AIエージェントフレームワーク選定が2026年の開発生産性を左右する

2026年、AIエージェントは「LLMに質問する」段階を超え、コードを書き、テストを実行し、デプロイまで完了するレベルに到達した。GitHub上には数十のエージェントフレームワークが乱立し、どれを選ぶべきかの判断が難しくなっている。

この記事では、2026年4月時点で実用レベルに達している主要9フレームワークを、GitHub Star数・アーキテクチャ設計・実装コード・ユースケースの4軸で徹底比較する。

30秒でわかる
・AIエージェントフレームワークの比較・おすすめは、用途で決まる:細かい制御はLangGraph、役割分担はCrewAI、最短で動かすならClaude Agent SDK、ノーコードはDify
・Star数は2026-08-01実測でDify 150.9K、OpenHands 82.7K、CrewAI 56.4K、LangGraph 38.6K(末尾の実測節)
・比較表は実測値の単一データファイルから描画(2026-08-01 実測)。移管されたリポジトリと詳細は「4か月後の答え合わせ」を参照

比較対象フレームワーク一覧

フレームワーク★(実測)言語ライセンス最終push
Dify langgenius/dify150,929Python/TSApache 2.0(修正版)2026-07-31
OpenHands OpenHands/OpenHands82,714Python/TSMIT2026-07-31
CrewAI crewAIInc/crewAI56,435PythonMIT2026-07-31
LangGraph langchain-ai/langgraph38,584PythonMIT2026-07-31
Mastra mastra-ai/mastra26,788TypeScriptApache 2.0(ee/ は別条件)2026-07-31
Google ADK google/adk-python20,959Python/Go/TS/JavaApache-2.02026-07-31
PydanticAI pydantic/pydantic-ai18,933PythonMIT2026-07-31
MS Agent Framework microsoft/agent-framework12,523Python/.NETMIT2026-07-31
Claude Agent SDK anthropics/claude-agent-sdk-python7,774TypeScript/PythonMIT2026-07-25

出典: GitHub 各リポジトリを実測(2026-08-01 確認)。この表は _data/compare/agent_frameworks.yml から描画しており、1ファイルを直すと参照する全ページに反映されます。

この表は単一のデータファイル(_data/compare/agent_frameworks.yml)から描画している。値は 2026-08-01 の実測で、Star 数は「最終 push(更新が止まっていないか)」と並べて見るのが要点だ(移管・停止の詳細は本記事末尾の「答え合わせ」を参照)。1 ファイルを直せば、この比較を載せる全ページに次のビルドで反映される。

注意: AutoGen(40K+ Star)は2026年にメンテナンスモードへ移行。後継のMicrosoft Agent Framework(AutoGen + Semantic Kernel統合)が正式リリースされた。

プラットフォーム

Dify 137K
ノーコードUI

OpenHands 70.7K
自律コーディング

宣言的定義

CrewAI 48.2K
ロールベース

MS Agent Framework 9.1K
AutoGen後継

Google ADK 18.8K
マルチ言語

コードファースト

LangGraph 28.6K
グラフベース制御

Claude Agent SDK 6.2K
ツールループ

PydanticAI 16.2K
型安全エージェント

Mastra 22.8K
TypeScriptファースト

LangGraph:グラフベースで複雑なワークフローを精密制御する

LangGraphはLangChainチームが開発したステートマシン+グラフベースのエージェントフレームワークだ。ノードが処理ステップ、エッジが遷移条件を表し、条件分岐・ループ・人間の承認ステップを細かく制御できる。

基本アーキテクチャ

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")]})

LangGraphの強み

特徴 詳細
状態永続化 チェックポイントで中断・再開が可能
ヒューマンインザループ 承認ステップを挟める
ストリーミング トークン単位でリアルタイム出力
LangSmith連携 実行トレースの可視化・デバッグ
サブグラフ グラフを入れ子にして複雑なワークフローを構成

LangGraphの弱み

  • 学習曲線が急。グラフ定義・ステート管理・条件分岐の設計に慣れが必要
  • LangChainエコシステムへの依存が強い
  • 単純なタスクにはオーバースペック

CrewAIマルチエージェント実行デモ — リサーチャーとライターの協調作業

CrewAI:ロール定義でマルチエージェントを直感的に構成する

CrewAIは「役割(Role)」と「タスク(Task)」を定義するだけでマルチエージェントシステムを構築できるフレームワークだ。「リサーチャー」「ライター」「エディター」のようにチームメンバーを定義し、協調させる。

基本的なCrew構成

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)

YAML定義(crewai CLI)

CrewAI v0.80以降は、CLIツールでプロジェクトを生成し、YAMLで宣言的にエージェントとタスクを定義できる。

# プロジェクト生成
crewai create crew my-research-crew
cd my-research-crew
# config/agents.yaml
researcher:
  role: "シニアリサーチャー"
  goal: "AI業界の最新トレンドを正確に調査する"
  backstory: "10年以上のテクノロジー調査経験"

writer:
  role: "テクニカルライター"
  goal: "調査結果を読みやすい記事にまとめる"
  backstory: "技術メディアの編集経験が豊富"
# config/tasks.yaml
research_task:
  description: "2026年のAIエージェント市場を調査"
  expected_output: "調査レポート(箇条書き)"
  agent: researcher

writing_task:
  description: "調査結果を3000文字の記事にする"
  expected_output: "Markdown記事"
  agent: writer
  context:
    - research_task
ライターリサーチャーCrewユーザーライターリサーチャーCrewユーザーkickoff()research_task 実行Web検索・情報収集調査レポートwriting_task 実行(レポートをcontext渡し)記事執筆Markdown記事最終結果

Microsoft Agent Framework:AutoGen後継のエンタープライズ向けフレームワーク

Microsoft Research発のAutoGen(40K+ Star)は2026年にメンテナンスモードへ移行し、AutoGenとSemantic Kernelを統合した「Microsoft Agent Framework」が正式後継としてリリースされた。グラフベースのワークフロー定義、ストリーミング、チェックポイント、ヒューマンインザループを備えるエンタープライズ向けフレームワークだ。

基本構成

# 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())

MS Agent Frameworkの特徴

機能 詳細
ワークフロー グラフベース(AutoGen会話パターン + Semantic Kernelプランナー統合)
コード実行 Docker/ローカルでPythonコードを安全に実行
DevUI Webベースの対話的開発UI
ミドルウェア リクエスト/レスポンス処理パイプライン
.NET SDK C#からも利用可能。エンタープライズ.NET環境に最適
OpenTelemetry オブザバビリティ組み込み

Mastra:TypeScriptファーストのAIエージェントフレームワーク

Gatsby開発チームが立ち上げたMastraは、TypeScript/Next.jsエコシステムに最適化されたエージェントフレームワークだ。Y Combinator W25バッチに採択され、$13Mの資金調達を完了。npm週間30万DL以上の勢いで成長している。

基本実装

import { Agent } from "@mastra/core/agent";
import { anthropic } from "@ai-sdk/anthropic";

// エージェント定義
const researchAgent = new Agent({
  name: "research-agent",
  instructions: "AI業界の最新トレンドを調査するリサーチャー",
  model: anthropic("claude-sonnet-4-20250514"),
  tools: {
    webSearch,
    summarize,
  },
});

// 実行
const result = await researchAgent.generate(
  "2026年のAIエージェント市場について調査して"
);
console.log(result.text);

Mastraの特徴

機能 詳細
TypeScript最適化 Next.js/Vercelとの親和性が高い
Mastra Studio ローカルWebベースIDEでエージェントをテスト
モデルルーティング 40以上のプロバイダに対応
メモリシステム 短期・長期メモリ(libSQL/Postgres対応)
ワークフロー ステップベースの宣言的ワークフロー定義

Google ADK:マルチ言語対応のGoogle公式エージェント開発キット

GoogleがリリースしたAgent Development Kit(ADK)は、Python・Go・TypeScript・Javaの4言語に対応するマルチ言語フレームワークだ。Geminiに最適化されているがモデル非依存設計で、他のLLMも利用可能。

基本実装

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?")

Google ADKの特徴

機能 詳細
マルチ言語 Python, Go, TypeScript, Java(4言語対応は唯一)
Google Cloud連携 Vertex AI、Cloud Run、Cloud Storageとネイティブ統合
MCP対応 サードパーティMCPサーバー統合可能
OpenTelemetry オブザバビリティ組み込み
モデル非依存 Gemini最適化だがClaude・GPTも利用可能

Claude Agent SDK:Anthropic公式の軽量エージェントツールキット

2025年にAnthropicが公開したClaude Agent SDKは、最小限のAPIでエージェントを構築することに特化している。ツールループ(LLMがツールを呼び出し→結果を受け取り→再度判断する)を自動的に回す仕組みだけを提供し、それ以上の抽象化は行わない。

基本実装

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)

TypeScript版

import Anthropic from "@anthropic-ai/sdk";

const client = new Anthropic();

// ツール定義
const tools: Anthropic.Tool[] = [
  {
    name: "get_weather",
    description: "都市の天気を取得する",
    input_schema: {
      type: "object" as const,
      properties: {
        city: { type: "string", description: "都市名" },
      },
      required: ["city"],
    },
  },
];

// ツールハンドラー
function handleTool(name: string, input: Record<string, unknown>): string {
  if (name === "get_weather") {
    return `${input.city}の天気: 晴れ、22°C`;
  }
  return "不明なツール";
}

// エージェントループ
async function agentLoop(userMessage: string) {
  const messages: Anthropic.MessageParam[] = [
    { role: "user", content: userMessage },
  ];

  while (true) {
    const response = await client.messages.create({
      model: "claude-sonnet-4-20250514",
      max_tokens: 4096,
      tools,
      messages,
    });

    // テキスト出力を表示
    for (const block of response.content) {
      if (block.type === "text") console.log(block.text);
    }

    // stop_reason が "end_turn" なら終了
    if (response.stop_reason === "end_turn") break;

    // ツール呼び出しを処理
    const toolResults: Anthropic.MessageParam = {
      role: "user",
      content: response.content
        .filter((b): b is Anthropic.ToolUseBlock => b.type === "tool_use")
        .map((b) => ({
          type: "tool_result" as const,
          tool_use_id: b.id,
          content: handleTool(b.name, b.input as Record<string, unknown>),
        })),
    };

    messages.push({ role: "assistant", content: response.content });
    messages.push(toolResults);
  }
}

agentLoop("東京の天気を教えて");

Claude Agent SDKの設計思想は「フレームワークではなくツールキット」だ。ステート管理やワークフロー定義の仕組みは提供せず、ツールループの自動化だけに集中している。その分、他のフレームワークやMCPサーバーとの組み合わせが容易だ。MCPサーバーの作り方については包括ガイドで詳しく解説している。

OpenHands:自律型AIコーディングエージェント

OpenHands(旧OpenDevin)は、コードの記述・実行・デバッグを自律的に行うAIソフトウェアエンジニアだ。他のフレームワークが「フレームワーク=自分でエージェントを構築する道具」なのに対し、OpenHandsはすぐに使える完成品のエージェントとして提供される。

セットアップと実行

# Dockerで起動(推奨)
docker pull docker.all-hands.dev/all-hands-ai/runtime:0.30-nikolaik

docker run -it --rm --pull=always \
  -e SANDBOX_RUNTIME_CONTAINER_IMAGE=docker.all-hands.dev/all-hands-ai/runtime:0.30-nikolaik \
  -e LOG_ALL_EVENTS=true \
  -v /var/run/docker.sock:/var/run/docker.sock \
  -v ~/.openhands-state:/.openhands-state \
  -p 3000:3000 \
  docker.all-hands.dev/all-hands-ai/openhands:0.30

# ブラウザで http://localhost:3000 にアクセス

OpenHandsの特徴

OpenHands Web UI(localhost:3000)の動作フロー:

  • チャット画面でタスクを指示(例:「Pythonでスクレイパーを作って」)
  • エージェントが自律的に以下を実行:
    1. ファイル作成
    2. コード記述
    3. 依存パッケージインストール
    4. テスト実行
    5. バグ修正
    6. 完成物を提示
  • すべての処理はSandboxed Docker環境で安全に実行される

OpenHandsはSWE-Bench(ソフトウェアエンジニアリングベンチマーク)でトップクラスの成績を記録しており、実際のGitHub Issueの修正タスクでも高い解決率を示す。OpenHandsの詳細解説はこちらを参照。

Dify:ノーコードでAIエージェントワークフローを構築する

DifyはビジュアルUIでAIアプリケーションを構築するプラットフォームだ。コードを書かずにドラッグ&ドロップでエージェントのワークフローを設計できる。

Difyのワークフロー構成

# Docker Composeで起動
git clone https://github.com/langgenius/dify.git
cd dify/docker
cp .env.example .env
docker compose up -d

# ブラウザで http://localhost/install にアクセス
# Dify DSLエクスポート例(YAML形式)
app:
  name: "リサーチエージェント"
  mode: "agent-chat"
  
model_config:
  provider: "anthropic"
  model: "claude-sonnet-4-20250514"
  
tools:
  - type: "web_search"
    provider: "google"
  - type: "wikipedia"
  - type: "calculator"

Difyの強み・弱み

強み 弱み
ノーコードでエージェント構築 複雑なロジックはUIでは表現しにくい
200以上の組み込みツール カスタムツール追加にAPI開発が必要
RAG機能が統合済み ホスティング提供にライセンス制限
ログ・分析ダッシュボード セルフホストの運用コストが高い

PydanticAI:型安全性を重視した実用的エージェントフレームワーク

Pydantic(Python最大のバリデーションライブラリ、月間3億DL以上)のチームが開発したPydanticAIは、型安全性とテスタビリティを最優先に設計されたフレームワークだ。

基本実装

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'>

PydanticAIの特徴

# 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
特徴 詳細
構造化出力 Pydanticモデルで出力型を定義、自動バリデーション
依存性注入 テスト時にDBやAPIクライアントを差し替え可能
TestModel API呼び出しなしでユニットテスト
Logfire連携 Pydantic公式のオブザバビリティツール
モデル非依存 Anthropic, OpenAI, Gemini, Groq, Ollama対応

9フレームワーク総合比較:プロジェクトに最適な選択基準

機能比較マトリクス

機能 LangGraph CrewAI MS Agent FW Claude SDK OpenHands Dify PydanticAI Mastra Google ADK
マルチエージェント ✅ サブグラフ ✅ Crew ✅ グラフ ⚠️ 手動 ✅ 内蔵 ✅ ワークフロー ⚠️ 手動 ✅ ✅
状態永続化 ✅ ✅ メモリ ✅ ❌ ✅ ✅ DB ❌ ✅ ✅
ストリーミング ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅ ✅
ノーコードUI ❌ ❌ ✅ DevUI ❌ ✅ Web ✅ メイン ❌ ✅ Studio ❌
MCP対応 ⚠️ ⚠️ ⚠️ ✅ ネイティブ ❌ ✅ v1.5 ❌ ✅ ✅
テスタビリティ ⚠️ ⚠️ ⚠️ ⚠️ ❌ ❌ ✅ TestModel ⚠️ ⚠️
学習コスト 高 中 中〜高 低 低 低 中 中 中

用途別おすすめフレームワーク

書かない

書く

TypeScript

Python

.NET/Java

はい

いいえ

不要

はい

いいえ

必要

はい

いいえ

AIエージェントを
構築したい

コードを書く?

Dify 137K
ノーコードUI

主要言語は?

Mastra 22.8K
TS/Next.js最適

マルチエージェント
が必要?

Google Cloud?

Google ADK 18.8K
マルチ言語

MS Agent FW 9.1K
.NET/Python

型安全性
重視?

PydanticAI 16.2K
構造化出力

Claude Agent SDK 6.2K
最小構成

細かい制御
が必要?

LangGraph 28.6K
グラフ制御

CrewAI 48.2K
ロールベース

選定基準の詳細

判断基準 推奨フレームワーク 理由
プロトタイプを最速で作りたい Claude Agent SDK ツール定義→実行まで10分。ボイラープレート最小
非エンジニアもワークフローを編集する Dify ビジュアルUI。コード不要でフロー変更可能
本番運用で信頼性が必要 LangGraph 状態永続化、リトライ、ヒューマンインザループ
チーム型のタスク分担が自然 CrewAI ロール定義が直感的。YAML定義でメンテしやすい
TypeScript/Next.jsプロジェクト Mastra TS最適化、Mastra Studio、npm週30万DL
Google Cloud/Geminiエコシステム Google ADK 4言語対応、Vertex AI統合
Microsoft/.NETエコシステム MS Agent Framework AutoGen後継、エンタープライズ対応
実コードを書かせたい OpenHands SWE-Bench 77.6%。Sandbox実行で安全
型安全・テスト容易性が最優先 PydanticAI Pydanticモデルで出力型を保証。TestModelでユニットテスト

エージェントフレームワーク選定の実践的な判断フロー

フレームワーク選定で最も重要なのは、「今のプロジェクトで本当にマルチエージェントが必要か」を最初に判断することだ。

シングルエージェントで十分なケース

  • Q&Aチャットボット(ツール付き)
  • 単一タスクの自動化(メール要約、データ変換)
  • コードの生成・補完

→ Claude Agent SDK または PydanticAI で十分

マルチエージェントが必要なケース

  • リサーチ→分析→レポート作成の多段階パイプライン
  • コード生成→レビュー→修正のサイクル
  • 複数の専門性が必要なタスク(法務チェック+技術検証+コスト見積もり)

→ LangGraph(精密制御)、CrewAI(直感的定義)、AutoGen(対話型)

# 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

AIエージェントの実装パターンについては、Claude Codeのマルチエージェント機能も参考になる。また、エージェントにMCPサーバーでツールを追加する方法はMCPサーバー構築ガイドで解説している。

まとめ:2026年のAIエージェントフレームワーク選定指針

2026年のAIエージェントフレームワークは「一強」ではなく、用途に応じた使い分けが正解だ。

  1. 最速プロトタイプ → Claude Agent SDK(100行以下で動く)
  2. チーム型マルチエージェント → CrewAI(ロール定義が直感的、48.2K Star)
  3. 本番運用の複雑ワークフロー → LangGraph(状態管理・リトライ完備)
  4. ノーコード → Dify(ビジュアルUI、137K Star)
  5. 型安全・テスト重視 → PydanticAI(Pydanticモデル出力)
  6. 自律コーディング → OpenHands(SWE-Bench 77.6%、70.7K Star)
  7. TypeScript/Next.js → Mastra(Gatsby出身チーム、22.8K Star)
  8. Google Cloud連携 → Google ADK(4言語対応、18.8K Star)
  9. Microsoft/.NET → MS Agent Framework(AutoGen後継、9.1K Star)

どのフレームワークも急速に進化している。半年前の評価が今は通用しないこともある。まずは Claude Agent SDK か CrewAI で小さく始め、要件の複雑さに応じて LangGraph に移行するのが最も実践的なアプローチだ。

なお、各フレームワークのAPI利用コストはClaude API料金シミュレーターで事前に比較できる。

よくある質問(FAQ)

Q: AIエージェントエンジニアになるには何から学べばよいか?

A: Agentic AIエンジニアのロードマップ2026では、フレームワーク選定・マルチエージェント設計・評価手法まで必要なスキルセットを体系的に整理しています。本記事のフレームワーク比較と合わせて読むことで、「何を作るか」と「どう学ぶか」の両方が明確になります。

Q: 日本語のマルチエージェント実装例が見たい。CrewAIの参考になるOSSはあるか?

A: multi-agent-shogunは「将軍・家老・足軽」のロール分担で10のAIエージェントを並列統制するOSSです。CrewAIのロール設計思想を日本語コンテキストで理解するのに最適な実装例です。

Q: ブラウザを自動操作するAIエージェントを作りたい。どんなアプローチがあるか?

A: BrowserUse登場時の詳細レポートで解説しているように、自然言語でブラウザを自律制御するBrowserUseは業界に大きなインパクトを与えました。LangGraph・CrewAIのオーケストレーターと組み合わせることで、ログイン・フォーム入力・データ収集といった複雑なWebワークフローを構築できます。

【2026-08-01 実測】4か月後の答え合わせ——止まったフレームワーク、移管されたリポジトリ

この記事の比較表は2026年4月時点の数字だ。約4か月後の2026年8月1日に、9フレームワークすべてをGitHub APIで測り直した。Star数の増減より、「更新が止まっているか」と「リポジトリの場所が変わったか」のほうが選定に効くので、そこを軸に整理する。

フレームワーク リポジトリ(現在) ★(2026-08-01) 記事初出時 最終push GitHubのライセンス判定
Dify langgenius/dify 150,929 137K 2026-07-31 NOASSERTION(後述)
OpenHands OpenHands/OpenHands(旧 All-Hands-AI/OpenHands) 82,714 70.7K 2026-07-31 MIT
CrewAI crewAIInc/crewAI 56,435 48.2K 2026-07-31 MIT
LangGraph langchain-ai/langgraph 38,584 28.6K 2026-07-31 MIT
Mastra mastra-ai/mastra 26,788 22.8K 2026-07-31 NOASSERTION(後述)
Google ADK google/adk-python 20,959 18.8K 2026-07-31 Apache-2.0
PydanticAI pydantic/pydantic-ai 18,933 16.2K 2026-07-31 MIT
MS Agent Framework microsoft/agent-framework 12,523 9.1K 2026-07-31 MIT
Claude Agent SDK anthropics/claude-agent-sdk-python 7,774 6.2K 2026-07-25 MIT

リポジトリが移管された2件——古いURLで参照していると混乱する

OpenHandsは All-Hands-AI/OpenHands から OpenHands/OpenHands へ移管された。旧URLはリダイレクトで生き続けるため壊れないが、READMEバッジ・CI設定・ドキュメントの参照先は新しい組織名に直しておいたほうがよい。

もう1件、本文の注記で触れているAutoGenの周辺でも移管が起きている。geekan/MetaGPT は FoundationAgents/MetaGPT へ移管されており、こちらは最終pushが2026年1月21日——半年以上更新が止まっている。比較検討の候補に入れているなら、この点は先に確認したい。

「メンテナンスモード」の実測値

本文は「AutoGenは2026年にメンテナンスモードへ移行」と注記していた。実測はその記述を裏付ける。

・microsoft/autogen の最終pushは2026年4月15日。2026年8月1日時点で3か月半、コミットが入っていない
・一方、後継の microsoft/agent-framework は2026年7月31日にpushがあり、★も9.1K→12,523と伸びている
・注意点として、microsoft/autogen のリポジトリ直下の LICENSE は Creative Commons Attribution 4.0 International(CC-BY-4.0) だった。本文でMITと理解していた場合は前提が変わる。ソフトウェア向けのライセンスではないため、新規採用は後継側で検討するのが素直だ

NOASSERTION の2件は「ライセンス未設定」ではない

GitHubのライセンス判定が NOASSERTION(判定不能)になっている2件は、いずれも独自条件付きのライセンスであって、無ライセンスではない。LICENSE本文を実際に読むと次のとおりだった。

リポジトリ LICENSE本文の実態
langgenius/dify 「Apache License 2.0の修正版」と明記。追加条件として、商用利用は可能だがマルチテナントSaaS提供やロゴ・著作権情報の削除に条件が付く(本文の「Apache 2.0(修正版)」という記載は正しい)
mastra-ai/mastra ee/ ディレクトリ配下だけが別ライセンス(packages/core/src/auth/ee/ や packages/server/src/server/auth/ee/ を明示的に列挙)。それ以外はApache 2.0系。本文の「Apache 2.0」は大枠として正しいが、認証まわりのエンタープライズ機能は別条件という但し書きが要る
この4か月で選定基準に足すべき1項目
Star数はどのフレームワークも伸びており、順位もほとんど動いていない。差がついたのは「動いているか」のほうだ。比較検討の際は、Star数の隣に最終pushの日付を必ず並べてほしい。AutoGen(2026-04-15で停止)とMetaGPT(2026-01-21で停止)は、Star数だけを見ていると気づけない。

参照ソース