AIエージェントフレームワーク比較2026年版：LangGraph・CrewAI・Dify・OpenHands含む9種徹底解説

from langgraph.graph import StateGraph, START, END
from langgraph.prebuilt import ToolNode
from langchain_anthropic import ChatAnthropic
from typing import TypedDict, Annotated
from langgraph.graph.message import add_messages

# ステート定義
class AgentState(TypedDict):
    messages: Annotated[list, add_messages]

# LLMとツール準備
model = ChatAnthropic(model="claude-sonnet-4-20250514")
tools = [search_tool, calculator_tool]
model_with_tools = model.bind_tools(tools)

# グラフ構築
graph = StateGraph(AgentState)

# ノード定義
def call_model(state: AgentState):
    response = model_with_tools.invoke(state["messages"])
    return {"messages": [response]}

def should_continue(state: AgentState):
    last_message = state["messages"][-1]
    if last_message.tool_calls:
        return "tools"
    return END

# グラフ組み立て
graph.add_node("agent", call_model)
graph.add_node("tools", ToolNode(tools))

graph.add_edge(START, "agent")
graph.add_conditional_edges("agent", should_continue, {"tools": "tools", END: END})
graph.add_edge("tools", "agent")

# コンパイル・実行
app = graph.compile()
result = app.invoke({"messages": [("user", "東京の天気を調べて")]})

from crewai import Agent, Task, Crew, LLM

# LLM設定
llm = LLM(model="claude-sonnet-4-20250514")

# エージェント定義（役割ベース）
researcher = Agent(
    role="シニアリサーチャー",
    goal="AI業界の最新トレンドを網羅的に調査する",
    backstory="10年以上のテクノロジー調査経験を持つアナリスト",
    tools=[search_tool, web_scraper],
    llm=llm,
    verbose=True,
)

writer = Agent(
    role="テクニカルライター",
    goal="調査結果を分かりやすい日本語記事にまとめる",
    backstory="技術ブログの編集経験が豊富なライター",
    llm=llm,
)

# タスク定義
research_task = Task(
    description="2026年のAIエージェント市場について調査し、主要プレイヤー・トレンド・課題をまとめる",
    expected_output="箇条書きの調査レポート（最低10項目）",
    agent=researcher,
)

writing_task = Task(
    description="調査レポートを元に、3000文字の日本語ブログ記事を執筆する",
    expected_output="Markdown形式のブログ記事",
    agent=writer,
    context=[research_task],  # リサーチ結果を入力として受け取る
)

# Crew実行
crew = Crew(
    agents=[researcher, writer],
    tasks=[research_task, writing_task],
    verbose=True,
)

result = crew.kickoff()
print(result)

# Microsoft Agent Framework (旧AutoGen後継)
from agent_framework import Agent, Team, GraphWorkflow
from agent_framework.models import AnthropicClient

# モデルクライアント
model_client = AnthropicClient(model="claude-sonnet-4-20250514")

# エージェント定義
coder = Agent(
    name="coder",
    model_client=model_client,
    system_message="Pythonコードを書くエンジニア。コードブロックで回答する。",
)

reviewer = Agent(
    name="reviewer",
    model_client=model_client,
    system_message="コードをレビューする。問題がなければ'APPROVE'と発言する。",
)

# グラフワークフロー定義
workflow = GraphWorkflow()
workflow.add_node("code", coder)
workflow.add_node("review", reviewer)
workflow.add_edge("code", "review")
workflow.add_conditional_edge("review", lambda r: "end" if "APPROVE" in r else "code")

# チーム実行
team = Team(workflow=workflow)

import asyncio

async def main():
    result = await team.run(task="フィボナッチ数列を計算する関数を書いて")
    for msg in result.messages:
        print(f"[{msg.source}]: {msg.content[:200]}")

asyncio.run(main())

from google.adk.agents import Agent
from google.adk.runners import Runner

# エージェント定義
agent = Agent(
    name="weather_agent",
    model="gemini-2.0-flash",
    description="天気情報を取得するエージェント",
    instruction="ユーザーの質問に天気データを使って回答する",
    tools=[get_weather],
)

# 実行
runner = Runner(agent=agent, app_name="weather-app", session_service=session_service)
response = await runner.run(user_id="user1", session_id="s1", new_message="東京の天気は？")

import anthropic
from claude_agent_sdk import Agent, tool

client = anthropic.Anthropic()

@tool
def get_weather(city: str) -> str:
    """指定された都市の天気を取得する"""
    # 実際にはAPIを呼ぶ
    return f"{city}の天気: 晴れ、気温22°C"

@tool
def search_web(query: str) -> str:
    """Web検索を実行する"""
    # 実際にはSearch APIを呼ぶ
    return f"'{query}' の検索結果: ..."

agent = Agent(
    model="claude-sonnet-4-20250514",
    tools=[get_weather, search_web],
    system="あなたは親切なアシスタントです。",
)

# 実行（ツールループが自動的に回る）
result = agent.run("東京の天気を調べて、週末のおすすめ行動を提案して")
print(result)

from pydantic_ai import Agent
from pydantic import BaseModel

# 構造化された出力の型定義
class WeatherReport(BaseModel):
    city: str
    temperature: float
    condition: str
    recommendation: str

# エージェント定義（出力型を指定）
weather_agent = Agent(
    "anthropic:claude-sonnet-4-20250514",
    result_type=WeatherReport,
    system_prompt="天気情報を調べて構造化された結果を返すアシスタント",
)

# ツール定義
@weather_agent.tool
async def get_temperature(ctx, city: str) -> str:
    """都市の気温を取得する"""
    return f"{city}: 22°C、晴れ"

# 実行（結果はWeatherReport型で返る）
result = weather_agent.run_sync("東京の天気を教えて")
print(result.data)  # WeatherReport(city="東京", temperature=22.0, ...)
print(type(result.data))  # <class 'WeatherReport'>

# テスト用モック（TestModelで実際のAPI呼び出しを回避）
from pydantic_ai import Agent
from pydantic_ai.models.test import TestModel

test_model = TestModel()

agent = Agent(test_model, result_type=str)
result = agent.run_sync("テスト")
# → APIを呼ばずに即座にテスト結果が返る

# 判断のコード例：シングルエージェントで始めて必要に応じて拡張

# Step 1: まずシングルエージェントで試す
from pydantic_ai import Agent

simple_agent = Agent(
    "anthropic:claude-sonnet-4-20250514",
    system_prompt="コードレビュアー",
)
# これで十分なら、フレームワークは不要

# Step 2: 複雑さが増したらCrewAIに移行
from crewai import Agent as CrewAgent, Task, Crew

reviewer = CrewAgent(role="レビュアー", goal="バグを見つける", llm=llm)
fixer = CrewAgent(role="修正者", goal="バグを修正する", llm=llm)
# タスク間の依存関係が自然に表現できる