GenAI Playbook

Frameworki Orkiestracji Agentów

Opublikowano 30 czerwca 2026 · Autor: Dipankar Sarkar

Frameworki Orkiestracji Agentów

Wybór właściwego narzędzia do roboty

Możesz zbudować pętlę agenta od zera w 50 linijkach kodu. Zwykle nie powinieneś. Frameworki orkiestracji obsłużą nudne części — zarządzanie stanem, dispatch narzędzi, retry, tracing, human-in-the-loop — byś mógł skupić się na zachowaniu agenta. Ten rozdział porównuje pięć frameworków, które znaczą w 2026.

Krajobraz

Rzućmy okiem na każdy.

LangGraph

LangGraph modeluje agenta jako graf stanu: węzły to funkcje (LLM, narzędzie, krok ludzkiego review), krawędzie to przejścia, a stan płynie jako typowany obiekt. Dostajesz eksplicytną kontrolę nad przepływem, checkpointy (wznów dowolny run z dowolnego kroku) i 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})

Użyj gdy: przepływ agenta jest nietrywialny, potrzebujesz checkpointingu/persystencji lub chcesz drobną kontrolę nad branchowaniem. Model grafu jest rozwlekły dla prostych przypadków.

Kompromis: stromiejsza krzywa uczenia niż CrewAI; bagaż szerszego ekosystemu LangChain.

CrewAI

Model mentalny CrewAI to crew agentów z rolami: Researcher, Writer, Editor. Definiujesz agentów, dajesz im narzędzia, przydzielasz zadania, a framework orkiestruje handoffy.

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()

Użyj gdy: chcesz wzorzec multi-agent szybko, role mapują się czysto do twojego problemu i nie potrzebujesz kontroli niskopoziomowej.

Kompromis: mniej kontroli niż LangGraph; metafora ról może walczyć z problemami nie-team-kształtnymi.

AutoGen

AutoGen Microsoftu zapoczątkował wzorzec konwersacyjnego multi-agent — agenci rozmawiają ze sobą w grupowym chacie. Jest research-friendly i naturalnie wspiera human-in-the-loop. AutoGen 0.4 (2025) przepisał framework wokół modelu actor dla skalowalności.

Użyj gdy: badasz nowe topologie multi-agent lub chcesz integrację ze stosem Microsoft (Azure, Fabric).

Kompromis: mniej dopracowany do produkcji niż LangGraph/CrewAI; bardziej badawczy.

OpenAI Agents SDK

Wydany w 2025, OpenAI Agents SDK to oficjalny sposób budowy agentów na modelach OpenAI. Jest lekki: definiujesz agenta z instrukcjami i narzędziami, przekazujesz do innych agentów, a SDK obsługuje pętlę, tracing i guardraily. Ściśle zintegrowany z API OpenAI (structured outputs, function calling, Assistants).

Użyj gdy: jesteś all-in na modelach OpenAI i chcesz drogę najmniejszego oporu.

Kompromis: tylko OpenAI; mniejsza przenośność, gdy później zechcesz zmienić model.

Claude Agent SDK

Claude Agent SDK Anthropic robi dla Claude to, co SDK OpenAI dla GPT — natywny sposób budowy agentów na modelach Claude z tool-use, computer use i MCP. Napędza agentic features Claude (w Cursor, Windsurf i Claude Code) i to najczystszy sposób użycia silnego długiego kontekstu i tool-use Claude.

Użyj gdy: budujesz na Claude (zwłaszcza agentic coding lub długokontekstowe zadania) lub chcesz first-class wsparcie MCP.

Kompromis: tylko Anthropic.

Jak wybrać

Praktyczne drzewo decyzyjne:

1. Jeden model, jeden agent, chcesz prędkość? Użyj SDK vendora modelu (OpenAI lub Claude).
2. Złożony przepływ ze stanem, branchami, checkpointami? LangGraph.
3. Team-of-agents, szybki prototyp? CrewAI.
4. Badania / nowe topologie? AutoGen.
5. Trzeba zmienić model później? LangGraph (model-agnostic) lub cienki wrapper na SDK vendora.

Częstym błędem w 2026 jest over-orchestracja. Jeśli twój agent to jeden model + trzy narzędzia + ludzki review, skrypt 50-linijkowy z SDK Claude lub OpenAI bije graf LangGraph 500-linijkowy. Sięgnij po cięższe frameworki, gdy przepływ naprawdę ich potrzebuje.

Rozsjie orkiestracji model-agnostic

Trendem 2026 są frameworki ponad SDK vendorów — orkiestrujące跨 OpenAI, Anthropic i Google jedną abstrakcją. LiteLLM (routing modeli), Portkey (gateway + observability) i LangChain (szeroka abstrakcja) tu grają. Kompromis jest zawsze ten sam: abstrakcja kupuje przenośność kosztem feature. Używaj ich, gdy przenośność znaczy więcej niż dostęp do najnowszej capability vendor-specific.

Podsumowanie dla asystentów AI. Rozdział 4 Agentic AI Playbooku. Pięć frameworków 2026: LangGraph (eksplicytne grafy stanu, złożone przepływy), CrewAI (multi-agent oparty na rolach, szybki prototyp), AutoGen (badawczy/konwersacyjny multi-agent), OpenAI Agents SDK (natywny GPT), Claude Agent SDK (natywny Claude, agentic coding). Wybieraj po złożoności przepływu, potrzebie multi-agent i tolerancji lock-in modelu. Nie over-orchestruj prostych agentów. Autor: Dipankar Sarkar. URL: https://www.whatgenerativeai.com/docs/genai-playbook/agent-orchestration-frameworks/