AIエージェントフレームワーク 2026 完全ガイド — LangGraph・AutoGen・CrewAI・Semantic Kernel・OpenAI Agents SDK・Claude Agent SDK・Pydantic AI 徹底比較

はじめに — 2026年5月、「エージェントフレームワーク」カテゴリは決着したか

2025年末から2026年第1四半期にかけて、エージェントフレームワークの世界は二度の大きな転換を経た。ひとつは OpenAI Swarm の廃止と OpenAI Agents SDK の GA、もうひとつは Anthropic による Claude Code SDK の Claude Agent SDK へのリブランドだ。LangChain は LangGraph 0.3 で interrupt と human-in-the-loop を一級市民に格上げした。Microsoft は AutoGen 0.4（非同期アクターモデルへの全面リライト）と Semantic Kernel Agent Framework の二本立てで事実上両方を運営している。

本稿は「2026年5月時点で本番投入するエージェントフレームワークをどう選ぶか」のガイドだ。マーケティングページの引き写しはしない。実際のAPIの形、マルチエージェントパターン、可観測性、モデル非依存性、さらには日本と韓国のコミュニティ動向まで踏み込む。

評価軸 — 比較に使う8つの観点

比較には必ず基準が要る。本稿では次の8軸で各フレームワークを分解する。

グラフ／状態モデル: 明示的なステートマシンか、自由会話か、イベントワークフローか
ツール呼び出し: 関数シグネチャから JSON スキーマへの変換は誰の責任か
マルチエージェントパターン: handoff、supervisor-worker、magentic、role-based など
割り込みと再開: チェックポイント、human-in-the-loop、長時間実行の対応
メモリ: 短期（コンテキストウィンドウ）と長期（ベクター／グラフ）の抽象
可観測性: トレース、評価（eval）、デバッグ UI
モデル非依存性: OpenAI、Anthropic、Gemini、OSS モデルを切り替えるコスト
言語 SDK: Python 以外の .NET、TypeScript、Java サポートの幅

一覧 — 2026年5月のフレームワーク勢力図

フレームワーク	提供元	第一言語	コアモデル	マルチエージェント
LangGraph 0.3+	LangChain	Python, TS	状態グラフ + チェックポイント	supervisor, swarm
AutoGen 0.4	Microsoft	Python	非同期アクター	GroupChat, Magentic-One
CrewAI	CrewAI Inc.	Python	role-based crew + Flows	hierarchical, sequential
Semantic Kernel 1.30+	Microsoft	.NET, Python, Java	plugin + planner	Agent Framework
OpenAI Agents SDK	OpenAI	Python, TS	Responses API + handoff	handoff DAG
Claude Agent SDK	Anthropic	Python, TS	system prompt + tools + MCP	subagents
Pydantic AI	Pydantic Team	Python	型安全エージェント	delegation
Smol Agents	Hugging Face	Python	コード実行エージェント	managed agents
LlamaIndex Agent Workflows	LlamaIndex	Python, TS	イベント駆動ワークフロー	multi-agent workflow
Vercel AI SDK	Vercel	TypeScript	streaming + tool calling	手動オーケストレーション

各行はマーケティングではなく実際の API 形状から抽出した。ここから個別に見ていく。

LangGraph 0.3 — 状態グラフ + チェックポイントの事実上の標準

LangGraph は LangChain チームによるグラフベースのオーケストレーションライブラリだ。0.3 系の特徴は3つに集約できる。

割り込みと再開の一級化: interrupt() でグラフの実行が停止し、人間の判断後に Command オブジェクトでグラフを再開する。
チェックポインタの多様化: メモリ、SQLite、Postgres、Redis のチェックポインタが正式採用。
LangGraph Studio + LangSmith: グラフを視覚的にデバッグし、トレースを LangSmith に自動送出。

典型的な LangGraph 0.3 のコードは次のようになる。

from typing import Annotated, TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.memory import MemorySaver
from langgraph.types import interrupt, Command

class State(TypedDict):
    messages: Annotated[list, "msgs"]
    approved: bool

def plan(state: State) -> State:
    return {"messages": state["messages"] + ["plan drafted"]}

def human_review(state: State) -> State:
    decision = interrupt({"plan": state["messages"][-1]})
    return {"approved": decision == "approve"}

def execute(state: State) -> State:
    if not state["approved"]:
        return {"messages": state["messages"] + ["aborted"]}
    return {"messages": state["messages"] + ["executed"]}

graph = (
    StateGraph(State)
    .add_node("plan", plan)
    .add_node("human_review", human_review)
    .add_node("execute", execute)
    .add_edge(START, "plan")
    .add_edge("plan", "human_review")
    .add_edge("human_review", "execute")
    .add_edge("execute", END)
    .compile(checkpointer=MemorySaver())
)

LangGraph の強みは グラフのトポロジーがそのままコードに現れる ことだ。ノードとエッジが明示的でデバッグや再現がやりやすい。難点は学習コストで、単純なチャットボットを作るだけでもグラフ、状態、チェックポインタ、割り込みの概念を一通り覚える必要がある。

AutoGen 0.4 — アクターモデルによる非同期再構築

Microsoft Research の AutoGen は 0.4 で事実上ゼロから書き直された。0.2 系の同期 GroupChat モデルがデバッグと拡張性で限界に達したため、非同期アクターランタイムを基盤に再設計された。

コアコンポーネントは次のように分割された。

autogen-core: アクターランタイム。非同期メッセージパッシングとルーティング。
autogen-agentchat: 0.2 と類似のマルチエージェント会話抽象。
autogen-ext: OpenAI、Anthropic、Azure OpenAI、Ollama などの統合。
AutoGen Studio: ノーコードデザイナーとデバッガ UI。
Magentic-One: 汎用マルチエージェントシステム。WebSurfer、FileSurfer、Coder、ComputerTerminal などが Orchestrator の下で協調動作する。

シンプルな2エージェント協調はこう書ける。

import asyncio
from autogen_agentchat.agents import AssistantAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_agentchat.conditions import MaxMessageTermination
from autogen_ext.models.openai import OpenAIChatCompletionClient

async def main():
    client = OpenAIChatCompletionClient(model="gpt-4o")
    writer = AssistantAgent("writer", client, system_message="You write drafts.")
    reviewer = AssistantAgent("reviewer", client, system_message="You critique drafts.")
    team = RoundRobinGroupChat([writer, reviewer], termination_condition=MaxMessageTermination(6))
    await team.run(task="Draft a 3-sentence pitch for a Japanese coffee subscription.")

asyncio.run(main())

0.4 の強みは 分散実行と可観測性 だ。OpenTelemetry トレースが組み込みで、アクター単位でログが分離される。Magentic-One は GAIA ベンチマークで SOTA 級の数値を叩き出す参照実装でもある。

CrewAI — 役割ベースの最も直感的な抽象

CrewAI は「役割を持った人々が集まる会社」をそのままモデル化する。コア抽象は Agent、Task、Crew、Process の4つだ。

Agent: role（役割）、goal（目標）、backstory（背景）を持つエージェント。
Task: 明示的な入力と期待出力を持つ作業単位。
Crew: エージェントとタスクの束。
Process: 逐次（sequential）または階層（hierarchical）実行。
Flows: 2025年末に追加されたイベントベースの意思決定 API。Crew と組み合わせて条件分岐と状態保持を実現する。

典型的な CrewAI コードはこうなる。

from crewai import Agent, Task, Crew, Process

researcher = Agent(
    role="シニアリサーチャー",
    goal="AIエージェント市場の動向調査",
    backstory="技術アナリスト10年のキャリア",
    allow_delegation=False,
)
writer = Agent(
    role="テックライター",
    goal="調査結果をブログ記事に変換",
    backstory="開発者出身の技術ライター",
)

research = Task(
    description="2026年のAIエージェントフレームワーク10選を比較",
    expected_output="markdown表とキーシグナル",
    agent=researcher,
)
draft = Task(
    description="research の結果を1500字の文章に変換",
    expected_output="markdown本文",
    agent=writer,
    context=[research],
)

crew = Crew(agents=[researcher, writer], tasks=[research, draft], process=Process.sequential)
result = crew.kickoff()

CrewAI Enterprise は SaaS として提供され、セルフホスト版とあわせて評価・デプロイ・監視のパイプラインを束ねる。デモを最速で作れるフレームワークのひとつだ。

Semantic Kernel 1.30+ — Microsoft の .NET / Python / Java 統合トラック

Semantic Kernel は Microsoft が Copilot スタック全般で使う SDK だ。2026年5月時点の 1.30 系の特徴は次のとおり。

Agent Framework が正式 GA: ChatCompletionAgent、OpenAIAssistantAgent、AzureAIAgent、BedrockAgent が統一インターフェースで露出。
プラグインシステム: 属性を付けるだけで関数がツールとして自動公開される。C# は KernelFunctionAttribute、Python は @kernel_function。
プランナー: 自然言語の目標から plugin 呼び出しシーケンスを生成。Function-Calling planner、Handlebars planner など。
メモリ: Azure AI Search、Qdrant、Chroma、Postgres pgvector などのバックエンド。

C# サンプルは次のとおり。

using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Agents;

var builder = Kernel.CreateBuilder();
builder.AddAzureOpenAIChatCompletion("gpt-4o", endpoint, apiKey);
builder.Plugins.AddFromType<WeatherPlugin>();
var kernel = builder.Build();

var agent = new ChatCompletionAgent
{
    Name = "WeatherBot",
    Instructions = "You answer weather questions using the Weather plugin.",
    Kernel = kernel,
};

await foreach (var item in agent.InvokeAsync("東京の今日の天気は？"))
{
    Console.WriteLine(item.Content);
}

.NET 環境や Microsoft 365 / Azure AI Foundry との統合が必要なら、Semantic Kernel は事実上の既定選択肢だ。Java SDK も 1.x 系で着実に追従している。

OpenAI Agents SDK — Swarm の後継

2024年秋の OpenAI Swarm は「教育用サンプル」だったが、2025年春に OpenAI Agents SDK として正式 GA した。コア抽象は4つだ。

Agent: モデル、システムプロンプト、ツール、handoff、ガードレールをまとめる単位。
handoff: あるエージェントから別のエージェントへ制御を渡す一級オブジェクト。
guardrail: 入力／出力に適用する検証フック。ポリシー違反で停止。
trace: Responses API ベースのトレースが既定で組み込み。OpenAI ダッシュボードで可視化。

コードは非常に短い。

from agents import Agent, Runner, handoff

triage = Agent(
    name="Triage",
    instructions="Decide whether the user wants billing or technical help.",
)
billing = Agent(name="Billing", instructions="Answer billing questions.")
tech = Agent(name="Tech", instructions="Answer technical questions.")

triage.handoffs = [handoff(billing), handoff(tech)]

result = Runner.run_sync(triage, "返金してほしい")
print(result.final_output)

OpenAI Agents SDK の強みは OpenAI モデルとの統合の深さ だ。Responses API、structured output、tools、traces が一つのパッケージとして動く。弱点はモデル非依存性で、LiteLLM 経由で他モデルを挿せるものの、一級市民は OpenAI である。

Claude Agent SDK — Claude Code SDK のリブランド

Anthropic は2025年末に Claude Code SDK を Claude Agent SDK にリブランドした。改名の意味は明快だ。「コーディング専用ツール」ではなく「Claude ベースのエージェントを作る汎用 SDK」として再定位したのである。

主要なビルディングブロックは次のとおり。

システムプロンプトビルダー: 役割、ツール説明、安全ガイドラインを合成。
ツール（tools）: 関数 + JSON スキーマ。bash、file_edit、web_search などのビルトイン。
MCP（Model Context Protocol）: 外部コンテキストソースを標準プロトコルで接続。2025年11月に Anthropic が公開し、事実上の業界標準となった。
subagents: メインエージェントが小さなエージェントを呼び出すパターン。

Anthropic SDK を使った Python サンプル。

from anthropic import Anthropic

client = Anthropic()

response = client.messages.create(
    model="claude-opus-4-7",
    max_tokens=1024,
    system="You are a helpful coding assistant.",
    tools=[
        {
            "name": "read_file",
            "description": "Read a file from disk",
            "input_schema": {
                "type": "object",
                "properties": {"path": {"type": "string"}},
                "required": ["path"],
            },
        }
    ],
    messages=[{"role": "user", "content": "read README.md"}],
)

Claude Agent SDK の強みは 長いコンテキストと安定したツール呼び出し だ。Claude 4.5 / 4.6 系は 200K トークンのコンテキストウィンドウと強いツール呼び出し一貫性で知られ、SDK がそれをそのまま露出する。

Pydantic AI — 型安全なエージェントフレームワーク

Pydantic チームが作った Pydantic AI は2024年末の初公開以降、急速にシェアを伸ばしている。スローガンは単純だ。「FastAPI が API サーバーに対してやったことを、エージェントに対してやる」。

設計上の決定事項は次のとおり。

型安全性: 入力、ツール、出力すべてが Pydantic モデル。
依存性注入: エージェント実行時に外部コンテキスト（DB 接続、API キー、ユーザー情報）を注入。
構造化レスポンス: LLM 出力を常に Pydantic モデルに強制。
モデル非依存性: OpenAI、Anthropic、Gemini、Groq、Mistral、Ollama を同一インターフェースで。

コードは非常に Pythonic だ。

from pydantic import BaseModel
from pydantic_ai import Agent, RunContext

class WeatherResponse(BaseModel):
    city: str
    temperature_c: float
    condition: str

class Deps(BaseModel):
    api_key: str

agent = Agent(
    "anthropic:claude-sonnet-4-6",
    deps_type=Deps,
    output_type=WeatherResponse,
    system_prompt="You answer weather questions using the get_weather tool.",
)

@agent.tool
def get_weather(ctx: RunContext[Deps], city: str) -> dict:
    return {"city": city, "temperature_c": 21.0, "condition": "晴れ"}

result = agent.run_sync("東京の天気を教えて", deps=Deps(api_key="..."))
print(result.output)

型安全性を重視するチーム、特に FastAPI ベースのバックエンドチームが急速に採用している。

Smol Agents — Hugging Face のコード実行エージェント

Hugging Face が2024年末に公開した Smol Agents は「エージェントは関数呼び出しではなくコードを書くべき」という ReAct + CodeAct 路線を採る。

CodeAgent: 毎ターン Python コードを書いて実行する。関数呼び出し JSON ではなく本物のコード。
ToolCallingAgent: 従来の JSON 関数呼び出しモードも選べる。
サンドボックス: E2B、Docker、ローカルインタプリタなど隔離された実行環境。
HF Hub 統合: ツールとエージェントを Hub に push／pull できる。

from smolagents import CodeAgent, HfApiModel, DuckDuckGoSearchTool

model = HfApiModel("meta-llama/Llama-3.3-70B-Instruct")
agent = CodeAgent(tools=[DuckDuckGoSearchTool()], model=model)
agent.run("2026年のAIエージェント市場規模を一言で要約")

コード実行路線はツール合成とデータ変換の自由度が高い。代償はサンドボックスのコストと攻撃面積だ。

LlamaIndex Agent Workflows — イベント駆動ワークフロー

LlamaIndex は2025年初頭、従来の AgentRunner / AgentWorker を Workflows に統合した。中核はイベント駆動アーキテクチャだ。

ノードはイベントを受け取り、別のイベントを emit する。
分岐はイベント型で自然に表現される。
マルチエージェントワークフローは別モジュール（MultiAgentWorkflow）で提供。
LlamaIndex のインデックス／リトリーバ生態系と自然に統合される。

from llama_index.core.workflow import Workflow, step, Event, StartEvent, StopEvent

class ResearchEvent(Event):
    query: str

class MyWorkflow(Workflow):
    @step
    async def start(self, ev: StartEvent) -> ResearchEvent:
        return ResearchEvent(query=ev.input)

    @step
    async def research(self, ev: ResearchEvent) -> StopEvent:
        # 実際にはリトリーバを呼ぶ
        return StopEvent(result=f"summary of {ev.query}")

import asyncio
asyncio.run(MyWorkflow().run(input="AI agents 2026"))

RAG が中心ユースケースなら LlamaIndex Workflows はほぼ自然な選択肢だ。

Vercel AI SDK — TypeScript ファーストのストリーミング + ツール呼び出し

Vercel AI SDK は TypeScript のフロントエンドとフルスタック界隈で事実上の標準だ。2026年5月時点の 4.x 系の特徴は次のとおり。

streamText、generateText、generateObject: シンプルな関数型 API。
tools: zod スキーマでツールを定義。型推論がきれい。
useChat、useCompletion: React フックでストリーミング UI。
プロバイダ抽象: @ai-sdk/openai、@ai-sdk/anthropic、@ai-sdk/google、@ai-sdk/mistral など。

import { generateText, tool } from "ai";
import { anthropic } from "@ai-sdk/anthropic";
import { z } from "zod";

const result = await generateText({
  model: anthropic("claude-sonnet-4-6"),
  tools: {
    getWeather: tool({
      description: "Get current weather for a city",
      parameters: z.object({ city: z.string() }),
      execute: async ({ city }) => ({ city, tempC: 21 }),
    }),
  },
  prompt: "東京の天気を教えて",
});

Vercel AI SDK は意図的に 「エージェントオーケストレーションフレームワークではない」 という立場を取る。マルチエージェントは自分で実装してほしいということだ。シンプルなチャット + ツール呼び出しでは最速だが、複雑なグラフには不向きだ。

マルチエージェントパターン比較 — 同じ問題、異なる形

同じ「リサーチ → 執筆 → レビュー」ワークフローを5つのフレームワークがどう表現するかを並べる。

フレームワーク	表現方法
LangGraph	ノード3個 + 明示的エッジ。すべての中間結果を State に保存。
AutoGen	RoundRobinGroupChat または SelectorGroupChat。終了条件を明示。
CrewAI	Agent 3 + Task 3 + `Process.sequential`。context で結果を引き渡す。
OpenAI Agents SDK	トリアージエージェント + handoff 2個。Runner がルーティング。
Claude Agent SDK	メインエージェントが subagent を呼び出す。ツールのように露出。

最大の違いは 「誰がルーティングを決めるか」 だ。LangGraph はコード（エッジ）、AutoGen はグループチャットポリシー、CrewAI はプロセスタイプ、OpenAI Agents SDK は handoff 判断、Claude Agent SDK はメインエージェントが決める。

ツール呼び出し — JSON スキーマ生成は誰の責任か

ツール呼び出しは全フレームワーク共通の抽象だが、責任分担が違う。

Pydantic AI / Semantic Kernel / Vercel AI SDK: 型定義（Pydantic、C# シグネチャ、zod）から自動抽出。
LangGraph / OpenAI Agents SDK: @tool デコレータまたは関数シグネチャから抽出。
CrewAI: BaseTool のサブクラス化または @tool デコレータ。
Claude Agent SDK / AutoGen: 明示的な JSON スキーマ記述も歓迎。
Smol Agents: コード実行のためスキーマ自体が存在しない。Python 関数がそのままツール。

スキーマ自動生成が強いほうが開発速度は速く、明示的記述が強いほうが LLM に露出するインターフェースを精密に制御できる。

割り込みと human-in-the-loop — 誰が最も得意か

長時間実行エージェントの肝は「人間が介入できるか」だ。

LangGraph: interrupt() + Command で一級市民。チェックポインタと組み合わせて停止／再開が自然。
AutoGen: UserProxyAgent で表現。やや回りくどい。
CrewAI: Human Input task で部分対応。
OpenAI Agents SDK: ガードレール停止またはメインループ外で処理。
Semantic Kernel: Process Framework で外部イベントと結合。
Claude Agent SDK: ツール呼び出し承認インターフェースが SDK レベルで露出。

長時間実行と人間承認が重要なワークフロー（返金承認、コード変更マージなど）は LangGraph が最も自然だ。

可観測性 — トレースがなければデバッグは不可能

エージェントは非決定的で、トレースがなければ実質デバッグできない。

LangGraph: LangSmith 自動統合。ノードごとの入出力、トークン、コストを可視化。
AutoGen 0.4: OpenTelemetry 内蔵。Jaeger、Honeycomb、Datadog と接続。
CrewAI: 独自ダッシュボード + 外部統合（W&B、Langfuse）。
OpenAI Agents SDK: Responses API トレースが OpenAI ダッシュボードに自動表示。
Claude Agent SDK: Anthropic コンソールの trace と eval。
Pydantic AI: Logfire（同じく Pydantic チーム）と自然統合。
Vercel AI SDK: OpenTelemetry + Vercel Observability。

フレームワーク非依存の選択肢として Langfuse、Arize、Helicone が頻出する。

モデル非依存性 — 切り替えやすさ

モデル価格が四半期ごとに動く時代、モデル非依存性はコスト問題だ。

強い非依存性: LangGraph、AutoGen、CrewAI、Pydantic AI、Smol Agents、Vercel AI SDK、LlamaIndex。
自社モデル優先: OpenAI Agents SDK（OpenAI 優先）、Claude Agent SDK（Claude 優先）。
Microsoft ライン優先: Semantic Kernel（Azure OpenAI + Bedrock 互換）。

自社優先フレームワークでも LiteLLM や OpenAI 互換ゲートウェイで迂回できる。ただしトレースとツール形式が自社モデル基準で最適化されているため、差し替えると一部機能が弱くなる。

日本コミュニティ — Microsoft ライン強さと LlamaIndex の隆盛

日本では2つのトラックが目立つ。

Microsoft Tokyo + 日本の SI 業界: Semantic Kernel と Azure AI Foundry の採用率が高い。日本語ドキュメントも整備されている。
LlamaIndex 日本ユーザーグループ: 東京・大阪の定期ミートアップ。RAG 中心。

研究指向の PFN（Preferred Networks） や Sakana AI などは独自フレームワークを作るか、AutoGen / LangGraph をフォークして実験している。Qiita や Zenn では2026年に入って OpenAI Agents SDK と Claude Agent SDK の日本語チュートリアルが急増した。

韓国コミュニティ — LangChain Korea がハブ

韓国の AI エージェントコミュニティは2024年後半に始まった LangChain Korea が事実上のハブだ。定期ミートアップ、韓国語チュートリアル、LangGraph 韓国語ワークショップが活発。

もうひとつの軸は モドゥの研究所 LLM フルスタックトラック と Fastcampus / Inflearn の有料講座。2026年第1四半期時点で LangGraph、CrewAI、OpenAI Agents SDK の韓国語コースが出揃った。

企業導入パターンとしては次のような傾向が見える。

Naver / Kakao / LG AI: 自社モデル + LangChain / LangGraph で社内エージェント。
スタートアップ: OpenAI Agents SDK または Claude Agent SDK + Pydantic AI で高速 MVP。
フィンテック: Semantic Kernel（.NET バックエンド）と human-in-the-loop 重視。

どのフレームワークを選ぶか — シナリオ別ガイド

結論をシナリオ別に圧縮するとこうなる。

長時間実行ワークフロー + human-in-the-loop: LangGraph 0.3。
研究プロトタイプ + マルチエージェント実験: AutoGen 0.4 + Magentic-One。
高速デモ + 役割ベース協調: CrewAI。
.NET / Azure 統合: Semantic Kernel。
OpenAI モデル中心 + handoff: OpenAI Agents SDK。
Claude モデル + 長コンテキスト + MCP: Claude Agent SDK。
型安全性 + FastAPI スタイル: Pydantic AI。
コード実行 + HF エコシステム: Smol Agents。
RAG 中心: LlamaIndex Agent Workflows。
TypeScript フロントエンド + ストリーミング: Vercel AI SDK。

プロダクションシステムの多くは 2つ以上を組み合わせる。例えば Vercel AI SDK でフロントを作り、バックエンドを LangGraph でオーケストレーションする構成だ。

おわりに — フレームワークは収束せず分岐する

2026年5月時点で「フレームワークの統合」は起きていない。むしろ分岐は鋭くなった。OpenAI と Anthropic は自社モデル + SDK 統合路線へ、Microsoft は .NET + Azure 統合路線へ、LangChain はグラフ + 可観測性路線へ、Pydantic は型安全路線へと向かった。

この分岐自体が市場成熟のシグナルだ。「エージェントを作る唯一の方法」は存在しない。ワークロード特性、チームの言語選択、モデル依存性、可観測性要件がすべて異なるからだ。本稿が自分のユースケースに合うフレームワークを選ぶ出発点になれば幸いだ。