归并终局：八大智能体势力图

2026年，Agent框架战场的版图发生了一次彻底的重排。微软在4月3日把AutoGen和Semantic Kernel合并为统一的Microsoft Agent Framework 1.0；Anthropic把Claude Code SDK改名为Claude Agent SDK，并在6月15日为它单独切出一份月度额度；ACP协议并入Google的A2A，交由Linux Foundation托管；MCP服务器突破200个。三件大事指向同一结论：实验期结束了，归并期开始了。本文以"八大SDK + 三大协议 + 四种多智能体范式"为骨架，画出2026年中段的势力图，并给出按场景的终局选型。

一、势力图：八大SDK多维度横评

先给结论型对照表。当前阵营已自然裂变为两派——厂商原生派（Claude/OpenAI/Google，为自家模型深度优化）与独立框架派（LangGraph/CrewAI/Smolagents/Pydantic/微软，跨厂商）。两者没有绝对优劣，分水岭是"你要模型深度还是要模型自由度"。

框架	语言	多智能体模式	MCP	A2A	最适合
Claude Agent SDK	Py/TS	Subagents子代理	原生(最深)	否	编程代理、OS级操作
OpenAI Agents SDK	Py/TS	Handoffs接力	已采用	否	轻量接力链、客服路由
Google ADK	Py/TS/Java/Go	层级树	适配器	原生	企业多语言、跨厂商互通
LangGraph	Py/TS	图节点	适配器	否	有状态工作流、崩溃恢复
CrewAI	Py	角色Crew	原生	原生	快速原型、内容/研究团队
Smolagents	Py	多代理	支持	否	代码生成代理、本地模型
Pydantic AI	Py	无(单代理)	否	否	类型安全结构化输出
MS Agent Framework 1.0	Py/.NET	群聊+图	原生	原生	Azure生态、人在回路

三个值得记的数字：CrewAI 52,400+星、月下载约500万、过去12个月约20亿次代理执行；Smolagents核心逻辑约1000行；MCP跨200+服务器实现。星标不等于实力，但20亿次执行量是真实生产负载的硬信号。

二、八大框架深度拆解

1. Claude Agent SDK：原生派的天花板，锁死也是代价

Anthropic在2026年初把Claude Code SDK改名为Claude Agent SDK，野心从"写代码"扩展到邮件助手、研究代理、客服机器人、财务分析。但核心哲学没变——给代理一台电脑。它内置文件系统和Shell访问，省掉了别家框架的样板代码；MCP集成是全表最深的，Playwright/Slack/GitHub等数百个服务器一行配置接入。

它的整个架构压在一个异步生成器query()上，你迭代它吐出的消息流：

from claude_agent_sdk import query, ClaudeAgentOptions

async for message in query(
    prompt="重构认证模块",
    options=ClaudeAgentOptions(allowed_tools=["Read", "Edit", "Bash"]),
):
    ...  # 流式处理每条消息

控制力来自两套机制：Hooks生命周期钩子（PreToolUse/PostToolUse/Stop等进程内回调，可拒绝、改写工具输入）与Subagents隔离（每个子代理有独立上下文窗口和工具集，parent_tool_use_id用于归因计费）。6月15日起，Agent SDK用量从独立的月度额度扣（Pro $20、Max 5x $100、Max 20x $200），用完才回落API计费——这是把代理"从工具变生意"的关键定价信号。

代价是深度锁死Claude模型，换模型几乎等于重写工具Schema，且无原生A2A、只有Python和TypeScript。变现/训练营评估：极高。编程代理是当下最热的付费赛道，"用Claude Agent SDK做一个会改代码的代理"可包装成中高级训练营，卖点就是"200+ MCP服务器、OS级权限、hooks合规门控"。

2. OpenAI Agents SDK：Handoffs是生态里最干净的接力模型

OpenAI在2025年3月发布Agents SDK，作为实验性Swarm的生产继任者。核心原语四个：Agents、Handoffs（代理间转移控制）、Guardrails（输入/输出校验）、Tracing（内置调试）。Handoff模型是生态里最干净的：当代理A决定委托给代理B，它执行一个类型化工具调用transfer_to_agent_b，把控制权和对话历史一起传走——没有共享状态总线，没有消息队列，简单就是卖点。

它跑一个标准代理循环：接收输入、调工具或交接、循环直到产出最终输出或护栏触发。护栏默认与代理执行并行，一旦失败立刻中断生成，三类为input/output/tool。代码骨架极简：

from agents import Agent, Runner

triage = Agent(name="Triage", handoffs=[billing, support])
result = Runner.run_sync(triage, "我的账单有问题")

短板同样明显：无内置状态持久化（检查点要自己管）、Handoffs是线性/分支链而非任意图拓扑、无原生A2A、语音特性锁死OpenAI模型。变现评估：高。客服路由、分诊系统、流水线式工作流是天然场景，"三段式Handoff客服代理"适合做成入门级付费课，门槛低、演示效果好。

3. Google ADK：唯一的全语言选手，A2A的亲爹

ADK的立论是"开发代理应该像开发软件"。它是模型无关、部署无关的，但为Gemini和Google Cloud优化。真正的杀手锏是四语言SDK（Python/TypeScript/Java/Go——2026年初Java 1.0和Go 1.0相继发布）、原生A2A支持、以及Cloud Console里的可视化Agent Designer。这在企业里是硬通货：大多数框架只有Python，逼得Java/Go团队维护两套栈，而ADK让Python代理能用A2A直接和Java代理对话，双方都不需要懂对方的语言。

架构是层级代理树，父代理向子代理委派，每个子代理有自己的工具。to_a2a()函数从你的ADK代理自动生成Agent Card（JSON能力描述文件），让外部代理能发现它。短板是对Google Cloud生产部署依赖重、MCP靠适配器而非原生、社区比LangChain/CrewAI小。变现评估：中高。卖点是"跨语言、跨厂商、Agent Card可被发现"，适合面向中大型企业架构师的进阶课，尤其是金融/电信这类Java栈主导的行业。

4. LangGraph：把代理当状态机，崩溃恢复是它的护城河

LangGraph把代理建模为状态机：节点是函数，边是转移（条件或无条件），状态不可变且每一步后做检查点。当你的工作流有分支、重试、人工审批门、还要扛住服务器重启，就找它。持久化层是真正的差异化：MemorySaver/SqliteSaver/PostgresSaver在每个节点执行后打检查点，崩溃就从中断处恢复；Time-travel调试能回滚到任意历史状态换参数重放——这是全表里开箱即用最完整的崩溃恢复。

from langgraph.graph import StateGraph
graph = StateGraph(State)
graph.add_node("research", research_node)
graph.add_node("draft", draft_node)
graph.add_conditional_edges("research", route)  # 任意分支拓扑

短板是简单单代理场景属于杀鸡用牛刀、图设计需要前置架构思考、绑LangChain带来整条抽象栈的重量。变现评估：高。文档审核流水线、多步研究任务这类"在第7步崩了怎么办"是真问题，"LangGraph状态机+检查点+Time-travel"可做面向后端工程师的实战课，比纯API调用课更有技术壁垒。

5. CrewAI：角色扮演易上手，规模化靠20亿次执行撑场子

CrewAI把多智能体协作建模成一个团队：你定义带角色、背景故事、目标的代理，再组装成带任务的Crew。Researcher采数据、Writer起草、Reviewer审稿——隐喻直观，既是优点也是软肋。它现在拥有多智能体框架里最大的社区（52,400+星、月下载约500万、过去12个月约20亿次代理执行），1.14.6（2026年5月）原生支持MCP（经crewai-tools[mcp]）和A2A任务委派，连接生命周期、传输协商（Stdio/SSE/Streamable HTTPS）、工具发现都自动处理。

框架自动解析任务依赖：Task B依赖Task A的输出就保证执行顺序。短板是角色扮演抽象带来额外LLM调用的性能开销（"维持人设"要烧token）、执行流控制力不如图、多代理交互调试不透明。变现评估：最高。这是最适合做训练营的框架——"团队隐喻"对非技术受众友好，演示视觉冲击强，"一天搭一个研究/内容团队"能拉来大量初级付费用户。

6. Smolagents：1000行代码的极简派，靠生成代码省调用

Smolagents是极简主义入场券，整个代理逻辑塞进约1000行代码（agents.py）。关键洞见：不生成JSON工具调用，而是直接生成调用工具的Python代码片段，在复杂基准上比标准工具调用少约30%的LLM调用。26,000+星、活跃提交到2026年3月，模型无关（本地Transformers/Ollama/OpenAI/Anthropic经LiteLLM）。安全上，代码执行跑在E2B/Modal/Docker/Pyodide+Deno WebAssembly沙箱里。

两种代理：CodeAgent（默认，生成Python工具调用）和ToolCallingAgent（标准函数调用）。代理生成代码片段→框架在沙箱执行→捕获输出→喂回。短板是无内置持久化/检查点、多代理能力比CrewAI/LangGraph基础、代码执行代理的攻击面更大。变现评估：中。卖点是"读得懂每一行、本地模型可跑、代码生成省30%调用"，适合面向研究者和极客的差异化小众课，不是走量型。

7. Pydantic AI：单代理、类型安全，结构化输出的最优解

Pydantic AI不是多智能体框架，而是Pydantic团队（底层校验库驱动OpenAI/Anthropic/Google/LangChain的那批人）做的类型安全代理框架，设计哲学对标FastAPI：类型提示驱动一切，IDE在写代码时就帮你抓住错误。三种结构化输出方式——Tool Output（工具调用产出类型化结果）、Native Output（模型生成匹配Schema的JSON）、Prompted Output（Schema注入指令、解析纯文本）。流式结构化输出带即时校验意味着数据边生成边校验，不是等整段结束。

单代理设计：定义带系统提示、结果类型（Pydantic模型）、工具的代理，框架处理Schema生成、校验、错误重试、流式。短板是无多代理编排、无MCP/A2A、只有Python。变现评估：中。它的定位是"被嵌进别的框架"，单独成课价值有限，但作为"结构化输出专题"模块（数据抽取、表单处理、分类）能塞进任何进阶课。

8. Microsoft Agent Framework 1.0：AutoGen进了ICU，新项目直接上1.0

AutoGen开创了多智能体对话模式——代理在群聊里互相辩论、达成共识。代价很直接：4个代理辩论5轮至少20次LLM调用，这是它换取"人在回路对话"能力的交易。2026年大事件是微软把AutoGen和Semantic Kernel合并为Microsoft Agent Framework：RC在2月19日，1.0 GA在4月3日，承诺长期支持。AutoGen继续收bug和安全补丁，但新特性只进统一框架——新建项目应直接瞄准Agent Framework 1.0。

1.0保留AutoGen的简单代理抽象，加上Semantic Kernel的企业特性（基于会话的状态、类型安全、中间件、遥测、Azure AI集成），加上图工作流和编排模式（sequential/concurrent/handoff/group chat/Magentic-One），跨.NET和Python原生支持MCP和A2A。短板是GroupChat每个turn都是带累积历史的完整LLM调用、AutoGen维护模式、老项目要迁移一遍、生产部署偏向Azure。变现评估：中高。面向已经在Azure/.NET的企业，"AutoGen迁移到Agent Framework 1.0 + 群聊辩论 + 人在回路"是精准的To-B付费切入点。

三、协议层：MCP管工具，A2A管代理，别用错

框架定义怎么造代理，协议定义代理怎么连外部、怎么连彼此。2026年三个协议值得分清，理解它们的边界能避免"用错工具干错活"。

flowchart LR
    subgraph Agent["你的代理(任意框架)"]
        A[Agent核心循环]
    end
    A -->|"调用工具\nMCP: 垂直·app→model"| M[(MCP服务器\nGitHub/Slack/DB\n200+)]
    A -.->|"委派给别的代理\nA2A: 水平·peer→peer"| O[其它厂商代理\n经Agent Card发现]
    M -.已废弃.-> N["ACP\n2025并入A2A"]
    O --> L["Linux Foundation\nA2A统一标准\n50+发起方"]

MCP（Anthropic出品）标准化模型怎么访问工具/API/数据，是JSON-RPC客户端-服务器接口，相当于"AI工具的USB"，连一次到处能用，协议层无状态。A2A（Google，现Linux Foundation统一标准）管代理对代理，通过Agent Card（描述身份/能力/技能/鉴权的JSON）做点对点任务外包，三层状态管理（会话级、代理级、任务级TaskStore），50+发起方。ACP（IBM/BeeAI）已被吸收进A2A，新项目别再碰。口诀：MCP管"代理怎么调工具"，A2A管"两个代理怎么对话"。A2A原生支持目前只有ADK和CrewAI——要跨厂商互通，选择面被这两家锁住。

四、四种多智能体范式：没有一家全能

2026多智能体格局收敛为四种范式，每家精通一两种，没有一家四种都行：Subagents委派（Claude Agent SDK/Google ADK，supervisor变瓶颈）、Handoffs接力（OpenAI Agents SDK最干净，仅限线性/分支链）、Crews角色扮演（CrewAI核心，token开销大）、Conversations辩论（AutoGen/MS框架，高质量但20+调用）。Anthropic研究发现，由lead planner协调并行子代理时，多智能体架构比单代理基准最多领先90%——但前提是协调得当，否则就是烧钱。

五、终局选型：按场景匹配

一句话终局判断：归并潮后，选择不是"哪个框架最好"，而是"你愿不愿意把模型、计费、协议三条线一起交给一家厂商"。交给Claude/OpenAI/Google拿深度和省心，代价是锁死；留在LangGraph/CrewAI拿自由度，代价是协议和可观测要自己补。A2A原生支持只有ADK和CrewAI，这是未来六个月跨厂商架构的硬约束——选错框架，亏的不只是一个季度。