<!-- title: 运行时并轨：2026六框架内置Harness横评 -->

# 运行时并轨：2026六大Agent框架内置Harness横评

## 概述

2026 年上半场，AI Agent 框架的战场发生了一次静默的位移：竞争焦点从「谁的编排图更灵活」「谁的 Agent Loop 更花哨」，转移到了一个更朴素的问题——**谁内置的运行时（Harness）更省心**。所谓 Harness，指的是框架开箱即用地为 Agent 提供的那一整套「壳」：上下文管理、工具调度、状态持久化、子 Agent 分发、安全护栏与可观测性。曾经你需要用几百行胶水代码自己拼的东西，现在每个主流栈都打包成了一个 `run()` 调用。

本期内最值得记录的三件事：其一，微软在 4 月 2–3 日把 **Microsoft Agent Framework（MAF）1.0** 推到 GA，正式把 AutoGen 与 Semantic Kernel 合并，AutoGen 进入维护模式、社区分叉出 AG2 续命；其二，OpenAI 在 4 月 15 日给 **Agents SDK** 补上了 model-native harness 与原生沙箱执行；其三，LangChain 在年初押注 **Deep Agents**——一套建在 LangGraph 之上、自带规划与虚拟文件系统的预置运行时。叠加 Anthropic 把 Claude Code SDK 更名为 **Claude Agent SDK** 并开放 Managed Agents、Google 推进 **ADK** 与 A2A 协议，结果是：四大基础模型厂商全部交付了一方「原生 Harness」，而 LangGraph、CrewAI 这类模型无关的编排框架被挤到了「可移植性」这一条窄护城河上。

本文以「内置 Harness 是什么、能省多少胶水、绑定了什么」为尺，横向评测 OpenAI Agents SDK、LangGraph/Deep Agents、Microsoft Agent Framework、CrewAI、Claude Agent SDK、Google ADK 六大栈，给出 2026 年中的选型裁决。

## 六大框架横评总表

| 框架 / 版本 | 内置 Harness 核心 | 状态持久化 | 模型绑定 | 上手到首个 Agent | 生产成熟度 | 变现 / 训练营潜力 |
|---|---|---|---|---|---|---|
| **OpenAI Agents SDK**（2026.04 新增 harness + sandbox） | Responses API loop + Handoffs + Guardrails + 原生代码沙箱 | 无原生 checkpoint，需自建 | 强绑定 OpenAI | 半小时 | 高（一方背书） | 高，企业内训首选 |
| **LangGraph / Deep Agents**（年初 Deep Agents 预置运行时） | State Graph + Checkpointer + 规划/虚拟文件系统 | 原生 checkpoint（中断/恢复/回放） | 模型无关 | 1–2 小时 | 高（38M 月下载，星标反超 CrewAI） | 高，咨询/平台最稳底座 |
| **Microsoft Agent Framework 1.0**（2026.04.02 GA） | 结构化路由 + Azure Hosted Agents | 会话状态服务（多语言一致） | 弱绑定（.NET/Python） | 1 小时 | 高（GA，稳定 API） | 中高，.NET 企业基本盘 |
| **CrewAI**（约 44.6k 星，轻量自研） | 角色 + 顺序/层级流程 | 有，但较薄 | 模型无关 | 15 分钟 | 中（原型到中小生产） | 极高，最易讲故事的「团队」隐喻 |
| **Claude Agent SDK**（由 Claude Code SDK 更名） | Claude Code 内核 + MCP + 安全门控 + 流式 | 会话与文件记忆 | 绑定 Claude | 半小时 | 高（同一引擎千锤百炼） | 中高，编码/研究类产品 |
| **Google ADK**（Gemini 原生 + A2A） | LlmAgent + Runner + Session + 多技能 | Session/State 服务 | 绑定 Gemini | 1 小时 | 中高（生态追赶中） | 中，需绑定 Google Cloud 出货 |

> 数据节点：CrewAI 约 44,600 GitHub 星（2026.05 口径）；LangGraph 月度 PyPI 下载约 3800 万、且星标于 2026 年初反超 CrewAI；MAF 1.0 于 2026-04-02/03 GA。

## 深度分析

### 一、OpenAI Agents SDK：Responses API + Handoffs 的「极简 Harness」

OpenAI 的思路是把 Harness 削到最薄、但把「模型能力」推到最深。Agents SDK 的核心是一层薄薄的 Python 装饰，把 `Agent`（指令 + 工具 + 允许移交的子 Agent）、`Runner`（执行循环）、`Guardrails`（输入/输出校验）、`Handoffs`（子 Agent 路由）四个原语暴露出来，真正的循环逻辑跑在 Responses API 之上。2026 年 4 月 15 日的更新是分水岭：官方补上了 **model-native harness**（让模型自身承担更多调度，而非在 SDK 侧硬编码）与**原生代码沙箱**（`CodeExecutor` 类，直接执行模型生成的代码而不依赖外部容器）。

```python
from agents import Agent, Runner, function_tool

@function_tool
def search(query: str) -> str:
    return web_search(query)

researcher = Agent(
    name="研究员",
    instructions="你是严谨的研究助手，任何结论必须先调用 search 核实。",
    tools=[search],
    handoffs=[writer],          # 把写稿任务移交另一个 Agent
)
result = await Runner.run(researcher, "总结 2026 年 Agent 框架趋势")
```

**优点**：API 面积极小、心智负担低；沙箱与护栏是一等公民；与 Responses API 的提示缓存、结构化输出深度咬合，延迟与成本可控。**缺点**：没有原生 checkpoint，长任务要自己接状态层（这是它与 LangGraph 最硬的一道分水岭）；强绑定 OpenAI 模型，多模型策略受制。**变现评估**：作为「企业内训入门款」几乎无可挑剔——半天就能让学员跑通一个带护栏、带子 Agent 的真实 Agent，结业作品可直接迁移到生产。训练营定价可对标 OpenAI 官方 workshop，溢价点在「护栏 + Handoffs 的工程化最佳实践」。

### 二、LangGraph / Deep Agents：唯一原生持久化的「可中断图」

如果说 OpenAI 卖的是「薄」，LangGraph 卖的就是「厚且可恢复」。LangGraph 把 Agent 建模成一张**显式状态图**（节点是函数、边是路由、状态是 typed dict），最关键的差异化是 **Checkpointer**——把每一步的状态序列化到内存/Postgres/Redis，于是你获得了三项别家很难做到的能力：**人工介入中断（human-in-the-loop）、失败后从断点续跑、完整轨迹回放**。年初推出的 **Deep Agents** 进一步把这套能力封装成一个预置 Harness：内置规划工具、一个虚拟文件系统（memory tool，让 Agent 把中间产物写到「文件」里以对抗长上下文遗忘），开箱即用。

```python
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver

graph = create_react_agent(model, tools=tools, checkpointer=MemorySaver())
config = {"configurable": {"thread_id": "user-42"}}
graph.invoke({"messages": [{"role": "user", "content": "查并订机票"}]}, config)
# 同一 thread_id 再次调用即可续跑，状态自动恢复
```

**优点**：唯一把「状态即一等公民」做到位的主流框架；模型无关，今天调 Claude、明天换 Gemini 只改一行；社区与下载量最大（月下载约 3800 万），文档与案例最厚。**缺点**：显式图的心智成本高于「一个 run() 调用」；高级特性（subgraph、map-reduce 分支）学习曲线陡。**变现评估**：这是做**付费咨询/Agent 平台底座**最稳的选择——可恢复性直接对应 SLA，而 SLA 是 B 端付费的理由。训练营应定位在「中高级」，卖点就是「让 Agent 真的敢上生产：断点、回放、审批」。

### 三、Microsoft Agent Framework：AutoGen 的「结构化转世」

MAF 1.0 在 2026 年 4 月 2 日 GA，是本期最具「版图意义」的事件。它的本质是**把 AutoGen 的自由式对话路由（Agent 之间用自然语言互相喊话）替换成结构化路由**，并把 Semantic Kernel 的规划/记忆能力并了进来。结果是一个同时讲 .NET 与 Python、API 稳定、企业级可运维的统一框架。AutoGen 老用户面临迁移：官方 AutoGen 进入维护模式，社区分叉 **AG2** 承接原教旨的对话式多智能体路线。MAF 还配套了 Azure 上的 **Hosted Agents / Agent Harness**，把运行时也托管掉。

```python
from agent_framework import ChatAgent
from agent_framework.openai import OpenAIChatClient

agent = ChatAgent(
    chat_client=OpenAIChatClient(model_id="gpt-4.1"),
    instructions="你是客服，回答订单与物流问题。",
)
@agent.tool
def get_order_status(order_id: str) -> str:
    return db.lookup(order_id)

await agent.run("我的订单 8848 到哪了？")
```

**优点**：.NET 一等公民（企业/.NET 基本盘无人能敌）；结构化路由比 AutoGen 的对话式更可控、更省 token；微软背书的稳定 API 与运维栈。**缺点**：刚刚 GA，生态与第三方教程尚在补齐；AutoGen 老代码需迁移，存在「认知中断」。**变现评估**：在金融、政务、制造业的 .NET 老系统里有**结构性优势**，训练营可直接面向「.NET 架构师转型 AI」人群，客单价可以做高，但需要绑定 Azure 出货，渠道门槛略高。

### 四、CrewAI：把「团队」隐喻卖到极致的轻量栈

CrewAI 是六大栈里最「好讲」的——它把 Agent 类比成一个**有角色、有目标、有背景故事的团队成员**，再用 `Task` 与 `Crew` 把他们编排成顺序或层级流程。它完全自研、不依赖 LangChain，主打轻量与速度，约 44,600 颗星证明了它的群众基础。它的 Harness 是一个紧凑的角色运行时，强调「一个 crew.kickoff() 就出活」。

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

researcher = Agent(role="研究员", goal="找出最新数据",
                   backstory="资深分析师", tools=[search])
writer = Agent(role="撰稿人", goal="写出爆款文案", backstory="前媒体主编")
crew = Crew(
    agents=[researcher, writer],
    tasks=[Task(description="调研2026框架趋势", agent=researcher),
           Task(description="写成公众号文", agent=writer)],
    process=Process.sequential,
)
result = crew.kickoff()
```

**优点**：上手最快（15 分钟出第一个多 Agent 产物）；「团队」隐喻对非技术决策者极具说服力，是 PPT 与提案里的利器。**缺点**：状态/可恢复性较薄，复杂生产场景容易触顶；定位偏向原型与中小规模生产。**变现评估**：**训练营变现潜力第一**。它的认知门槛低、产出可视化强，极其适合做成「3 天从 0 到多智能体应用」的入门课，也适合包装成「内容工厂」「自动化研究助理」等可演示产品。多数横评给它的定位一致：**CrewAI 胜在易用，LangGraph 胜在成本与可控**。

### 五、Claude Agent SDK：把 Claude Code 内核当库调

Anthropic 走了一条「自用产品即 SDK」的路：把驱动 Claude Code 的同一套引擎抽取成 **Claude Agent SDK**（前身即 Claude Code SDK，2026 年更名），让你能用代码调用「一个会读写文件、会跑命令、会自己规划」的 Claude。它的 Harness 是经过 Claude Code 千万次实战打磨的——工具调度、子 Agent（subagents）、文件系统记忆、流式输出全部内置，且对 **MCP（Model Context Protocol）的集成最深**，可以一键挂载海量 MCP 服务器。配套的 **Managed Agents**（托管在 Anthropic 基础设施上的预置 Harness）处于 beta。

```python
from claude_agent_sdk import query, ClaudeAgentOptions

result = query(
    prompt="给这个仓库补齐单元测试并跑通",
    options=ClaudeAgentOptions(
        allowed_tools=["Read", "Edit", "Bash"],
        mcp_servers={"github": {...}},
        permission_mode="acceptEdits",   # 安全门控
    ),
)
for msg in result:        # 流式输出
    print(msg)
```

**优点**：编码/研究类任务的 Harness 成熟度无人能及（它就是 Claude Code 本体）；MCP 生态最深；安全门控（permission_mode）是一等公民，适合需要强管控的场景。**缺点**：强绑定 Claude 模型；运行时行为部分封闭，深度定制不如 LangGraph 透明。**变现评估**：适合做**编码 Agent 产品**与「AI 研究助理」SaaS，付费点在「文件级长任务 + 安全可控」。训练营宜走「开发者高级班」路线，教如何用 SDK 把 Claude Code 的能力嵌进自家 IDE 插件或 DevOps 流水线。

### 六、Google ADK：Gemini 原生 + A2A 的追赶者

Google 的 Agent Development Kit（ADK）以 **Gemini** 为一等模型，核心原语是 `LlmAgent` + `Runner` + `Session`：Agent 自带工具与多技能（multi-skill），Runner 负责执行循环，Session/State 服务负责持久化。它的差异化赌注是 **A2A（Agent-to-Agent）协议**——一个跨 Agent、跨厂商通信的开放协议，试图让 Agent 之间像微服务一样互调。ADK 与 Google Cloud（Vertex AI）深度绑定，是 Gemini 生态的官方出货通道。

```python
from google.adk.agents import LlmAgent
from google.adk.runners import Runner
from google.adk.sessions import InMemorySessionService

agent = LlmAgent(name="助手", model="gemini-2.5-pro", tools=[search, calendar])
runner = Runner(agent=agent, app_name="my_app",
                session_service=InMemorySessionService())
runner.run(user_id="u1", session_id="s1", msg="帮我排明天的会")
```

**优点**：Gemini 原生、长上下文与多模态优势明显；A2A 协议是「Agent 互联网」的早期押注；Session 抽象让状态管理比 OpenAI 一方更顺手。**缺点**：生态与教程密度尚不及 LangGraph/CrewAI；强绑定 Google Cloud，跨云出货有摩擦。**变现评估**：适合已押注 Google Cloud 的企业，或在「多 Agent 互联」叙事上做产品的团队。训练营需绑定 GCP 出货，独立性略弱，但「A2A 跨厂商 Agent 通信」是个有想象力的差异化选题。

## Harness 并轨：2026 架构全景图

```mermaid
flowchart TB
    subgraph A["模型无关 · 可移植编排"]
        A1["LangGraph / Deep Agents<br/>State Graph + Checkpointer + 规划/虚拟FS"]
        A2["CrewAI<br/>角色 + 顺序/层级流程"]
    end
    subgraph B["基础模型厂商 · 原生 Harness"]
        B1["OpenAI Agents SDK<br/>Responses loop + Handoffs + Sandbox"]
        B2["Claude Agent SDK<br/>Claude Code内核 + MCP + Managed Agents"]
        B3["Microsoft Agent Framework<br/>结构化路由 + Azure Hosted Agents"]
        B4["Google ADK<br/>LlmAgent + Session + A2A"]
    end
    U["你的业务/产品"] -->|"要可移植·多模型·可恢复"| A
    U -->|"要开箱·少胶水·一方背书"| B
    A1 -->|"状态持久化最强"| WIN1["长任务 / 审批 / 合规"]
    A2 -->|"上手最快"| WIN2["原型 / 内容工厂 / 入门课"]
    B1 -->|"护栏+沙箱一流"| WIN3["企业内训 / 内部工具"]
    B2 -->|"编码/研究最强"| WIN4["DevOps / 研究SaaS"]
    B3 -->|".NET基本盘"| WIN5["金融/政务/.NET老系统"]
    B4 -->|"A2A互联"| WIN6["GCP出货 / Agent互联网"]
```

图中的「并轨」一目了然：上半侧是模型无关的编排栈，下半侧是四大厂商的原生 Harness。**2026 年的选型，本质是在「可移植性（多模型、自建状态层、可恢复）」与「开箱即用（少写胶水、一方背书、绑定单一模型）」之间下注。** 值得注意的是，两条线正在彼此渗透——LangGraph 用 Deep Agents 把自己「Harness 化」，而 OpenAI 也在补沙箱与（尚缺的）持久化。中短期内，**LangGraph 的 Checkpointer 仍是别家最难复刻的护城河**。

## 推荐方案：按场景落子

**场景一：企业内部工具、内部知识库 Agent、且团队以 OpenAI 为主力模型。**
→ **OpenAI Agents SDK**。护栏与沙箱开箱即用，Half-day onboarding，迁移到生产几乎没有落差。这是 2026 年最稳的「内部提效」起手式。

**场景二：面向 C 端/付费 SaaS 的长任务 Agent（订机票、长报告、需要人工审批的流程）。**
→ **LangGraph / Deep Agents**。没有原生 checkpoint 就不敢接 SLA，而 LangGraph 的中断/恢复/回放是这类场景的唯一答案。可恢复性 = 你能收多少钱。

**场景三：.NET 老系统、金融/政务、需要微软运维背书。**
→ **Microsoft Agent Framework 1.0**。AutoGen 老项目趁早迁，结构化路由比对话式省心省 token；GA 后的稳定 API 让运维敢接。

**场景四：做训练营/课程/内容自动化产品，要最快出可视化效果。**
→ **CrewAI**。认知门槛最低，「团队」隐喻最适合卖给非技术决策者，3 天就能让学员交付一个像样的多智能体应用。

**场景五：做编码 Agent、DevOps 自动化、研究类产品。**
→ **Claude Agent SDK**。把 Claude Code 的内核当库调用，文件级长任务 + 安全门控 + 最深的 MCP 生态，是这个垂类的现成底座。

**场景六：已押注 Google Cloud，或押注「Agent 互联网」多 Agent 互联叙事。**
→ **Google ADK**。Gemini 长上下文 + A2A 协议是它的两张牌，绑定 GCP 出货。

一条贯穿性的裁决：**如果你的 Agent 要「上生产、扛 SLA」，原生 checkpoint（LangGraph）的权重应当高于一切「好不好写」的考量；如果你的目标是「快速验证想法或交付训练营」，CrewAI 与 OpenAI Agents SDK 的 Harness 性价比最高。** 厂商原生 SDK 适合「明确锁定单一模型、追求开箱」的团队，模型无关编排栈适合「要谈多模型采购、要自己掌握状态层」的平台型团队——2026 年的并轨，不是谁取代谁，而是两种 Harness 哲学各占其位。

## 参考来源

1. [Microsoft Agent Framework at BUILD 2026 / 1.0 GA](https://devblogs.microsoft.com/agent-framework/microsoft-agent-framework-at-build-2026-announce/) — MAF 于 2026-04-02 GA，AutoGen 与 Semantic Kernel 合并、引入 Hosted Agents 的官方说明。
2. [Microsoft Ships Production-Ready Agent Framework 1.0 for .NET and Python — Visual Studio Magazine](https://visualstudiomagazine.com/articles/2026/04/06/microsoft-ships-production-ready-agent-framework-1-0-for-net-and-python.aspx) — MAF 1.0 稳定 API、.NET/Python 双语言的第三方报道。
3. [OpenAI Agents SDK vs LangGraph in 2026 — Nerova](https://nerova.ai/comparisons/openai-agents-sdk-vs-langgraph-2026) — 2026-04-15 OpenAI Agents SDK 补 model-native harness 与原生沙箱、与 LangGraph 状态机的对照。
4. [Agent Framework Comparison 2026: LangGraph vs CrewAI vs OpenAI Agents SDK vs AutoGen — Particula](https://particula.tech/blog/langgraph-vs-crewai-vs-openai-agents-sdk-2026) — 三大框架实战横评，含 CrewAI ≈44.6k 星、LangGraph 月下载约 3800 万的数据口径。
5. [Claude Agent SDK overview — Claude Code Docs](https://code.claude.com/docs/en/agent-sdk/overview) — Claude Agent SDK（由 Claude Code SDK 更名）官方文档，MCP 集成、子 Agent、安全门控与 Managed Agents 说明。

> [!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)