AI-агенты в 2026: разбор 7 фреймворков и 3 категории задач

Полгода назад "построить AI-агента" означало, что твоя команда сама пишет цикл вызовов. Эта эра закончилась. Реальный выбор сейчас не "какой фреймворк взять", а "в какой категории задач вы находитесь". Большинство CTO, с которыми я общался за последние месяцы, до сих пор выбирают, будто на дворе 2024.

Я строю AI-агентов в продакшене (в том числе собственный open-source фреймворк Tuplet) и разобрал 7 актуальных npm-фреймворков на TypeScript. Их можно свести к трём категориям. Дальше - какая из них ваша, и какие ошибки CTO делают чаще всего.

Решение: Vercel AI SDK (12 миллионов загрузок в неделю на npm).

Это не агентный фреймворк, как принято считать. Это унифицированный API над разными провайдерами моделей: streamText, generateText, вызов инструментов. В версии 6 поверх добавили базовый цикл агента, но 90% случаев "AI-фича внутри веб-приложения" - это один streaming-запрос с парой инструментов. Не нужна вам оркестрация - не лезьте в неё.

Когда не подойдёт: если задача реально многошаговая с ветвлениями - быстро упрётесь в потолок. Это уже категория 3.

Решение: Claude Agent SDK (4,6M загрузок) или OpenAI Agents (619K).

Тут вы получаете не клиент API, а полный стек вендора. Claude Agent SDK буквально подключает бинарь Claude Code как библиотеку: инструменты, хуки, субагенты, MCP, сессии, скиллы. OpenAI Agents даёт handoffs, guardrails, voice и realtime агентов. Их roadmap становится вашим.

Чего стоит опасаться: vendor lock - это design choice, а не баг. Claude Agent SDK жёстко завязан на Claude. OpenAI Agents технически работает с другими провайдерами через AI SDK adapter - но вся ценность (hosted tools, voice, tracing dashboard) только с OpenAI. Смените провайдера - получите generic runtime, который Mastra делает лучше за те же деньги.

Плюс shape lock у Claude SDK: он спроектирован под автономных file/code агентов. Для чат-бота, который не трогает файловую систему - это лишний вес.

Решение: LangGraph (2M загрузок) или Mastra (276K).

LangGraph - это state machine. Агент может стоять на паузе часами и потом возобновляться. Time-travel debugging, чекпоинты, durable execution. В продакшене у Klarna, Uber, LinkedIn, GitLab, Replit, J.P. Morgan.

Mastra даёт вам набор деталей: 40+ провайдеров моделей, разделение agent vs workflow, бэкенды памяти (LibSQL, Postgres, Redis), evals, Studio dev UI. Из этих деталей вы собираете машину сами.

Чего стоит опасаться: вы выбираете не фреймворк, а конструктор спорткара мечты. Реальная стоимость онбординга. Я общался с разработчиками, которые сейчас деплоят с Mastra в продакшене - они говорят, что это сложнее, чем OpenAI Agents и Claude SDK. Если вы не уверены, что вы в категории 3 - вы в категории 1.

Если ваши агенты должны переживать падения сервера или ждать одобрения по несколько дней - durable execution (Inngest, Temporal, Restate, Trigger.dev) - это слой инфраструктуры ПОД любой из трёх категорий. AgentKit от Inngest даёт это в комплекте; для остальных прикручивается отдельно через step.run().

Это не четвёртая категория. Это ортогональное решение, которое можно добавить к любому фреймворку.

Выбрать категорию 3, когда вы в категории 1. Я наблюдал команды, которые сожгли 6 недель на настройку LangGraph ради того, что Vercel AI SDK сделал бы за 3 дня. Это не гипотетический риск - это самая частая история, которую я слышу от CTO.

Вторая частая ошибка - предположение, что фреймворк вообще нужен. Для соло-разработчика на serverless правильный ответ часто - 0 зависимостей и собственный цикл из 50 строк. Я написал Tuplet ровно для этого сценария: 0 зависимостей, serverless-first, тонкая экосистема. Полное раскрытие - это мой проект.

Большинство CTO выбирают фреймворк раньше, чем отвечают на вопрос "в какой я категории". Это и есть провал. Сначала ответ на вопрос - потом инструмент.

В какой категории ваш текущий AI-проект? И главное - вы определили категорию до того, как взяли фреймворк, или после?

#AI #агенты #CTO #разработка #архитектура #tuplet