Table of Contents

Deep Agents to mój pierwszy kandydat na uniwersalnego agenta z konfigurowalnymi modelami i wbudowanym zarządzaniem kontekstem. Claude Agent SDK dobrze nadaje się do osadzania sposobu wykonywania Claude Code. OpenAI Agents SDK i Pydantic AI warto przetestować dla agentów dopasowanych do aplikacji, a Pi stawia na mały, rozszerzalny rdzeń, zaś LangGraph na jawne sterowanie przepływem pracy.

Najlepszy wybór zależy od pracy, którą agent ma przyjmować. Asystent badawczy, edytor repozytorium i usługa obsługująca żądania klientów potrzebują różnych narzędzi oraz reguł odzyskiwania. Te rekomendacje są ocenami redakcyjnymi opartymi na oficjalnej dokumentacji sprawdzonej 10 października 2026 roku, a nie wynikami praktycznego benchmarku wydajności.

Najważniejsze wnioski

  • Najpierw wybierz poziom abstrakcji: złożony agent, SDK aplikacji albo środowisko uruchomieniowe przepływu pracy.
  • Sprawdź granice wykonywania: zatwierdzanie narzędzi, izolacja systemu plików i polityka sieciowa rozwiązują różne problemy.
  • Przetestuj odzyskiwanie: sama historia rozmowy nie zapobiega powtórnym działaniom zewnętrznym.
  • Mierz zaakceptowaną pracę: w porównaniu kosztów uwzględnij awarie, czas przeglądu i infrastrukturę.
  • Zostaw model jawny: zmiana modelu i oprogramowania agenta testuje cały system, a nie samo oprogramowanie.

Co zapewnia framework agenta

Framework agenta to oprogramowanie otaczające wywołanie modelu. Przygotowuje kontekst, udostępnia narzędzia, wykonuje zatwierdzone działania, przekazuje wyniki z powrotem i decyduje, kiedy kontynuować lub zatrzymać pracę. Zależnie od implementacji zarządza także pamięcią, delegowaniem, uprawnieniami i odzyskiwaniem.

Model proponuje następne działanie. Narzędzie wykonuje operację. Środowisko uruchomieniowe uruchamia i zachowuje przepływ pracy. Te odpowiedzialności nakładają się w gotowych produktach, ale ich rozdzielenie pomaga wskazać brakujące możliwości.

Element Pytanie
Zarządzanie kontekstem Które wymagania przetrwają długie uruchomienie?
Wykonywanie narzędzi Kto sprawdza argumenty i ogranicza uprawnienia?
Przechowywanie stanu Co przetrwa ponowne uruchomienie procesu?
Weryfikacja Jaki dowód potwierdza ukończenie?

Rozważ przykładowego agenta wsparcia, który ma sprawdzić zamówienie i przygotować wniosek o wymianę. Odczytanie zamówienia, zaproponowanie wymiany i wysłanie wniosku powinny mieć osobne uprawnienia. Przekonujące wyjaśnienie nie daje prawa do wysłania wniosku, a zapisany transkrypt nie potwierdza, czy wysłanie już nastąpiło.

Zakres: ten przewodnik porównuje oprogramowanie możliwe do osadzenia oraz środowiska uruchomieniowe. Interfejsy dla codziennej pracy programisty opisują osobne porównania agentów kodujących CLI i agentów kodujących GUI . Porównanie SDK nie powinno po cichu zmienić się w ranking narzędzi terminalowych i rozszerzeń edytora.

Praktyczna lista kandydatów

Wymaganie początkowe Pierwsza opcja do oceny Główna odpowiedzialność po Twojej stronie
Agent ogólnego przeznaczenia Deep Agents Konfiguracja backendu, uprawnień i modelu
Claude Code w aplikacji Claude Agent SDK Obsługa i izolacja procesu wykonywania
Aplikacyjny przepływ narzędzi OpenAI Agents SDK Definicja narzędzi, zatwierdzeń i kryteriów akceptacji
Typowana aplikacja Python Pydantic AI i jego pakiet Harness Wybór możliwości i obszaru roboczego
Minimalny osadzalny rdzeń kodujący Pi SDK Złożenie rozszerzeń i polityki wykonywania
Jawny trwały przepływ pracy LangGraph Projekt stanu grafu i zachowania po awarii

To różne punkty startowe. Deep Agents już używa LangGraph, więc wybór nie musi oznaczać decyzji albo-albo. Pydantic AI także oddziela podstawowy framework agenta od złożonych możliwości harnessu. Porównuj ilość kodu aplikacji, za który musisz odpowiadać, zamiast traktować każdy wiersz jako wymienną bibliotekę.

Zacznij od najmniejszej warstwy, która przechodzi test akceptacji. Użyj typowanego frameworka aplikacyjnego dla ograniczonych wywołań narzędzi, złożonego agenta dla otwartej pracy z plikami lub badaniami, a jawnego grafu, gdy odzyskiwanie i przejścia wymagają nazwanych stanów. Dodawaj pamięć, dostęp do powłoki lub podagentów dopiero po teście pokazującym, dlaczego prostsza warstwa nie wystarcza.

Deep Agents: złożone możliwości

Wybierz Deep Agents jako pierwszy kandydat dla agenta pracującego z plikami, narzędziami i długimi rozmowami. Jego oficjalny opis dokumentuje backendy systemu plików, przenoszenie kontekstu, podsumowania, podagentów i zatwierdzanie przez człowieka. Opiera się na LangChain i środowisku LangGraph oraz integruje się z wieloma dostawcami modeli.

Konfiguracja nadal określa zachowanie. Aktualna dokumentacja wskazuje, że od wersji 0.7 planowanie zadań jest opcjonalne. Nie zakładaj, że poradnik dla starszej wersji opisuje bieżące wartości domyślne. Zapisz wersję pakietu i włączone middleware podczas oceny.

Dokładnie sprawdź zakres uprawnień. Udokumentowane reguły systemu plików obejmują wbudowane narzędzia plikowe, a nie dowolne polecenia powłoki przez backendy sandboxa. Odmowa narzędzia plikowego nie wystarcza, jeśli inna ścieżka wykonywania dociera do tego samego pliku. Testuj razem backend i granicę powłoki.

Moja rekomendacja: wpisz go na krótką listę dla usługi analizującej dokumenty lub repozytoria, gdy potrzebujesz złożonych możliwości i wyboru dostawcy. Wybierz mniejszy punkt startowy, gdy zadanie składa się z dwóch ściśle określonych wywołań API i zweryfikowanej odpowiedzi. Więcej narzędzi oznacza więcej zachowania do oceny.

Claude: osadzone wykonywanie

Wybierz Claude Agent SDK, gdy chcesz umieścić agenta Claude Code w aplikacji. Anthropic opisuje bibliotekę Python i TypeScript używającą tej samej pętli wykonywania, narzędzi i zarządzania kontekstem co Claude Code. SDK uruchamia plik binarny Claude Code w procesie, którym zarządzasz. Różni się od podstawowego klienta API Anthropic i hostowanych Managed Agents. Opis Agent SDK .

Zaletą jest ponowne użycie istniejącego systemu wykonywania. Operacje na plikach, polecenia, hooki, uprawnienia, sesje i podagenci są dostępne jako udokumentowane możliwości. Integracja dostarcza granicę aplikacji oraz kryteria akceptacji właściwe dla zadania.

Hosting pozostaje decyzją inżynierską. Wskazówki wdrożeniowe Anthropic omawiają kontrolę systemu plików, ograniczenia sieciowe i izolację. Skonfiguruj je wokół procesu, zamiast traktować monit o uprawnienie jako granicę systemu operacyjnego.

Moja rekomendacja: oceń go dla automatyzacji dokumentów lub kodowania opartej na Claude, z dużą ilością pracy na plikach i poleceniach. Wybierz alternatywę niezależną od dostawcy, jeśli porównywanie modeli lokalnych i wielu dostawców hostowanych jest podstawowym wymaganiem produktu.

Opcja złożona Nacisk integracyjny
Deep Agents Wybór modelu, middleware i konfiguracja backendu
Claude Agent SDK Wykonywanie Claude Code wewnątrz procesu aplikacji

OpenAI: aplikacyjne przepływy narzędzi

Wybierz OpenAI Agents SDK dla aplikacji zorganizowanej wokół funkcji, delegowanych zadań i jawnych wyników. Jego opis dokumentuje pętlę agenta, przekazania, zabezpieczenia, śledzenie oraz możliwości agentów sandboxowych. SDK jest interfejsem dla twórcy i różni się od aplikacji deweloperskiej Codex.

Zatwierdzanie jest zachowaniem konfigurowalnym. Przewodnik human-in-the-loop opisuje przerwane uruchomienia i serializowany stan do wznowienia po decyzji. Dla lokalnych narzędzi powłoki i poprawek zatwierdzanie jest opcjonalne. Samo dodanie callbacka zatwierdzającego nie włącza wymogu zatwierdzania.

Obsługa modeli wykracza poza OpenAI. Dokumentacja dostawców opisuje punkty integracji z zewnętrznymi dostawcami i adapterami. Sprawdź ustrukturyzowane wyniki, wywołania narzędzi i obsługę transportu dla wybranego endpointu, zamiast zakładać pełną zgodność funkcji.

Moja rekomendacja: wpisz go na krótką listę dla usługi, której użyteczne działania już istnieją jako dobrze określone funkcje aplikacji. Przykład to pobranie zamówienia, obliczenie uprawnień w zwykłym kodzie i przygotowanie ustrukturyzowanego wniosku. Zachowaj autoryzację i kontrole uprawnień w aplikacji, nawet gdy model wybiera następne narzędzie.

Pydantic AI: typowane aplikacje

Wybierz Pydantic AI, gdy typy Python i zweryfikowane wyniki są centralne dla aplikacji. Dokumentacja podstawowa obejmuje typowane narzędzia, wstrzykiwanie zależności, ustrukturyzowane wyniki i integracje z trwałym wykonywaniem. Walidacja potwierdza wymaganą strukturę wyniku. Nie potwierdza prawdziwości każdego pola.

Osobny pakiet Harness dodaje złożone możliwości. Jego dokumentacja obejmuje stosy Coder i Researcher, dostęp do systemu plików i powłoki, pamięć oraz integracje z obszarem roboczym. Lokalny obszar roboczy i izolowany sandbox to różne wybory wykonywania. Odpowiednie możliwości harnessu wymagają obszaru roboczego, a nie cichego wyboru jednego.

Moja rekomendacja: wpisz podstawowy framework na krótką listę dla usługi Python zwracającej typowane rekordy. Dodaj możliwości harnessu, gdy zadanie wymaga także eksploracji obszaru roboczego lub otwartych badań. Dzięki temu ograniczona usługa ekstrakcji nie dziedziczy dostępu do powłoki bez konkretnej potrzeby.

Dla przykładowego agenta przeglądającego faktury walidacja schematu sprawdza, czy suma jest liczbą, a waluta należy do dozwolonego zbioru. Osobna logika aplikacji porównuje sumę z pozycjami i sprawdza dowody źródłowe. Oba testy należą do próby.

Problem aplikacji Test akceptacji
Ustrukturyzowany wynik Zweryfikuj pola i niezależnie sprawdź ich znaczenie
Pauza na zatwierdzenie Zapisz dokładne oczekujące działanie i decyzję
Zmiana dostawcy Powtórz testy zgodności wywołań narzędzi i wyników

Pi: mały, rozszerzalny rdzeń

Wybierz SDK Pi, gdy chcesz bezpośrednio kontrolować zwartą implementację agenta kodującego. Dokumentacja projektu opisuje integrację SDK i RPC obok interfejsu interaktywnego. Domyślny zestaw narzędzi obejmuje odczyt, zapis, edycję i wykonywanie powłoki, a rozszerzenia dodają kolejne zachowania.

Minimalizm przenosi pracę na integratora. Pi celowo pomija wbudowane okna uprawnień i orkiestrację podagentów. Dokumentacja kieruje użytkowników do kontenerów lub własnych rozszerzeń dla przepływów potwierdzania. Oceniaj tu osadzone SDK, a nie jego interfejs terminalowy przeciwko graficznemu edytorowi innego dostawcy.

Moja rekomendacja: wpisz Pi na krótką listę dla własnej usługi kodującej, jeśli chcesz samodzielnie utrzymywać ograniczenia wykonywania, przegląd rozszerzeń i politykę odzyskiwania. Mały rdzeń ułatwia zrozumienie i zmianę zachowania. Jest mniej odpowiedni, gdy głównym wymaganiem jest gotowy system zatwierdzania i orkiestracji.

LangGraph: jawne sterowanie przepływem pracy

Wybierz LangGraph, gdy sam przepływ pracy potrzebuje jawnego stanu i przejść. Dokumentacja trwałości rozróżnia punkty kontrolne przypisane do wątku od magazynów współdzielonych między wątkami. Trwały checkpointer obsługuje odzyskiwanie po ponownym uruchomieniu procesu. Checkpointer w pamięci tego nie robi.

LangGraph jest podstawą środowiska uruchomieniowego. Definiujesz przepływ pracy i decydujesz, gdzie umieścić zachowanie sterowane przez model. Deep Agents już korzysta z tej podstawy, więc zejście do LangGraph ma sens, gdy potrzebujesz bardziej bezpośredniej kontroli nad ścieżkami wykonywania.

Moja rekomendacja: wpisz go na krótką listę dla procesu z nazwanymi etapami, pauzami na przegląd i odrębnymi regułami odzyskiwania. Przepływ przyjmowania dokumentu może wyodrębniać pola, walidować je, prosić o przegląd i publikować zatwierdzony rekord. Stałe przejścia są przydatne, gdy model ma wybierać treść, ale nie powinien wymyślać procesu biznesowego.

Etap przepływu Dowód ukończenia
Ekstrakcja Rekord kandydata powiązany ze źródłem
Walidacja Deterministyczne kontrole i wyjątki
Przegląd Decyzja przypisana do konkretnego kandydata
Publikacja Zewnętrzne potwierdzenie zapisane dla operacji

Skutki zewnętrzne wymagają własnego projektu odzyskiwania. Zapisanie stanu grafu nie czyni transakcji usługi zdalnej atomową względem punktu kontrolnego. Użyj identyfikatora operacji i uzgodnij zewnętrzny wynik przed ponownym wysłaniem.

Przetestuj brakujące elementy

Lista funkcji to dopiero początek. Przeprowadź każdego kandydata przez awarie podobne do tych z Twojego obciążenia. Użyj tymczasowego obszaru roboczego i usług testowych z syntetycznymi rekordami.

Test Dowód do zachowania
Przerwane wysłanie Jeden skutek zewnętrzny po odzyskaniu
Długa rozmowa Oryginalne wymagania nadal spełnione
Odrzucone działanie Brak skutku przez alternatywne narzędzie
Nieufna instrukcja w dokumencie Tekst dokumentu nie zyskuje uprawnień
Błędne argumenty narzędzia Odrzucenie przed zmianą aplikacji
Wyczerpanie budżetu Ograniczone zatrzymanie z możliwą do zbadania pracą częściową

Zdefiniuj powtórzenie wprost. Dla usługi wniosków o wymianę zatrzymaj pracownika po przyjęciu wniosku przez usługę testową, lecz przed zapisaniem lokalnego ukończenia. Po ponownym uruchomieniu przepływ powinien wyszukać identyfikator operacji, zamiast bezpośrednio wysyłać wniosek ponownie. To proponowany test, a nie zaobserwowany wynik dla wymienionych produktów.

Sprawdź dowody po kompakcji. Umieść ważne wymaganie na początku zadania, a potem dostarcz realistyczny materiał wystarczający do uruchomienia skonfigurowanej strategii kontekstu. Poproś agenta o końcowy artefakt i wspierające odnośniki do źródeł. Nasza analiza CLM i pamięci agenta wyjaśnia, dlaczego zachowanie notatek i zachowanie dokładnych dowodów to osobne problemy.

Sprawdź miejsca docelowe telemetrii. Ślady narzędzi i magazyny pamięci często zawierają dane zadania. Zapisz, które systemy je otrzymują i jak długo pozostają dostępne. Lokalne wnioskowanie modelu nie oznacza lokalnego logowania, pobierania danych ani wykonywania.

Porównaj koszt zaakceptowanego zadania

Użyj dwóch torów oceny. Kontrolowane porównanie utrzymuje ten sam model, narzędzia, zestaw zadań i budżety, gdy jest to obsługiwane. Porównanie wdrożeniowe używa konfiguracji przeznaczonej dla każdego kandydata. Pierwsze izoluje część wpływu oprogramowania. Drugie odpowiada, która pełna konfiguracja lepiej służy Twojej pracy.

Nie wymuszaj nieobsługiwanych konfiguracji w torze kontrolowanym. Jeśli dwóch kandydatów nie ma wspólnego modelu lub interfejsu narzędzi, przedstaw porównanie jako ocenę systemu. Zachowaj wysiłek konfiguracji i sterowanie człowieka w rejestrze.

# Illustrative trial record, not a framework configuration file
candidate: "package and pinned version"
model: "provider and exact model identifier"
workspace: "isolated test environment"
task_set: "frozen fixtures and acceptance checks"
limits:
  elapsed_minutes: 15
  model_calls: 30
  tool_calls: 60
record:
  - accepted_result
  - unsupported_claims
  - duplicate_external_actions
  - inference_cost
  - infrastructure_cost
  - human_review_minutes
  - recovery_outcome

Wykonaj kilka prób na zadanie. Nieudane próby pozostaw w mianowniku i podaj surowe liczby obok procentów. Mała próba ujawnia wzorce awarii, a nie stabilny ranking branżowy.

Przykładowe obliczenie kosztu: załóżmy, że konfiguracja A wydaje 12 dolarów na dziesięć prób i daje osiem zaakceptowanych wyników. Jej koszt wnioskowania na zaakceptowane zadanie wynosi 1,50 dolara. Konfiguracja B wydaje 8 dolarów, lecz daje cztery zaakceptowane wyniki, więc odpowiadający koszt wynosi 2,00 dolary. Żadna liczba nie obejmuje przeglądu człowieka ani infrastruktury. Te elementy należą do osobno rejestrowanej sumy.

Ustal dyskwalifikujące awarie przed testem. Nieautoryzowane wysłanie lub wyciek danych między użytkownikami nie powinny znikać w średniej jakości. Po egzekwowaniu tych wymagań porównaj poprawność, odzyskiwanie, wysiłek przeglądu i koszt.

Podejmij ograniczoną decyzję

Zacznij od dwóch kandydatów i jednego rzeczywistego przepływu pracy. Dla złożonego agenta niezależnego od dostawcy porównaj Deep Agents z węższą alternatywą dopasowaną do aplikacji. Dla zachowania Claude Code w usłudze przetestuj Claude Agent SDK. Dla pracy z typowaną aplikacją porównaj Pydantic AI z OpenAI Agents SDK. Wybierz Pi, gdy własne zachowanie uzasadnia dodatkową pracę integracyjną, oraz LangGraph, gdy priorytetem jest jawne sterowanie przepływem.

Wymagania wstępne próby: zatwierdzony dostęp do modelu, syntetyczne dane testowe, izolowany obszar roboczy, gdy jest potrzebny, oraz zapisane kryteria akceptacji. Przeznacz początkowe popołudnie na konfigurację i podstawowe testy awarii, a następnie zbierz powtarzalne uruchomienia przed decyzją produkcyjną. Trudność jest średnia lub zaawansowana, zależnie od działań zewnętrznych i wymagań odzyskiwania.

Wybierz najmniejszy system, który spełnia wymagania. Zachowaj dane testowe, wersje pakietów i rejestry awarii. Uruchamiaj je ponownie po zmianie modelu, strategii kontekstu, narzędzi lub backendu wykonywania. Takie zmiany zmieniają oceniany system.

Źródła