2025 年是 Agent 框架井喷的一年。到了 2026 年，主流框架基本定型：LangGraph、CrewAI、Claude Agent SDK、OpenAI Agents SDK、Microsoft Agent Framework、Google ADK。

每个框架都说自己好。但开发者选型时真正关心的就几个问题：支不支持 Skills（可复用的能力模块）？能不能动态创建 Agent？MCP 支持到什么程度？支持哪些语言？

这篇文章不做泛泛的优缺点罗列，直接回答这些具体问题。

本文提纲

1. 六大框架速览
2. Skills 支持：谁做得最认真
3. 动态 Agent 创建：谁最强
4. MCP 支持：确实都支持，但方式不同
5. 多语言支持：Google ADK 最猛
6. 选型建议

六大框架速览

几个需要更新的认知：

• Microsoft Agent Framework 已经取代了 AutoGen 和 Semantic Kernel 的 Agent 部分。AutoGen 进入维护模式，README 直接写了"新用户请使用 Microsoft Agent Framework"。它不是 AutoGen 的升级版，是从头设计的统一框架，同时提供 AutoGen 和 Semantic Kernel 的迁移路径。
• Google ADK 不只有 Python 版。它有三个语言实现：Python（19.4k star）、Java（1.5k star）、Go（7.7k star）。用户说"Google JDK"可能就是指 Java 版的 ADK。
• Claude Agent SDK 的核心不是聊天 API 封装，而是把 Claude Code 的完整 Agent 能力（Bash、文件操作、搜索、子 Agent）暴露为可编程 SDK。

Skills 支持：谁做得最认真

"Skills"在不同框架里有不同的叫法和实现深度。我把它分成三个等级：

一等公民：CrewAI、Claude Agent SDK

CrewAI 把 Skills 作为核心概念。有专门的 crewAIInc/skills 仓库，Skills 是可复用的 Markdown 文件，定义了 Agent 在特定任务类型上的行为模式。包括脚手架生成、Agent 设计、任务设计、文档查询等。CrewAI 社区可以发布和共享 Skills。

Claude Agent SDK 的 Skills 系统更工程化。每个 Skill 是 .claude/skills/*/SKILL.md 目录下的 Markdown 文件，包含触发条件、步骤、注意事项。Claude Code 和 Claude Agent SDK 共用同一套 Skills。Anthropic 还做了 Skills Marketplace，可以分享和安装社区 Skills。这套东西已经在生产环境中验证过了。

⭐ 有类似能力但名字不叫 Skills：Google ADK、LangGraph

Google ADK 最近加了 Skill Registry 接口（2026 年 5 月刚合并），正在建设正式的 Skills 系统。目前通过丰富的工具生态和 Agent Config（无代码 Agent 构建）实现类似的可复用能力。

LangGraph 没有显式的 Skills 概念。它的可复用单元是"子图"——定义好的图结构可以作为节点嵌入更大的图中。加上 LangChain 生态的 Prompt Templates 和预构建组件，也能达到类似效果，但不如 CrewAI 和 Claude 那么直白。

⚠️ 基础层面：OpenAI Agents SDK、MS Agent Framework

OpenAI Agents SDK 的仓库里有 .agents/skills/ 目录，但那是给项目自身用的，不是给用户的 Skills 框架。用户能做的是把 Agent 定义为 Tools（Agents as tools），实现复用，但没有标准的 Skills 模板系统。

MS Agent Framework 通过中间件和声明式 Agent 定义实现类似效果，但没有显式的 Skills 抽象。

动态 Agent 创建：谁最强

六个框架都支持动态创建 Agent，但方式和灵活度差异很大。

LangGraph：子图组合，最灵活

LangGraph 的核心抽象就是图——节点是函数，边是状态转移。动态创建 Agent 就是动态构建子图。你可以在运行时决定图的拓扑结构，根据条件创建不同的分支和节点。

# LangGraph: 动态构建子图
from langgraph.graph import StateGraph

def create_dynamic_agent(tools, prompt):
    graph = StateGraph(AgentState)
    graph.add_node("agent", call_model)
    graph.add_node("tools", tool_node)
    # 运行时决定边
    graph.add_conditional_edges("agent", should_continue)
    return graph.compile()

LangGraph 还支持持久化执行（Durable Execution）——图的状态可以检查点保存，中断后恢复。Human-in-the-loop 通过 interrupt 机制实现。这是其他框架没有的。

CrewAI：角色分配 + Flows 编排

CrewAI 的动态 Agent 创建有两种模式：

Crews 模式：定义一组角色（Researcher、Writer、Reviewer），Manager Agent 动态分配任务给最合适的角色。

Flows 模式：事件驱动的工作流，支持条件分支、循环、并行。可以在 Flow 中动态创建新的 Agent。

# CrewAI: 动态角色分配
researcher = Agent(role="Researcher", goal="Find information", ...)
writer = Agent(role="Writer", goal="Write content", ...)
crew = Crew(agents=[researcher, writer], process=Process.hierarchical)

Claude Agent SDK：子 Agent 调度

Claude Agent SDK 的子 Agent 是最接近"自主创建"的——主 Agent 可以在运行时根据任务需要，自动决定是否派生子 Agent。不需要显式编排。

# Claude Agent SDK: 子 Agent 自动调度
agent = Agent.create(
    agents={
        "code-reviewer": {
            "description": "Expert code reviewer",
            "prompt": "Review code for bugs and security",
        },
        "test-writer": {
            "description": "Writes tests",
            "prompt": "Write comprehensive tests",
        },
    }
)
# 主 Agent 自动决定何时调用哪个子 Agent

OpenAI Agents SDK：Handoffs + Sandbox Agents

OpenAI 的方式最简洁——Handoffs。Agent A 可以把控制权交给 Agent B，就像客服转接一样。

# OpenAI Agents SDK: Handoffs
triage_agent = Agent(name="Triage", handoffs=[research_agent, code_agent])

v0.14 新增了 Sandbox Agents——带容器化文件系统的 Agent，适合长时间运行的任务。

MS Agent Framework：图工作流

和 LangGraph 类似的图工作流模式，但加了分层架构：Core API（消息传递、事件驱动）→ Agent Chat API（高层）→ Extensions。支持时间旅行（time-travel）调试。

Google ADK：层级组合

通过 sub_agents 参数把多个 Agent 组合成层级结构。父 Agent（Coordinator）根据任务分派给子 Agent。

# Google ADK: 层级组合
coordinator = LlmAgent(
    name="coordinator",
    sub_agents=[research_agent, code_agent, review_agent]
)

MCP 支持：确实都支持，但方式不同

你说得对——六大框架都支持 MCP。但集成深度不同：

Claude Agent SDK 有个独门绝技——SDK MCP Server。通常 MCP 服务器是独立进程（stdio 或 HTTP），但 Claude SDK 允许你在同一个 Python 进程里定义 MCP 工具：

# Claude Agent SDK: 进程内 MCP 服务器
@tool
def search_docs(query: str) -> str:
    """Search internal documentation."""
    return search_engine.query(query)

mcp_server = create_sdk_mcp_server(
    name="internal-tools",
    tools=[search_docs]
)

不需要启动额外的进程，不需要 JSON-RPC 通信，Python 函数直接就是 MCP 工具。这个设计很优雅。

多语言支持：Google ADK 最猛

Google ADK 是唯一一个支持三种语言的框架。 Python（v1.32.0）、Java（v1.2.0）、Go（v0.x），API 设计保持一致。Java 版用 Builder 模式（LlmAgent.builder()），Python 版用更 Pythonic 的风格，但核心概念一一对应。

MS Agent Framework 的特殊之处在于支持 .NET/C#——这是企业 .NET 技术栈唯一的选择。

CrewAI 是唯一只有 Python 的框架，但它也是最纯粹 Pythonic 的。

选型建议

不搞模糊的"看情况"，直接给具体建议：

你想要什么 → 选什么：

一个值得注意的趋势： 六个框架正在趋同。LangGraph 加了 MCP 适配器，OpenAI 加了 Sandbox Agents，Google 加了 Skill Registry，微软统一了 AutoGen 和 Semantic Kernel。大家都在补齐自己的短板。

选框架不用太纠结——2026 年的 Agent 框架不像 2023 年的 LLM 那样差距巨大。核心能力（MCP、动态 Agent、工具调用）都有了。选你技术栈匹配的、API 风格顺手的就行。

作者: itech001
来源: 公众号：AI人工智能时代
主页: https://www.theaiera.cn，每日分享最前沿的AI新闻和技术。

本文首发于 AI人工智能时代，转载请注明出处。