<!-- title: 八栈Agent分层架构解剖：核心循环到协议纵深 -->

# 八栈Agent分层架构解剖：核心循环到协议纵深

## 概述

2026年上半年，Agent框架领域发生了三件重塑格局的事件：Microsoft将AutoGen与Semantic Kernel合并为统一的Agent Framework 1.0（4月GA）；ACP协议并入Google A2A，Agent间通信协议收敛为一；MCP服务器突破200+，成为事实上的工具访问标准。这三件事共同指向一个结论——**框架间的差异已不在"能不能做"，而在"怎么做"**。本文从核心循环（Agent Loop）、记忆架构、工具链深度、协议支持四个维度，纵向解剖Claude Agent SDK、OpenAI Agents SDK、Google ADK、LangGraph、CrewAI、Smolagents、PydanticAI、Microsoft Agent Framework八个栈的内部构造，揭示每个栈的设计取舍与适用边界。

## 全景对比表

| 维度 | Claude Agent SDK | OpenAI Agents SDK | Google ADK | LangGraph | CrewAI | Smolagents | PydanticAI | MS Agent Framework |
|------|-----------------|-------------------|------------|-----------|--------|------------|------------|-------------------|
| **语言** | Python, TS | Python, TS | Python, TS, Java, Go | Python, TS | Python | Python | Python | Python, .NET |
| **核心循环** | Hook+Subagent | Agentic Loop+Handoff | 层级Agent树 | DAG状态机 | Crew角色编排 | CodeAgent代码生成 | 单Agent验证循环 | 图编排引擎 |
| **记忆** | 会话管理+上下文压缩 | Session自动管理 | 检查点+状态回退 | 持久化检查点+Time-travel | 基础记忆 | 无内置持久化 | 无状态 | Session+中间件 |
| **工具链** | MCP原生（最深） | MCP+Hosted Tools | MCP适配器+100+连接器 | MCP适配器 | MCP原生+A2A | MCP支持 | 无MCP/A2A | MCP内置客户端 |
| **A2A** | ❌ | ❌ | ✅ 原生Agent Card | ❌ | ✅ 任务委托 | ❌ | ❌ | ✅ 1.0内置 |
| **多Agent** | Subagent层级 | Handoff链式 | 层级树+图（2.0 Alpha） | 图节点编排 | Crew角色协作 | Manager+子Agent | ❌ 单Agent | 有向图编排 |
| **Stars** | ~8K | — | — | ~12K | ~46K | ~26K | ~16.5K | ~50K（合并） |
| **上手难度** | 中 | 低 | 中高 | 高 | 低 | 低 | 中 | 高 |
| **最佳场景** | 编码Agent/OS访问 | 语音/路由/轻量链 | 企业多语言/Google Cloud | 有状态工作流 | 快速原型 | 本地模型/研究 | 类型安全提取 | Azure生态/人机协作 |

## 一、Claude Agent SDK：Hook驱动的操作系统级Agent

### 架构原理

Claude Agent SDK在2026年初从"Claude Code SDK"更名为"Claude Agent SDK"，标志着其野心从编码助手扩展到通用Agent。其核心设计哲学是**"给Agent一台电脑"**——内置Bash工具、文件系统读写、Glob搜索，Agent直接操作操作系统级别的资源，无需开发者编写任何工具包装代码。

架构的核心是**Hook+Subagent双层模型**。Hook拦截Agent生命周期的关键节点（工具调用前、响应后、错误时），提供精确的行为控制。Subagent处理任务委派，每个子Agent拥有独立的上下文窗口和工具集。这种设计在生产环境中至关重要——无约束的Agent是安全隐患，而Hook+Subagent的组合让每个Agent的权限边界清晰可控。

```python
from claude_agent_sdk import ClaudeAgent

agent = ClaudeAgent(
    model="claude-opus-4-6",
    mcp_servers={
        "github": {"type": "http", "url": "http://localhost:3000/mcp"},
    },
    permission_mode="bypassPermissions",
    max_budget_usd=5.0,  # 单次会话预算上限
)

result = await agent.run("Fork this repo and fix the failing tests")
```

### 优缺点

**优势**在于MCP集成的深度——200+服务器单行配置接入，是目前所有框架中最深的。内置的上下文压缩（Context Compaction）机制为长时间运行的Agent会话自动回收上下文窗口空间，这在实际编码Agent场景中是刚需。`max_budget_usd`参数提供硬性成本控制。

**劣势**是模型锁定——只能使用Claude系列模型，切换模型需重写工具Schema。缺乏A2A支持意味着无法与其他厂商的Agent互操作。仅支持Python和TypeScript，Java/Go团队无法直接使用。

### 变现/训练营评估

编码Agent是目前最成熟的Agent商业化方向。Claude Agent SDK的"Agent即计算机"理念可直接包装为"AI全栈开发者训练营"，核心卖点：从零构建能自主读代码、修Bug、提PR的编码Agent。训练营定价可在¥2,999-4,999区间，周期2-4周。

## 二、OpenAI Agents SDK：最干净的Handoff模型

### 架构原理

OpenAI在2025年3月发布Agents SDK作为Swarm的生产级替代品。核心原语极度精简：**Agent（LLM+指令+工具）、Handoff（Agent间控制权转移）、Guardrails（安全校验）、Tracing（调试追踪）**。

Handoff模型是整个生态中最干净的。当Agent A决定将任务委托给Agent B时，执行一个特殊工具调用`transfer_to_agent_b`，将控制权和对话历史一并传递。没有共享状态总线，没有消息队列——**简洁即是设计目的**。

Guardrails三层架构运行时与Agent执行并行。如果Guardrail失败，即使正在生成中也会立即停止执行。三种类型：输入Guardrail（验证用户消息）、输出Guardrail（验证最终响应）、工具Guardrail（包装单个工具调用）。

```python
from openai import Agent, Handoff, Guardrail

triage = Agent(name="Triage", instructions="Classify the request")
specialist = Agent(name="Specialist", instructions="Handle complex cases")

triage.handoffs = [Handoff(agent=specialist)]

result = await triage.run(user_input, guardrails=[
    InputGuardrail(check=harmful_content_check),
    OutputGuardrail(check=factual_accuracy_check),
])
```

### 优缺点

**优势**：Handoff模型最适合客服路由、分诊系统等线性流程。内置语音Agent支持（通过gpt-realtime+中断检测）是独有能力。GPT-5.x已适配，推理努力度可调。

**劣势**：无内置状态持久化——开发者需自行管理检查点。Handoff是线性链式，无法构建任意图拓扑。缺乏A2A支持。语音功能锁定OpenAI模型。

### 变现/训练营评估

客服Agent+语音Agent是高需求方向。可包装为"AI客服自动化训练营"，重点教Handoff路由设计和Guardrail安全策略。定价¥1,999-3,999。

## 三、Google ADK：四语言企业级Agent平台

### 架构原理

Google ADK的核心论点是：**Agent开发应该像软件开发一样**。四语言SDK（Python、TypeScript、Java、Go）是最大的差异化——ADK Java 1.0和ADK Go 1.0均在2026年初发布，打破了Agent框架Python-only的局面。

架构采用**层级Agent树**。父Agent将任务委派给子Agent，每个子Agent拥有独立的工具集。`to_a2a()`函数从ADK Agent自动生成Agent Card（JSON能力描述），使外部Agent可以发现并调用。Agent Designer提供低代码可视化设计，原型阶段拖拽设计，然后平滑过渡到代码。

ADK 2.0 Alpha引入了**图式工作流**，支持条件分支、重试路径等复杂编排模式，是对LangGraph架构模式的回应。

```python
from google.adk import Agent, SequentialAgent, ParallelAgent

researcher = Agent(name="Researcher", model="gemini-2.5-flash", ...)
writer = Agent(name="Writer", model="gemini-2.5-pro", ...)

pipeline = SequentialAgent(sub_agents=[researcher, writer])
result = await pipeline.run("Analyze Q1 earnings reports")
```

### 优缺点

**优势**：最宽语言覆盖（Python/TS/Java/Go）。A2A原生支持最成熟。Vertex AI Agent Engine提供托管部署。OpenTelemetry分布式追踪集成。

**劣势**：对Google Cloud的依赖在生产部署中较重。MCP通过适配器接入，不如Claude SDK原生。社区规模小于LangChain/CrewAI生态。实际使用中报告工具调用循环问题（Agent陷入思考循环，5分钟烧掉$5）。

### 变现/训练营评估

Java/Go企业团队是独特目标市场。可包装为"企业级Java Agent开发训练营"，填补Java生态Agent开发的空白。定价¥3,999-6,999。

## 四、LangGraph：状态机即Agent

### 架构原理

LangGraph将Agent建模为**状态机**。节点是函数，边是转移（条件或无条件），状态在每步后不可变并检查点化。这是你为Agent工作流添加分支、重试、人工审批门后仍能生存下来的框架。

**持久化层是真正的差异化能力**。MemorySaver、SqliteSaver、PostgresSaver在每次节点执行后检查点化状态。如果Agent在第7步崩溃，它从最后一个检查点恢复。Time-travel调试让你回滚到任意先前状态并以不同参数重放。

```python
from langgraph.graph import StateGraph, END

def should_continue(state):
    if state["retries"] > 3:
        return "escalate"
    return "retry"

graph = StateGraph(AgentState)
graph.add_node("agent", agent_node)
graph.add_node("tools", tool_node)
graph.add_conditional_edges("agent", should_continue)
graph.add_edge("tools", "agent")

app = graph.compile(checkpointer=PostgresSaver(conn_string))
```

### 优缺点

**优势**：持久化检查点+自动崩溃恢复是唯一有"第7步失败怎么办"一级答案的框架。Time-travel调试无可匹敌。Human-in-the-loop门可插入任意节点。

**劣势**：对简单单Agent场景是过度工程。图设计需要更多前期架构思考。LangChain依赖带来整个抽象栈的重量。调试图状态转移比调试线性代码更难。

### 变现/训练营评估

复杂工作流是高端方向。可包装为"生产级Agent工作流设计训练营"，重点教状态机设计、检查点策略、崩溃恢复。定价¥4,999-7,999，面向有经验的开发者。

## 五、CrewAI：角色扮演Agent军团

### 架构原理

CrewAI将多Agent协作建模为**团队**。用自然语言定义Agent的角色、背景故事和目标，然后组装成Crew执行任务。Researcher收集数据→Writer起草内容→Reviewer检查质量。隐喻直观——这既是优势也是局限。

45,900+ GitHub Stars和520万月下载量，CrewAI是多Agent框架中最大的社区。v1.10.1原生支持MCP（通过`crewai-tools[mcp]`）和A2A任务委托。框架自动管理连接生命周期、传输协商和工具发现。

```python
from crewai import Agent, Task, Crew

researcher = Agent(role="Researcher", goal="Find latest data",
                   backstory="Expert data analyst", tools=[search_tool])
writer = Agent(role="Writer", goal="Create report",
               backstory="Technical writer")

crew = Crew(agents=[researcher, writer],
            tasks=[research_task, writing_task],
            process=Process.sequential)
result = crew.kickoff()
```

### 优缺点

**优势**：最快搭建原型——自然语言定义角色，小时级出Demo。原生MCP+A2A。日执行1200万Agent的生产验证。

**劣势**：角色扮演抽象带来性能开销（额外LLM调用用于"保持角色"）。对执行流的控制不如图方案精确。调试多Agent交互不透明。仅Python。

## 六、Smolagents：千行代码的极简主义

### 架构原理

Smolagents的核心理念：**Agent生成Python代码调用工具，而非生成JSON工具调用**。整个Agent逻辑约1,000行代码（`agents.py`）。CodeAgent编写Python代码片段直接调用工具，在复杂基准测试中比标准工具调用方法减少约30%的LLM调用。

两种Agent类型：**CodeAgent**（生成Python工具调用）和**ToolCallingAgent**（使用标准函数调用）。CodeAgent是默认且选择Smolagents的理由。代码在沙盒环境（E2B、Modal、Docker或Pyodide+Deno WebAssembly）中执行。

```python
from smolagents import CodeAgent, HfApiModel, tool

@tool
def search_web(query: str) -> str:
    """Search the web for information"""
    return search_results(query)

agent = CodeAgent(tools=[search_web], model=HfApiModel("Qwen/Qwen2.5-72B"))
result = agent.run("What are the latest Agent frameworks in 2026?")
```

### 优缺点

**优势**：~1,000行核心逻辑，最容易理解和修改。代码生成Agent减少30% LLM调用。模型无关——本地模型、云API或任何LiteLLM支持的Provider。HuggingFace免费Agent课程。

**劣势**：无内置持久化或检查点。多Agent能力相比CrewAI/LangGraph基础。代码执行Agent比工具调用Agent攻击面更大。仅Python。

## 七、PydanticAI：类型安全的Agent输出

### 架构原理

PydanticAI不是多Agent框架——它是**单Agent类型安全框架**，由Pydantic团队构建（OpenAI、Anthropic、Google、LangChain底层都依赖Pydantic验证）。设计哲学类似FastAPI：类型提示驱动一切，IDE在编写时而非运行时捕获错误。

三种结构化输出方法：**Tool Output**（工具调用产生类型化结果）、**Native Output**（模型生成匹配Schema的JSON）、**Prompted Output**（Schema注入指令，解析纯文本）。流式结构化输出+即时验证意味着数据边生成边验证。

```python
from pydantic_ai import Agent
from pydantic import BaseModel

class AnalysisResult(BaseModel):
    sentiment: float
    topics: list[str]
    summary: str

agent = Agent("openai:gpt-4o", result_type=AnalysisResult)
result = await agent.run("Analyze this quarterly report")
print(result.data.sentiment)  # IDE自动补全，类型安全
```

### 优缺点

**优势**：完全类型安全——IDE在编写时捕获错误。三种输出方法自动降级。流式结构化输出+实时验证。模型无关。

**劣势**：无多Agent编排。无MCP/A2A协议支持。仅Python。不适合复杂工作流（无状态持久化、无图执行）。

## 八、Microsoft Agent Framework：Semantic Kernel + AutoGen统一体

### 架构原理

2026年4月3日GA的Microsoft Agent Framework是**AutoGen与Semantic Kernel的合并体**。四层架构：

- **Layer 1 Kernel**：直接来自Semantic Kernel，管理LLM连接、插件注册、Prompt模板和内存
- **Layer 2 Agent**：包装Kernel+身份+指令+状态，内置三种Agent类型
- **Layer 3 Orchestration**：全新部分，有向图编排，三种模式（顺序/扇出扇入/Handoff）
- **Layer 4 Infrastructure**：Session管理+中间件+OpenTelemetry遥测

从AutoGen的会话模型到图模型的转变是最关键的架构变更。AutoGen的GroupChat让Agent在聊天中讨论，但生产中不可预测——Agent可能主导对话、循环争论。新框架用显式有向图替代，每个节点是Agent或决策函数，边定义转移。

```python
from agent_framework import AgentGraph, ChatCompletionAgent, Kernel

kernel = Kernel()
kernel.add_service(OpenAIChatCompletion(model_id="gpt-4o"))

researcher = ChatCompletionAgent(name="Researcher", kernel=kernel)
writer = ChatCompletionAgent(name="Writer", kernel=kernel)
reviewer = ChatCompletionAgent(name="Reviewer", kernel=kernel)

graph = AgentGraph()
graph.add_edge(researcher, writer)
graph.add_edge(writer, reviewer)
graph.add_conditional_edge(reviewer,
    lambda r: researcher if "needs_revision" in r else None)
```

### 优缺点

**优势**：DevUI浏览器调试器是目前最强的多Agent调试工具——可视化图、消息流、时间线回放。A2A 1.0内置+MCP内置客户端。Python+.NET双语言。Azure生态深度集成。12,000+组织已在生产中使用Semantic Kernel。

**劣势**：四层架构对简单用例是负担（单Agent需40-50行代码 vs CrewAI的15行）。Python+.NET但缺Java/Go/TS。文档因合并存在缺口。Azure中心化默认配置。

## 架构对比：Agent核心循环的四象限

```
                    ┌─────────────────────────────────┐
                    │     显式控制（图/状态机）          │
                    │                                   │
    LangGraph ──────────────── MS Agent Framework      │
    （DAG+检查点）              （有向图+DevUI）          │
                    │                                   │
    隐式编排 ────────────────── 显式编排                │
    （角色/对话）               （代码/图）              │
                    │                                   │
    CrewAI ──────────────────── Smolagents              │
    （角色扮演）                （代码生成）              │
                    │                                   │
                    │     隐式控制（角色/对话）          │
                    └─────────────────────────────────┘
```

## 协议层纵览：MCP·A2A·ACP的三层分治

2026年的协议层已收敛为两个活跃标准：

| 协议 | 方向 | 传输 | 状态 | 采用 |
|------|------|------|------|------|
| **MCP** | 垂直（应用→模型→工具） | JSON-RPC | 活跃，200+服务器 | Claude SDK/CrewAI原生，LangGraph/ADK适配器 |
| **A2A** | 水平（Agent↔Agent） | REST+Streaming | 活跃，吸收ACP | ADK/CrewAI/MAF原生，其他无 |
| **ACP** | 水平（已合并） | REST-native | 已并入A2A | — |

关键洞察：**MCP解决"Agent如何调用工具"，A2A解决"Agent如何发现其他Agent"。两者正交，可同时使用。**但A2A生态仍在早期——找到可互操作的第三方Agent仍然困难。目前A2A主要用于连接自己跨服务的Agent。

## 推荐方案

### 按场景选栈

| 你在构建什么 | 推荐框架 | 理由 |
|-------------|---------|------|
| 编码Agent/开发助手 | Claude Agent SDK | OS级访问+最深MCP+上下文压缩 |
| 客服路由/语音Agent | OpenAI Agents SDK | Handoff模型+语音支持+Guardrails |
| 企业多语言系统 | Google ADK | 唯一四语言+A2A原生 |
| 有状态工作流（审批/文档管道） | LangGraph | 唯一有崩溃恢复+Time-travel |
| 快速原型/概念验证 | CrewAI | 最快搭建+最大社区 |
| 结构化数据提取 | PydanticAI | 唯一类型安全+流式验证 |
| 本地模型/研究 | Smolagents | 最精简+代码生成减30%调用 |
| Azure生态/人机协作 | MS Agent Framework | DevUI+LTS+Azure深度集成 |

### 混合策略

实际生产中，**单一框架难以覆盖所有需求**。最常见的混合模式：

1. **PydanticAI + LangGraph**：PydanticAI处理结构化输出，LangGraph处理编排和持久化
2. **CrewAI（原型）→ LangGraph（生产）**：CrewAI快速验证，LangGraph承载生产负载
3. **Claude Agent SDK（编码）+ Google ADK（企业Java服务）**：通过A2A桥接

### 六个月不后悔的选择

如果你今天必须选择且不能换，决策树如下：

```
需要多语言（Java/Go）？
├── 是 → Google ADK
└── 否 → 需要OS级访问？
         ├── 是 → Claude Agent SDK
         └── 否 → 需要崩溃恢复？
                  ├── 是 → LangGraph
                  └── 否 → 需要最快出原型？
                           ├── 是 → CrewAI
                           └── 否 → Azure生态？
                                    ├── 是 → MS Agent Framework
                                    └── 否 → OpenAI Agents SDK
```

## 参考来源

1. [AI Agent Frameworks in 2026: 8 SDKs, ACP, and the Trade-offs Nobody Talks About — MorphLLM](https://www.morphllm.com/ai-agent-framework) — 八框架深度对比，含MCP/A2A/ACP协议层分析
2. [Claude Agents SDK vs. OpenAI Agents SDK vs. Google ADK — Composio](https://composio.dev/content/claude-agents-sdk-vs-openai-agents-sdk-vs-google-adk) — 三大厂商SDK实战对比，含完整代码示例
3. [Microsoft Agent Framework — Semantic Kernel Meets AutoGen in One SDK — OpenAIToolsHub](https://www.openaitoolshub.org/en/blog/microsoft-agent-framework-review) — MAF四层架构详解与DevUI调试器实测
4. [Microsoft Agent Framework 1.0: AutoGen and Semantic Kernel Are Now One — JasonMoon](https://jasonmoon.dev/blog/2026-04-13-microsoft-agent-framework-1-0-production) — MAF迁移路径与生产就绪评估
5. [Agent SDK Platform Wars 2026 — AgentMarketCap](https://agentmarketcap.ai/blog/2026/04/07/agent-sdk-platform-wars-anthropic-openai-google-adk-aws-bedrock) — 厂商SDK竞争格局数据驱动分析

> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)