💡 왼쪽 원문을 읽으면서 오른쪽에 따라 써보세요. Tab 키로 힌트를 받을 수 있습니다.

원문 렌더가 준비되기 전까지 텍스트 가이드로 표시합니다.

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。

1. **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

2. **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

3. **マルチエージェントパターン**: handoff、supervisor-worker、magentic、role-based など

4. **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

5. **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

6. **可観測性**: トレース、評価（eval）、デバッグ UI

7. **モデル非依存性**: OpenAI、Anthropic、Gemini、OSS モデルを切り替えるコスト

8. **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

| --- | --- | --- | --- | --- |

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。

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}")

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。

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。

参考資料

1. [LangGraph 公式ドキュメント](https://langchain-ai.github.io/langgraph/)

2. [LangGraph GitHub](https://github.com/langchain-ai/langgraph)

3. [AutoGen 0.4 公式ドキュメント](https://microsoft.github.io/autogen/)

4. [AutoGen GitHub](https://github.com/microsoft/autogen)

5. [Magentic-One 論文](https://arxiv.org/abs/2411.04468)

6. [CrewAI 公式ドキュメント](https://docs.crewai.com/)

7. [CrewAI GitHub](https://github.com/crewAIInc/crewAI)

8. [Semantic Kernel 公式ドキュメント](https://learn.microsoft.com/en-us/semantic-kernel/)

9. [Semantic Kernel GitHub](https://github.com/microsoft/semantic-kernel)

10. [OpenAI Agents SDK 公式ドキュメント](https://openai.github.io/openai-agents-python/)

11. [OpenAI Agents SDK GitHub](https://github.com/openai/openai-agents-python)

12. [Claude Agent SDK 公式ドキュメント](https://docs.anthropic.com/en/docs/claude-code/sdk)

13. [Anthropic — Building Effective Agents](https://www.anthropic.com/research/building-effective-agents)

14. [Model Context Protocol](https://modelcontextprotocol.io/)

15. [Pydantic AI 公式ドキュメント](https://ai.pydantic.dev/)

16. [Pydantic AI GitHub](https://github.com/pydantic/pydantic-ai)

17. [Smol Agents ブログ](https://huggingface.co/blog/smolagents)

18. [Smol Agents GitHub](https://github.com/huggingface/smolagents)

19. [LlamaIndex Workflows ドキュメント](https://docs.llamaindex.ai/en/stable/module_guides/workflow/)

20. [LlamaIndex GitHub](https://github.com/run-llama/llama_index)

21. [Vercel AI SDK 公式ドキュメント](https://sdk.vercel.ai/docs)

22. [Vercel AI SDK GitHub](https://github.com/vercel/ai)

23. [LangSmith](https://www.langchain.com/langsmith)

24. [Langfuse](https://langfuse.com/)

25. [LangChain Korea GitHub](https://github.com/teddylee777/langchain-kr)