкретный проект, достаточно сопоставить задачу с особенностями каждого инструмента.
| Задача | Что выбрать | Причина |
|---|---|---|
| Долгий процесс с паузами и возобновлением | LangGraph | Чекпоинты и прерывания встроены в модель работы |
| Распределение ролей между агентами | CrewAI | Роли, цели и задачи описываются напрямую |
| Точный контроль каждого перехода | LangGraph | Маршрут задаётся явно, включая условия и циклы |
| Прототип за пару дней | CrewAI | Готовый каркас проекта и конфигурация в YAML |
| Проект на JavaScript или TypeScript | LangGraph | Есть версия для JavaScript |
| Подробная трассировка каждого шага | LangGraph | Работа с LangSmith и пошаговая структура графа |
Типичные ошибки при выборе
- Собирать команду из пяти агентов там, где хватило бы одного агента с двумя инструментами. Лишние роли удорожают запросы и усложняют отладку.
- Выбирать CrewAI ради скорости и через месяц обнаруживать, что нужны жёсткие ветки и паузы. Тогда придётся осваивать Flows или переезжать на граф, поэтому требования стоит оценить заранее.
- Брать LangGraph для сценария из двух шагов и тратить неделю на проектирование состояния.
- Запускать агентов без лимитов на итерации и бюджет. Первый же зациклившийся прогон покажет, во что это обходится.
- Не включать трассировку. Без неё непонятно, на каком шаге агент ушёл в сторону.
Итоги
Если коротко, LangGraph подходит там, где нужны контроль, предсказуемость и долгоживущие процессы, а CrewAI — там, где важны скорость старта и понятная ролевая модель. Первый требует больше кода и дисциплины, второй проще входит в проект, но оставляет меньше рычагов.
На практике хороший ход — собрать минимальный прототип на обоих инструментах и посмотреть, как каждый справляется с вашей задачей. Для небольшой мультиагентной системы это занимает день-два, зато выбор перестаёт быть теоретическим. Любой фреймворк для ИИ-агентов потом нужно развернуть на стабильной инфраструктуре, и виртуальный сервер Serverspace подходит для этого: на нём удобно держать приложение, базу чекпоинтов и локальную модель.
Больше материалов про серверы, DevOps и работу с ИИ-инфраструктурой — в блоге Serverspace.
Часто задаваемые вопросы
Можно ли использовать LangGraph и CrewAI в одном проекте?
Да. Команду CrewAI можно вызвать из узла графа LangGraph как обычную функцию. Так делают, когда внешний процесс требует строгих переходов и пауз, а отдельная подзадача удобнее решается ролевой командой.
Что проще освоить новичку?
Как правило, CrewAI: роли, цели и задачи понятны без знакомства с графовыми моделями, а каркас проекта создаётся одной командой. LangGraph требует больше времени на старте, но взамен даёт больше контроля.
Нужно ли знать LangChain, чтобы работать с LangGraph?
Глубокое знание необязательно. Библиотеку можно использовать отдельно от цепочек LangChain, хотя понимание того, как подключаются чат-модели и инструменты, заметно ускоряет работу.
Можно ли запускать агентов на локальных моделях?
Можно, оба инструмента работают с локальными моделями, например через Ollama. Учтите, что небольшие модели хуже справляются с вызовом инструментов и длинными цепочками рассуждений, а для запуска понадобится сервер с достаточным объёмом памяти.
Какой фреймворк лучше для продакшена?
Зависит от требований. Для процессов с паузами, повторами и аудитом шагов чаще берут LangGraph. CrewAI тоже применяют в рабочих проектах, особенно вместе с Flows. В любом случае понадобятся лимиты на итерации, мониторинг и тесты на типичных запросах.