LangGraph、CrewAI、Claude Managed Agents 与 OpenAI Agents SDK：编排层的四种架构

速览

四个框架，对同一个问题给出四种答案——编排层需要记住什么，又由谁负责不把它弄丢。下表先列基本信息；其下的矩阵则呈现各自在真正存在差异的那几条轴上最用力的方向。

快照：2026-05-28。这些框架更新很快，请对照最新文档核实。

LangGraph — 架构详解

图节点与边

LangGraph 要求你把控制流画成一张图。节点是函数——调用模型、运行工具、转换数据——边决定接下来运行什么。边可以是条件的（按状态分支），也可以是循环的（回环），所以这个结构是状态机，而非线性流水线。这与智能体循环所描述的感知-决策-行动循环本质相同，只是被显式化了：循环不再是模型 harness 内部一个不透明的 while 循环，而是一张你能读、能测、能逐条边推敲的图。监督者-路由到-专家的模式，或者经典的先规划后执行切分，都自然地呈现为图的拓扑。

状态对象

每个节点都从一个由你定义的、带类型的单一状态对象中读取并写回。不存在框架在你背后偷偷控制的隐藏对话缓冲区——状态就是你所写的那个 schema，节点的返回值由你可自定义的 reducer 合并进去。这使得 LangGraph 成为这里唯一一个对"我的智能体此刻知道什么？"在每一步都有具体、可检视答案的框架。它也划清了这种短期工作状态与短期 vs 长期记忆中所讨论的持久化知识存储之间的界线：图状态是单次运行的草稿纸；长期记忆是另一处独立的存储，由某个节点读取后注入其中。

checkpointer 与持久性

状态对象是主角；而 checkpointer 才是它在生产环境中重要的原因。LangGraph 通过一个可插拔的 checkpointer 在每个节点之后对完整状态拍快照——测试用内存，单机用 SQLite，集群用 Postgres。由于每一步在下一步运行前就已提交，运行时支持持久化执行与重放：进程在运行中途崩溃，它会从最后一个成功的步骤恢复，而不是从零重启。同样的 checkpoint 边界也支撑起人工介入式中断（在某个节点暂停，等待批准，再恢复）和 token 级流式输出。持久性不是事后再装上去的附加件；它是拥有一个带 checkpoint 的状态对象后的默认结果。

CrewAI — 架构详解

crew / agent / task 模型

CrewAI 的核心抽象是 Crew：一组各自声明了角色、目标和背景故事的智能体，协同完成一系列任务。你描述这些智能体是谁，而不是手工接出控制流——框架会把这些角色声明加上任务描述，转化为一场运行中的协作。它在构造上就是多智能体的，与监督者-工作者模式所讲的监督者-与-专家形态相同，只不过你是通过声明角色、而非画一张图来抵达它。

顺序 vs 层级化流程，以及 Flows

一支 crew 在某种流程下运行：顺序式（任务依次运行，每个输出喂给下一个）或层级化（一个 manager 智能体负责委派和审核）。要实现确定性的、事件驱动的控制——条件分支、显式状态、循环——CrewAI 增加了 Flows，一个独立的编排层，在那里状态是一等公民而非隐含存在。心智模型干净地一分为二：想要涌现式的、基于角色的协作时用 Crews，想要受控的流水线时用 Flows。许多真实系统会把一支 crew 嵌进一个 flow 里。

上下文在何处被隐式串联

在一支普通的 crew 里，状态大多是隐式的：上下文从一个任务的输出流入下一个智能体的提示词，由框架串联，而不是存放在你拥有的某个 schema 中。这对原型来说很顺手，也正因如此，它的持久性弱于 LangGraph 的 checkpointer 模型——除非你采用 Flows 并自行管理状态，否则没有内置的快照可供恢复。CrewAI 还原生支持 MCP 和 A2A，因此 crew 可以调用外部工具、并通过开放协议与其他智能体对话。有一点值得直说清楚：CrewAI 历史上确实建立在 LangChain 之上，但该项目现已独立于 LangChain——它当前的 README 将其描述为一个完全独立的框架。

Claude Managed Agents — 架构详解

客户端 / 服务端的分工

Claude Managed Agents（2026 年 4 月发布，处于 beta）把归属问题彻底反转过来。你运行一个轻量客户端；Anthropic 运行循环。该框架的概念是 Agent、Environment、Session 和 Events：你提交一个目标并流式接收这次运行，但编排发生在 Anthropic 基础设施上的服务端。这与 Claude Agent SDK 不同，后者在你的环境里运行循环——Managed Agents 是它的托管对应物，运行时是供应商的责任，而非你的。

服务端循环与工具执行

控制流是一个服务端的自主循环。一个 Session 在 Anthropic 基础设施上保存对话历史、容器状态与输出，因此运行在暂停之后能干净地恢复——线索从来不在你的机器上，也就无从丢失。你通过 Events 来观察和引导：运行通过 SSE 流式输出，你可以在运行途中发回 events 来中断或改变它的方向。Environment——工具和代码实际执行的地方——即使在循环本身保持托管的同时，也可以是你自己基础设施上的自托管沙箱，这让工具执行贴近你的数据，而无需你去运维编排器。

你放弃了什么，又得到了什么

你白白得到了持久性：没有 checkpointer 要配置，没有 Postgres 要运维，没有恢复逻辑要写。你放弃两件事。第一，这是一个单一的自主 harness，而非多智能体框架——子智能体不是它的招牌原语，所以别指望靠它拿到一等公民的 crews 或 handoffs。第二，由于 Session 状态存在 Anthropic 基础设施上，它不符合 ZDR 或 HIPAA 资格；那个让它"永不丢线索"的持久性特质，同时也意味着状态实实在在地离开了你的边界。这笔交易正是它的全部卖点：把运行时的运维权交出去，换来再也不用写恢复代码。

OpenAI Agents SDK — 架构详解

Agent + 工具

OpenAI Agents SDK 是这四者中最极简的：一个你在自己进程里运行的轻量库。一个 Agent 就是模型加指令加一组工具，一个小小的 runner 循环以普通代码的形式驱动"模型调用工具再评估"的循环。没有图 DSL，也没有角色声明要学——控制流就是你本就在写的 Python，SDK 只提供恰到好处的循环、追踪和结构来让它规矩起来。

handoffs

多智能体在这里通过 handoffs 成为一等公民：一个 Agent 把控制权转交给另一个，并连同完整上下文一起传过去。一个分诊 Agent 交接给一个专家 Agent；专家接管对话。这是这四者中最轻量的多智能体原语——比起图或托管的 crew，更接近一次函数调用——它直接对应到单智能体 vs 多智能体中的权衡：先从一个智能体起步，只在明确的专业化值得切出接缝时才拆成 handoffs。

guardrails 与 sessions（以及通过 LiteLLM 跑 Claude）

安全与人工介入来自 guardrails（可以中止运行的输入/输出校验器）和工具审批模式，并内置追踪以便观测。状态存放在一个进程本地的 Sessions 抽象中——默认在内存里，后端可插拔——而关键在于没有内置的 checkpoint 或重放：持久性是你的责任。运行中途崩溃，除非你自己持久化了 session，否则只能从头来过。一个务实的强项：捆绑的 LiteLLM adapter 能运行非 OpenAI 的模型，所以你可以用 LitellmModel(model="anthropic/claude-opus-4-7", ...) 来驱动 Claude，或者不离开 SDK 就换成 Gemini、Bedrock、Azure 或 Ollama。

横向对比

状态存在哪里与持久性

这正是把四者区分开来的那条轴，也是特性清单藏起来的那条。LangGraph 交给你一个你拥有的、在每一步之后拍快照的显式状态对象，于是持久性与重放成了默认——你可以丢掉进程而不丢掉这次运行。Claude Managed Agents 从相反方向抵达同样的"永不丢线索"持久性：Session 存在 Anthropic 的服务器上，所以状态之所以持久，恰恰是因为它从来就不归你持有（也正因如此，它离开了你的数据边界）。CrewAI 把状态隐式地留在 crew 里——上下文在任务之间串联，没有内置快照——除非你采用 Flows 并显式地管理它。OpenAI Agents SDK 维护一个进程本地的 Sessions 存储，默认在内存里、没有内置 checkpoint，于是持久性完全落在你身上。两个框架让恢复免费奉送；两个把它留成你的作业。分清谁是谁，正是一个 demo 和一个你能运维的东西之间的区别。

控制流模型

这四者落在一条从"画出来"到"交出去"的谱系上。LangGraph 最显式：你把控制流写成一张由节点和条件边、循环边构成的图，每条分支都可见、可测。OpenAI Agents SDK 以另一种习惯用法体现显式——控制流就是你进程里的普通代码，handoffs 是唯一那个结构化的分支。CrewAI 是声明式的：你描述角色和任务，让顺序或层级化的流程去决定排序，需要确定性的分支回环时再搬出 Flows。Claude Managed Agents 最"交出去"：循环在服务器上自主运行，你通过流式发送 events 来引导它，而不是去编写它的结构。循环能否干净地终止——这正是规划与终止所关心的问题——你要么把它设计进一条 LangGraph 边里，要么通过 OpenAI SDK 的追踪去观察，要么就信任托管运行时来处理。

多智能体立场

四者中有三个把多智能体当作一等公民；一个刻意不这么做。CrewAI 在构造上就是多智能体——一支 crew 就是一队基于角色的智能体，这正是这个抽象的全部意义。LangGraph 通过 subgraphs 和监督者模式把它做成一等公民，将智能体作为节点组合进一张更大的图里。OpenAI Agents SDK 通过 handoffs 实现，这是三者中最轻量的控制权转交原语。Claude Managed Agents 是例外：它是一个单一的自主 harness，而非多智能体框架，所以子智能体不是招牌原语——选它是为了一个有能力的智能体，而不是一支 crew。在搬出多智能体那三者中的任何一个之前，值得先看看多智能体：何时与为何，以及紧随其后的拓扑结构，因为最便宜的多智能体系统，往往是你没有去拆的那个单智能体。

运行在哪里与谁来运维

状态问题最终坍缩成一个运维问题：如果状态存在你的基础设施上，运行时就由你运维；如果存在供应商那里，就由他们运维。四者中有三个跑在你的环境里，把持久性、扩容和可用性压在你的团队身上；Claude Managed Agents 把运行时连同数据边界一起搬到了 Anthropic。

该选哪一个

延伸阅读

本站相关内容：

• 智能体框架——框架在裸模型调用之上添加了什么，以及这层抽象相对于一个普通循环何时物有所值。
• 智能体循环——这四者无一例外都包裹着的感知-决策-行动循环，被显式化后，你就能看清 LangGraph 画的是什么、OpenAI SDK 写的是什么、Anthropic 在服务端跑的又是什么。
• 监督者-工作者模式——CrewAI 默认内建、LangGraph 用 subgraphs 组合出来的协调形态，以及把工作委派给专家的种种权衡。

项目来源：

• LangGraph 文档——图、状态、checkpointers 与持久化执行（也见于 docs.langchain.com）。
• CrewAI 文档——Crews、Flows、流程，以及 MCP/A2A 支持（源码在 github.com/crewAIInc/crewAI）。
• Claude Managed Agents 文档——Agent、Environment、Session 与 Events 概念，以及客户端/服务端的分工。
• OpenAI Agents SDK 文档——Agent、工具、handoffs、guardrails、sessions，以及 LiteLLM adapter。