Agent framework 2026: LangGraph, OpenAI Agents SDK, Claude SDK, CrewAI, Dify, n8n — macierz wyboru 

W 2026 roku nie ma jednego „najlepszego" frameworku do agentów - są trzy różne rodzaje narzędzi, które wyglądają podobnie na zdjęciach ekranu, a robią zupełnie różne rzeczy. LangGraph, OpenAI Agents SDK i Claude Agent SDK to biblioteki do programowania w Pythonie albo TypeScript. CrewAI to uproszczona nakładka na ten sam pomysł, łatwiejsza na start. Dify to platforma z interfejsem, którą obsługuje się bez pisania kodu. n8n to automatyzacja procesów, w której agent jest jednym z kroków, a nie całym produktem. Wybór sprowadza się do jednego pytania: kto napisze i kto będzie utrzymywał kod po wdrożeniu.

W artykule znajdziesz macierz wyboru z sześcioma narzędziami: czym się różnią, ile kosztują i gdzie się psują. Na końcu jest pięć pytań, które decydują o wyborze. Jeśli dopiero zaczynasz, przeczytaj najpierw sekcję o trzech warstwach narzędzi - oszczędzi Ci godziny na złym wyborze.

Trzy warstwy narzędzi, które wyglądają podobnie

Zanim porównamy konkretne produkty, warto rozdzielić trzy warstwy. Pomieszanie ich to najczęstszy błąd na starcie, bo wszystkie trzy nazywają się „frameworkiem do agentów".

Warstwa kodowa - biblioteki dla programisty

LangGraph, OpenAI Agents SDK, Claude Agent SDK i CrewAI to biblioteki. Żadna z nich nie działa sama - to zestaw klocków, z których ktoś składa agenta. Bez pisania kodu nic z nich nie ruszy. Zyskujesz kontrolę nad tym, co agent robi w każdym kroku, i nad tym, gdzie trzymasz stan. Płacisz za to godzinami pracy programisty i odpowiedzialnością za utrzymanie.

Warstwa platformy - interfejs dla zespołu

Dify to open-source'owa platforma LLMOps do budowania agentów, aplikacji RAG i przepływów, z ponad 100 wspieranymi dostawcami modeli, w tym lokalnymi przez Ollama. Ma wersję Community, którą stawiasz sam, i wersję chmurową. Kupujesz tu czas wdrożenia, bo procesy widzisz na ekranie, a nie w kodzie.

Warstwa procesu - automatyzacja z agentem w środku

n8n ma ponad 350 natywnych integracji i działa bezstanowo: każde uruchomienie przepływu jest niezależne. To nie jest framework do budowania agentów. To narzędzie do łączenia systemów, w którym agent rozwiązuje jeden krok - na przykład klasyfikuje zapytanie, zanim wybierzesz gałąź przepływu. Dobrze to opisuje dokumentacja porównawcza: n8n nie ma głębokiej, natywnej obsługi rozumowania agentowego i przetwarzania stanowego. Ma za to coś innego: stabilną listę integracji, której żaden framework kodowy nie odtworzy w miesiąc.

Macierz wyboru - sześć narzędzi w jednym zestawieniu

Narzędzie	Typ	Język	Dla kogo	Główne ryzyko
LangGraph	biblioteka	Python, JS/TS	zespół, któremu zależy na kontroli i możliwości audytu	dużo kodu i debugowanie grafów
OpenAI Agents SDK	biblioteka	Python, TypeScript	zespół chcący szybko złożyć agenta z gotowych klocków	słabsze wzorce dla trwałych przepływów niż LangGraph
Claude Agent SDK	biblioteka	Python, TypeScript	programiści, którym znany jest agent z terminala Claude Code	brak wbudowanej orkiestracji multi-agent i warstwy trwałości
CrewAI	biblioteka uproszczona	Python	starty, prototypy, szybkie eksperymenty	petle bez wyraźnego warunku zakończenia, brak checkpointów
Dify	platforma	interfejs webowy	zespół nietechniczny, szybkie wdrożenie	licencja z warunkami, hosting poza UE
n8n	automatyzacja procesów	interfejs + JavaScript	łączenie systemów, procesy z zewnątrz	brak własnej pamięci długoterminowej agenta

LangGraph - najwięcej kontroli, najwięcej kodu

LangGraph modeluje aplikacje jako graf stanów i przejść, a kod jest na licencji MIT. Wersja 1.0 GA wyszła w październiku 2025. Wariant dla JavaScriptu działa na Node.js, Deno, Cloudflare Workers, Vercel Edge Functions i w przeglądarce - to realna opcja, gdy aplikacja ma być blisko użytkownika.

To framework wybierany, gdy proces jest rozwlekany, gałęzi jest dużo, a każda decyzja agenta musi być do odtworzenia w logach. Płacisz za to dwa razy: piszesz więcej kodu i debugujesz trudniej. Jedno z porównań z 2026 roku ujmuje to jednym zdaniem - zadanie zajmujące około 10 linii kodu w CrewAI potrzebuje około 40 w LangGraph. Do tego debugowanie złożonych grafów multi-agent jest trudne bez LangSmith, a ekosystem LangChain miał zbyt wiele zmian łamiących API.

Ten sam materiał wskazuje drugą stronę: przy prostych zadaniach jawność LangGraph zamienia się w gadatliwość. Jeśli Twój agent ma jedno narzędzie i jedną gałąź, to przepłacasz za elastyczność, której nie użyjesz.

OpenAI Agents SDK - gotowe klocki i handoffy

SDK ma wąski zestaw elementów składowych: agenci, narzędzia, handoffy, guardraile, sesje, zatwierdzanie przez człowieka i tracing. Kod jest open source, więc zespół może zajrzeć do zachowania runtime'u i je zmienić.

Tu jest decyzja projektowa, o którą potyka się większość zespołów. Gdy agent wiodący ma zachować kontrolę, wywołujesz specjalistę przez agent.as_tool(...). Gdy ma przejąć kontrolę, używasz handoffs=[...]. Różnica brzmi jak szczegół, a decyduje o tym, kto zostawia ślad w logu i kto może zatwierdzić akcję. Pierwszego agenta w tym SDK, z tracingiem i handoffami, zbudowałem krok po kroku.

Dwie rzeczy warto wiedzieć przed wyborem. Po pierwsze, pętla agenta, narzędzia, zatwierdzenia, sekrety, guardraile i tracing należą do zaufanego runtime'u aplikacji, nie do warstwy obliczeniowej - to granica, którą przeprowadza dokumentacja OpenAI. Po drugie, mimo nazwy SDK obsługuje też innych dostawców modeli, więc nie jesteś przywiązany do jednego API.

Claude Agent SDK - ten sam agent, którego używasz w terminalu

Claude Agent SDK daje te same narzędzia, tę samą pętlę agenta i to samo zarządzanie kontekstem, które napędzają Claude Code, z programowaniem w Pythonie i TypeScript. Biblioteka uruchamia binarny Claude Code. Wymaga Pythona 3.10 lub nowszego, a CLI jest dołączany do pakietu automatycznie - osobna instalacja nie jest potrzebna. Repozytorium ma około 8,2 tys. gwiazdek i 1,3 tys. forków.

To najkrótsza droga do agenta, którego zachowanie znasz, bo używałeś go codziennie. Własne narzędzia piszesz jako serwery MCP działające wewnątrz procesu Pythona. Jak wygląda samo pisanie własnego serwera MCP w Pythonie, pokazałem na osobnym przykładzie.

Cena tej wygody jest jasna i warto ją znać przed podpisaniem: SDK nie ma wbudowanej orkiestracji dla systemów multi-agent - budujesz ją sam. Nie ma też natywnej warstwy trwałości, czyli zapisu stanu między uruchomieniami. Do tego Anthropic nie zezwala stronom trzecim na oferowanie logowania przez claude.ai ani własnych limitów użycia, chyba że zostało to wcześniej zatwierdzone. To ograniczenie dla produktu, który ma być sprzedawany dalej, nie dla wewnętrznego narzędzia.

CrewAI - najprostszy start, najwięcej pułapek w utrzymaniu

W CrewAI definiujesz agentów rolami, dajesz im zadania i organizujesz w załogę. Kod jest tylko dla Pythona, w wersjach 3.10 do 3.13. Wersja 1.10.1, wydana na początku 2026 roku, dodała streaming, zgodność z protokołem A2A i obsługę MCP.

Problemy zaczynają się, gdy projekt wyrasta. Test 10 zadań biznesowych pokazuje, że autonomiczne zespoły potrafią krążyć w pętli lub zejść na złą ścieżkę bez jasnych warunków zakończenia. Zarządzanie stanem jest niejawne, co oznacza mniejszą kontrolę. Wewnątrzprocesowe przepływy nie mają zapisu stanu, a zatwierdzanie przez człowieka wymaga własnej implementacji - nie jest wbudowane.

Skala popularności bywa zaskakująca. Jedno porównanie z lipca 2026 podaje około 55 tys. gwiazdek na GitHubie, inne około 44,600 w połowie 2026 roku, a kolejne twierdzi, że LangGraph CrewAI w gwiazdkach już wyprzedził. Podaję te liczby razem, bo rozjazd sam w sobie jest informacją: popularność w gwałtownie rosnącej kategorii mierzy się różnie w zależności od dnia.

Dify - platforma dla zespołu bez programisty

Dify to open-source'owa platforma LLMOps do budowania agentów, aplikacji RAG i przepływów pracy. Ma ponad 100 wspieranych dostawców modeli językowych, w tym OpenAI, Anthropic, Google Gemini i modele lokalne przez Ollama. Repozytorium ma ponad 147 tys. gwiazdek, a wersja Community wymaga minimum 2 rdzeni CPU i 4 GB RAM. Do tego ma natywną integrację MCP i wbudowany Langfuse z czasem trwania każdego węzła, wejściami, wyjściami i czytelnymi błędami.

Tutaj trzeba spojrzeć na licencję i lokalizację danych, bo to decyduje o tym, czy narzędzie w ogóle wchodzi do firmy. Licencja to Apache 2.0 z dwoma warunkami: zakaz odsprzedaży multi-tenant SaaS i zakaz usuwania logotypu. Chmura Dify nie gwarantuje rezydencji danych w UE - polityka prywatności wymienia Chiny i USA jako miejsca przetwarzania. Sam host rozwiązuje to, kosztem odpowiedzialności za utrzymanie.

Dla małej firmy hosting Dify na własnym VPS-ie wygląda konkretnie. Przykładowa oferta KVM to 2 vCPU i 8 GB RAM za 8,99 USD miesięcznie w pierwszym okresie i 14,99 USD po odnowieniu, kolejne plany to 12,99 USD i 25,99 USD miesięcznie. Przeliczone na rok, najtańszy plan to około 180 USD. To oferta sprzedażowa konkretnego hostingu, nie cennik Dify.

n8n - automatyzacja, w której agent jest jednym krokiem

n8n ma ponad 350 natywnych integracji i ponad 200 tys. gwiazdek na GitHubie. Jest bezstanowy: każde uruchomienie przepływu jest niezależne, więc pamięć i kontekst musisz trzymać w bazie, nie w samym narzędziu. Wbudowanego, długoterminowego kontekstu agenta tu nie dostaniesz.

Za to dostajesz serwer MCP, który działa na wszystkich planach, w tym na bezpłatnej wersji Community. Wymaga n8n w wersji 2.18.3 lub nowszej, a Ty sam decydujesz, które przepływy są w ogóle wystawione przez serwer MCP. To bezpieczna lista do publikacji - agent widzi to, co mu dałeś.

Kiedy n8n ma sens: gdy proces zaczyna się i kończy w Twoich systemach. Zapytanie przychodzi z maila, agent go klasyfikuje, przepływ tworzy zadanie w CRM, wysyła powiadomienie. Framework kodowy jest tu niepotrzebny, bo nie piszesz agenta - piszesz gałęzie przepływu. Z drugiej strony, gdy logika wymaga kilkunastu rund rozumowania, utrzymanie jej w bezstanowym przepływie szybko staje się nieporządkiem. Granicę między przepływem, kodem a frameworkiem rozrysowałem osobno.

Co pokazał benchmark 2000 przebiegów - i czego nie pokazał

Jeden test AIMultiple obejmował cztery popularne open-source'owe frameworki agentowe w 2000 przebiegach: pięć zadań, po 100 uruchomień na framework. Warto znać jego wyniki, bo dotyczą realnych kosztów, których nie widać w dokumentacji.

CrewAI zużywał prawie 3 razy więcej tokenów niż LangChain i zajmował prawie 3 razy więcej czasu. W jednym z zadań zakończył pracę w 30 sekund przy 4360 tokenach, najwięcej w tym zadaniu. W innym kilka uruchomień utknęło na skonfigurowanym limicie 10 iteracji bez wygenerowania wyniku JSON. Zdarzył się też błąd zwracania wartości: 68,81% zostało zwrócone jako 0,6878.

LangGraph osiągnął 15 010 tokenów promptu w jednym zadaniu, największy pojedynczy wynik w całym teście, przy czasie rzędu 24-27 sekund razem z AutoGen. Wskaźnik zmiany podejścia wyniósł dla LangGraph i AutoGen 90%, a dla CrewAI 0%.

Tu uczciwie powiem, gdzie ten materiał sam sobie zaprzecza. W części wstępnej testu czytamy, że LangGraph jest najszybszym frameworkiem z najniższą latencją we wszystkich zadaniach. Na końcu tego samego materiału czytamy, że latencję prowadzi AutoGen, a LangGraph i LangChain są tuż za nim. To dwa sprzeczne zdania w jednym tekście, więc nikt nie powinien ogłaszać zwycięzcy prędkości na tej podstawie. Uczciwy wniosek z tego benchmarku dotyczy kosztu tokenów i ryzyka zapętlenia, a nie rankingu szybkości.

Drugie ograniczenie: test nie obejmuje OpenAI Agents SDK ani Claude Agent SDK. Nie da się z niego wyciągnąć porównania tych dwóch z resztą.

Koszt - liczby osobno, nie w jednej tabelce

Sklejanie stawek z różnych cenników w jeden zestawienie daje wynik, którego nikt nie potwierdza. Podaję je osobno, z podaniem, czego dotyczą.

CrewAI w wersji hostowanej - darmowy plan Basic (50 uruchomień miesięcznie, jedna aktywna załoga, jedno stanowisko), plan Professional 25 USD miesięcznie, Enterprise wyceniany indywidualnie. Stan na 10 czerwca 2026. Przeliczone na rok, Professional to 300 USD.

LangSmith - bezpłatny poziom Developer (5000 śladów miesięcznie, retencja 14 dni, jedno stanowisko), potem plan Plus 39 USD za stanowisko miesięcznie, czyli 468 USD rocznie za stanowisko.

Dify - Community na własnym serwerze 0 USD przy minimum 2 CPU i 4 GB RAM. W chmurze: Professional 59 USD za przestrzeń roboczą miesięcznie, czyli 708 USD rocznie, i Team 159 USD miesięcznie, czyli 1908 USD rocznie. Jest też piaskownica bez opłat.

Jednej grupy liczb tu zabraknie: cen API Claude i OpenAI za tokeny. Nie znalazłem ich w źródłach, na których opieram ten artykuł, więc ich nie podaję. Koszt tokenów policz osobno, na podstawie zużycia z pierwszych przebiegów - to jedyna metoda, która nie kłamie. Porównanie kosztu modeli przy automatyzacjach opisałem osobno.

MCP i A2A - dwa standardy, które się nie wykluczają

Częsty błąd w dyskusjach o frameworkach to traktowanie tych standardów jak konkurencji. Nie są. A2A jest protokołem komunikacji między agentami, opartym na standardach webowych takich jak HTTP i JSON-RPC, rozwijanym z Google i partnerami: Microsoft, Atlassian, Salesforce. MCP jest protokołem łączącym modele i agentów z narzędziami - klient łączący się z serwerem, wywołanie narzędzia, uprawnienia nadane osobno dla każdego zasobu, bez współdzielonych kluczy API. W praktyce oba działają obok siebie, nie zamiast siebie. Dlaczego MCP stał się standardem, opisałem na osobnej stronie.

Praktyczna konsekwencja dla wyboru narzędzia: sprawdź, czy to, co bierzesz, ma obsługę obu. Dify ma natywną integrację MCP, CrewAI od wersji 1.10.1 zgodność z A2A i obsługę MCP, n8n wystawia własne przepływy przez serwer MCP, a w Claude Agent SDK własne narzędzia piszesz jako wbudowane serwery MCP działające w procesie Pythona.

Pięć pytań, które decydują o wyborze

Jeśli masz odpowiedzi na te pytania, wybór jest prosty. Jeśli nie, wróć do zadania, nie do porównywania narzędzi.

Kto napisze kod po wdrożeniu? Jeśli nie masz programisty, framework jest odpowiedzią nieprawidłową. Dify albo n8n dadzą ci działający proces bez pisania kodu.

Czy proces musi przejść przez systemy spoza firmy? CRM, księgowość, e-mail, płatności - to argument za n8n, który ma ponad 350 gotowych integracji. Biblioteka kodowa zbuduje to sama, ale po kilku tygodniach.

Czy decyzje agenta muszą być do odtworzenia w logu? Tak - LangGraph z LangSmith. Nie - prostsze rozwiązanie, mniej kodu.

Jak długo ma działać stan między uruchomieniami? Krótko - CrewAI wystarczy. Długo i z punktami kontrolnymi - LangGraph albo własna warstwa zapisu.

Czy planujesz sprzedawać produkt na tym SDK? Tak - sprawdź licencję i zasady dostawcy. Claude Agent SDK bez zgody na logowanie przez claude.ai i własne limity użycia jest odpowiedzią „nie" dla produktu komercyjnego. Dify z warunkiem zakazu odsprzedaży multi-tenant SaaS też odpada, jeśli taki model sprzedaży zakładasz.

Kiedy żaden framework nie jest właściwym wyborem

Część firm wybiera framework, bo chce „agenta AI", a nie dlatego, że ma konkretny powtarzalny problem. To najdroższa droga do wdrożenia, bo każda zmiana wymaga programisty i testów.

Jeśli proces ma jeden przebieg, jeden wynik i jeden przypadek braku - nie potrzebujesz frameworku, potrzebujesz prostego skryptu albo przepływu w n8n. Framework wygrywa dopiero wtedy, gdy w grę wchodzi stan, wiele gałęzi, wiele narzędzi i decyzje, które muszą przechodzić przez człowieka. Pytanie o poziomy autonomii i o to, gdzie stawiasz hamulce, rozłożyłem osobno.

Ten sam skrypt działa w drugą stronę. Jeśli zespół nie utrzyma prostego przepływu w n8n, to LangGraph nie będzie lepszy - będzie tylko droższy w utrzymaniu. Pięć typowych wdrożeń, które się nie udały, opisałem osobno, razem z przyczynami.