Nexonoma Compare · Kuratierter Snapshot

Agentic-AI-Frameworks

Frameworks, SDKs und Runtimes für Aufbau, Orchestrierung und Betrieb agentischer KI-Systeme.

Vergleiche konkrete Tools anhand derselben funktionalen, nicht-funktionalen und kommerziellen Eigenschaften. Die Matrix zeigt belegte Unterschiede. Gewichtung, Empfehlung und Auswahl folgen später in Decide.

Katalog Explorer 360° öffnen Mit diesen Kandidaten entscheiden

Kandidaten

2 bis 4 auswählen

Kandidaten	LangGraph Geprüft am 2026-08-27 360° öffnen	CrewAI Geprüft am 2026-08-27 360° öffnen	AutoGen / AG2 Geprüft am 2026-08-27 360° öffnen	Google ADK Geprüft am 2026-08-27 360° öffnen
Architektur und Einsatz
ArchitekturebenePrimäre Rolle im agentischen Stack.	Runtime Graph- und zustandsgetrieben; tiefe LangChain-Ökosystem-Integration (LangSmith). 1 2	Framework Rollenbasierte Agenten ('Crew') mit mehrschichtigem Memory (ChromaDB, SQLite, Vektor-Embeddings); ideal für Automatisierung und schnelles Setup. 3 4	Framework Ereignisgesteuertes Message Passing; sehr flexibel für Debatten und Verhandlungen. 5 6	Framework Hierarchische Workflow-Architektur, primär für Vertex AI. 7 8
KontrollgradWie direkt Teams Ablauf und Entscheidungen steuern.	HIGH Steile Lernkurve. Maximale deterministische Kontrolle. 1 2	MEDIUM Flach. Hohe Abstraktion; einfach für Teams; schwer debuggbar ('Black Box'). 3 4	MEDIUM Mittlere Lernkurve. Hohe Modularität; asynchrone Architektur. 5 6	LOW Mittlere Lernkurve. Klarer Entwicklerleitfaden für Routing und Workflows. 7 8
ZustandsverwaltungReife und explizite Unterstützung für persistenten Zustand.	BASIC Reducer-basiert 1 2	BASIC Abstrahiert 3 4	BASIC Asynchron/ereignisbasiert 5 6	UNKNOWN Keine explizite State-Evidenz 7 8
Pattern-UnterstützungExplizit unterstützte agentische Patterns.	SupervisorSwarmGraph-based Supervisor, Swarm, Graph-based 1 2	SequentialHierarchicalFlows Sequential, Hierarchical, Flows 3 4	GroupChatNested ChatsMagentic GroupChat, Nested Chats, Magentic 5 6	PipelineRoutingHITL Pipeline, Routing, HITL 7 8
Geeignete EinsatzszenarienAufgaben und Kontexte, für die der Kandidat besonders geeignet ist.	Financial compliance, medical systems Auditierbare, zustandsbehaftete Graphen mit deterministischer Steuerung und Human-in-the-Loop. 1 2	Content creation, automated reports Schnelles Prototyping rollenbasierter Team-Workflows mit eingebautem mehrschichtigem Memory. 3 4	Code reviews, collaborative planning Multi-Agent-Debatten, Verhandlungen und Code-Reviews per Konversation. 5 6	Enterprise workflows on Google Cloud / Vertex AI Enterprise-Workflow-Agenten auf Google Cloud / Vertex AI. 7 8
Betrieb und Interoperabilität
ProduktionsreifeEignung für langlebigen produktiven Betrieb.	HIGH Hoch (Enterprise) 1 2	MEDIUM Mittel 3 4	MEDIUM Mittel 5 6	UNKNOWN Keine explizite Reifegrad-Evidenz 7 8
MCPUnterstützung des Model Context Protocol.	Unterstützt MCP: native 1 2	Teilweise MCP: community 3 4	Teilweise MCP: community 5 6	Unterstützt MCP: native 7 8
A2AUnterstützung des Agent2Agent Protocol.	Teilweise A2A: community 1 2	Unbekannt A2A: unknown 3 4	Unbekannt A2A: unknown 5 6	Unterstützt A2A: native 7 8
AG-UIUnterstützung des Agent-User-Interaction-Protokolls.	Teilweise AG-UI: community 1 2	Teilweise AG-UI: community 3 4	Nicht unterstützt AG-UI: none 5 6	Nicht unterstützt AG-UI: none 7 8
LernkurveErwarteter Einarbeitungsaufwand für ein produktives Team.	Steep Steil 1 2	Flat Flach 3 4	Medium Mittel 5 6	Medium learning curve. Clear developer guide for routing and workflows. Mittlere Lernkurve. Klarer Entwicklerleitfaden für Routing und Workflows. 7 8
GrenzenWichtige Einschränkungen und typische Fallstricke.	Hoher Boilerplate-Aufwand; striktes State Management ist für einfache lineare Flows überdimensioniert.1 2	Hohe Abstraktion erschwert das Debugging des internen Zustands ('Black Box').3 4	Chat-Historien treiben hohen Token-Verbrauch; keine eingebaute Persistenz. Microsoft hat AutoGen in das Microsoft Agent Framework überführt; diese Karte verfolgt den unabhängigen AG2-Community-Fork. Für neue Microsoft-orientierte Arbeit ist MAF vorzuziehen.5 6	Am ausgereiftesten innerhalb des Google-Ökosystems; außerhalb weniger portierbar.7 8
Lizenz und Kosten
Lizenz und KostenLizenzmodell und erkennbare betriebliche Kostenabhängigkeiten.	Open source (MIT).1 2	Open source (MIT); Enterprise-Hosting optional.3 4	Open source (Apache 2.0).5 6	Open source (Apache 2.0).7 8

LangGraph

Graph-basierte, zustandsgetriebene Runtime; explizite Nodes und Edges, Checkpointer-gestützt.

360° öffnen

Architektur und Einsatz

Architekturebene: Runtime
Graph- und zustandsgetrieben; tiefe LangChain-Ökosystem-Integration (LangSmith).
1 2
Kontrollgrad: HIGH
Steile Lernkurve. Maximale deterministische Kontrolle.
1 2
Zustandsverwaltung: BASIC
Reducer-basiert
1 2
Pattern-Unterstützung: SupervisorSwarmGraph-based
Supervisor, Swarm, Graph-based
1 2
Geeignete Einsatzszenarien: Financial compliance, medical systems
Auditierbare, zustandsbehaftete Graphen mit deterministischer Steuerung und Human-in-the-Loop.
1 2

Betrieb und Interoperabilität

Produktionsreife: HIGH
Hoch (Enterprise)
1 2
MCP: Unterstützt
MCP: native
1 2
A2A: Teilweise
A2A: community
1 2
AG-UI: Teilweise
AG-UI: community
1 2
Lernkurve: Steep
Steil
1 2
Grenzen: Hoher Boilerplate-Aufwand; striktes State Management ist für einfache lineare Flows überdimensioniert.1 2

Lizenz und Kosten

Lizenz und Kosten: Open source (MIT).1 2

CrewAI

Rollenbasierte 'Crews' von Agenten; flache Abstraktion über teamförmige Workflows.

360° öffnen

Architektur und Einsatz

Architekturebene: Framework
Rollenbasierte Agenten ('Crew') mit mehrschichtigem Memory (ChromaDB, SQLite, Vektor-Embeddings); ideal für Automatisierung und schnelles Setup.
3 4
Kontrollgrad: MEDIUM
Flach. Hohe Abstraktion; einfach für Teams; schwer debuggbar ('Black Box').
3 4
Zustandsverwaltung: BASIC
Abstrahiert
3 4
Pattern-Unterstützung: SequentialHierarchicalFlows
Sequential, Hierarchical, Flows
3 4
Geeignete Einsatzszenarien: Content creation, automated reports
Schnelles Prototyping rollenbasierter Team-Workflows mit eingebautem mehrschichtigem Memory.
3 4

Betrieb und Interoperabilität

Produktionsreife: MEDIUM
Mittel
3 4
MCP: Teilweise
MCP: community
3 4
A2A: Unbekannt
A2A: unknown
3 4
AG-UI: Teilweise
AG-UI: community
3 4
Lernkurve: Flat
Flach
3 4
Grenzen: Hohe Abstraktion erschwert das Debugging des internen Zustands ('Black Box').3 4

Lizenz und Kosten

Lizenz und Kosten: Open source (MIT); Enterprise-Hosting optional.3 4

AutoGen / AG2

Ereignisgesteuerte Konversation zwischen Agenten; asynchrone Nachrichten und Gruppenchats.

360° öffnen

Architektur und Einsatz

Architekturebene: Framework
Ereignisgesteuertes Message Passing; sehr flexibel für Debatten und Verhandlungen.
5 6
Kontrollgrad: MEDIUM
Mittlere Lernkurve. Hohe Modularität; asynchrone Architektur.
5 6
Zustandsverwaltung: BASIC
Asynchron/ereignisbasiert
5 6
Pattern-Unterstützung: GroupChatNested ChatsMagentic
GroupChat, Nested Chats, Magentic
5 6
Geeignete Einsatzszenarien: Code reviews, collaborative planning
Multi-Agent-Debatten, Verhandlungen und Code-Reviews per Konversation.
5 6

Betrieb und Interoperabilität

Produktionsreife: MEDIUM
Mittel
5 6
MCP: Teilweise
MCP: community
5 6
A2A: Unbekannt
A2A: unknown
5 6
AG-UI: Nicht unterstützt
AG-UI: none
5 6
Lernkurve: Medium
Mittel
5 6
Grenzen: Chat-Historien treiben hohen Token-Verbrauch; keine eingebaute Persistenz. Microsoft hat AutoGen in das Microsoft Agent Framework überführt; diese Karte verfolgt den unabhängigen AG2-Community-Fork. Für neue Microsoft-orientierte Arbeit ist MAF vorzuziehen.5 6

Lizenz und Kosten

Lizenz und Kosten: Open source (Apache 2.0).5 6

Google ADK

Modulare, hierarchische Workflow-Agenten für das Vertex AI-Ökosystem.

360° öffnen

Architektur und Einsatz

Architekturebene: Framework
Hierarchische Workflow-Architektur, primär für Vertex AI.
7 8
Kontrollgrad: LOW
Mittlere Lernkurve. Klarer Entwicklerleitfaden für Routing und Workflows.
7 8
Zustandsverwaltung: UNKNOWN
Keine explizite State-Evidenz
7 8
Pattern-Unterstützung: PipelineRoutingHITL
Pipeline, Routing, HITL
7 8
Geeignete Einsatzszenarien: Enterprise workflows on Google Cloud / Vertex AI
Enterprise-Workflow-Agenten auf Google Cloud / Vertex AI.
7 8

Betrieb und Interoperabilität

Produktionsreife: UNKNOWN
Keine explizite Reifegrad-Evidenz
7 8
MCP: Unterstützt
MCP: native
7 8
A2A: Unterstützt
A2A: native
7 8
AG-UI: Nicht unterstützt
AG-UI: none
7 8
Lernkurve: Medium learning curve. Clear developer guide for routing and workflows.
Mittlere Lernkurve. Klarer Entwicklerleitfaden für Routing und Workflows.
7 8
Grenzen: Am ausgereiftesten innerhalb des Google-Ökosystems; außerhalb weniger portierbar.7 8

Lizenz und Kosten

Lizenz und Kosten: Open source (Apache 2.0).7 8

Quellen

Die Ziffern führen zu den Belegen der jeweiligen Eigenschaft.