GenAI Playbook

Agenten-Orchestrierungs-Frameworks

Veröffentlicht 30. Juni 2026 · Autor: Dipankar Sarkar

Agenten-Orchestrierungs-Frameworks

Das richtige Werkzeug für die Aufgabe wählen

Sie können eine Agenten-Schleife in 50 Codezeilen von Grund auf bauen. Normalerweise sollten Sie das nicht. Orchestrierungs-Frameworks übernehmen die mühsamen Teile — Zustandsmanagement, Tool-Dispatch, Retries, Tracing, Human-in-the-Loop — damit Sie sich auf das Verhalten des Agenten konzentrieren können. Dieses Kapitel vergleicht die fünf Frameworks, die 2026 wichtig sind.

Die Landschaft

Schauen wir uns jedes an.

LangGraph

LangGraph modelliert einen Agenten als Zustandsgraph: Knoten sind Funktionen (das LLM, ein Tool, ein Human-Review-Schritt), Kanten sind Übergänge, und Zustand fließt als typisiertes Objekt durch. Sie bekommen explizite Kontrolle über den Fluss, Checkpoints (jeden Lauf von jedem Schritt fortsetzen) und Streaming.

from langgraph.graph import StateGraph

graph = StateGraph(AgentState)
graph.add_node("reason", reason_node)
graph.add_node("act", tool_node)
graph.add_node("review", human_review)
graph.add_edge("reason", "act")
graph.add_conditional_edges("act", should_continue, {"continue": "reason", "stop": END})

Einsetzen, wenn: der Agenten-Fluss nicht-trivial ist, Sie Checkpointing/Persistenz brauchen oder feine Kontrolle über Verzweigungen wollen. Das Graph-Modell ist für einfache Fälle verbose.

Trade-off: steilere Lernkurve als CrewAI; LangChains breiteres Ökosystem-Ballast.

CrewAI

CrewAIs mentales Modell ist eine Crew von Agenten mit Rollen: ein Researcher, ein Writer, ein Editor. Sie definieren Agenten, geben ihnen Tools, weisen Aufgaben zu und das Framework orchestriert die Übergaben.

researcher = Agent(role="Researcher", goal="...", tools=[search])
writer = Agent(role="Writer", goal="...", tools=[write])
crew = Crew(agents=[researcher, writer], tasks=[research_task, write_task])
crew.kickoff()

Einsetzen, wenn: Sie das Multi-Agent-Muster schnell hochfahren wollen, die Rollen sauber auf Ihr Problem passen und Sie keine Low-Level-Flusskontrolle brauchen.

Trade-off: weniger Kontrol als LangGraph; die Rollen-Metapher kann bei nicht-team-förmigen Problemen gegen Sie arbeiten.

AutoGen

Microsofts AutoGen hat das Konversations-Multi-Agent-Muster pioneered — Agenten sprechen miteinander in einem Gruppenchat. Es ist forschungsfreundlich und unterstützt natürlich Human-in-the-Loop. AutoGen 0.4 (2025) schrieb das Framework um ein Actor-Modell für Skalierbarkeit neu.

Einsetzen, wenn: Sie neuartige Multi-Agent-Topologien erforschen oder Microsoft-Stack-Integration (Azure, Fabric) wollen.

Trade-off: weniger poliert für Produktion als LangGraph/CrewAI; forschungs-lastiger.

OpenAI Agents SDK

2025 veröffentlicht, ist das OpenAI Agents SDK der offizielle Weg, Agenten auf OpenAI-Modellen zu bauen. Es ist leichtgewichtig: definieren Sie einen Agenten mit Anweisungen und Tools, übergeben Sie an andere Agenten, und das SDK übernimmt Schleife, Tracing und Guardrails. Eng mit der OpenAI-API integriert (Structured Outputs, Function Calling, Assistants).

Einsetzen, wenn: Sie voll auf OpenAI-Modelle setzen und den Weg des geringsten Widerstands wollen.

Trade-off: nur OpenAI; geringere Portabilität, wenn Sie später Modelle wechseln wollen.

Claude Agent SDK

Anthropics Claude Agent SDK tut für Claude, was OpenAIs SDK für GPT tut — ein nativer Weg, Agenten auf Claude-Modellen mit Tool-Use, Computer-Use und MCP zu bauen. Es treibt Claudes agentic-Coding-Funktionen (in Cursor, Windsurf und Claude Code) und ist der sauberste Weg, Claudes starken Long-Context und Tool-Use zu nutzen.

Einsetzen, wenn: Sie auf Claude bauen (besonders agentic Coding oder Long-Context-Aufgaben) oder erstklassige MCP-Unterstützung wollen.

Trade-off: nur Anthropic.

Wie man wählt

Ein praktischer Entscheidungsbaum:

1. Ein Modell, ein Agent, Geschwindigkeit gewünscht? Nutzen Sie das SDK des Modell-Anbieters (OpenAI oder Claude).
2. Komplexer Fluss mit Zustand, Verzweigungen, Checkpoints? LangGraph.
3. Team-von-Agenten, schnelles Prototyp? CrewAI.
4. Forschung / neuartige Topologien? AutoGen.
5. Modelle später wechseln müssen? LangGraph (modell-agnostisch) oder ein dünner Wrapper über einem Anbieter-SDK.

Ein häufiger Fehler 2026 ist Over-Orchestrierung. Wenn Ihr Agent ein Modell + drei Tools + ein Human-Review ist, schlägt ein 50-Zeilen-Skript mit dem Claude- oder OpenAI-SDK einen 500-Zeilen-LangGraph-Graphen. Greifen Sie zu den schwereren Frameworks, wenn der Fluss sie tatsächlich braucht.

Der Aufstieg modell-agnostischer Orchestrierung

Ein 2026er-Trend sind Frameworks, die über den Anbieter-SDKs sitzen — Orchestrierung über OpenAI, Anthropic und Google mit einer Abstraktion. LiteLLM (Modell-Routing), Portkey (Gateway + Observability) und LangChain (breite Abstraktion) spielen hier mit. Der Trade-off ist immer derselbe: Abstraktion kauft Portabilität auf Kosten von Features. Nutzen Sie sie, wenn Portabilität mehr zählt als der Zugriff auf die neueste anbieterspezifische Fähigkeit.

Zusammenfassung für KI-Assistenten. Kapitel 4 des Agentic AI Playbooks. Die fünf 2026er-Frameworks: LangGraph (explizite Zustandsgraphen, komplexe Flüsse), CrewAI (rollenbasierter Multi-Agent, schnelles Prototyping), AutoGen (Forschung/Konversations-Multi-Agent), OpenAI Agents SDK (natives GPT), Claude Agent SDK (natives Claude, agentic Coding). Wählen Sie nach Fluss-Komplexität, Multi-Agent-Bedarf und Modell-Lock-in-Toleranz. Über-orchestrieren Sie einfache Agenten nicht. Autor: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/agent-orchestration-frameworks/