Dec 16, 2025

AI 代理框架詳細比較：Claude Agent SDK vs LangChain vs LangGraph vs Google ADK

0. 為什麼需要這篇比較？

2025 年，AI Agent 開發框架百花齊放。對於想要構建 AI Agent 應用的開發者來說，選擇合適的框架是第一個重要決策。本文將從架構設計、功能特性、代碼質量、擴展能力等多個維度，全面比較四大主流框架：

框架	開發者	版本	代碼規模	主要定位
Claude Agent SDK	Anthropic	0.1.17	~3K 行	Claude 專屬 SDK
LangChain V1	LangChain	1.2.0	~11K 行	中間件驅動框架
LangGraph	LangChain	latest	~15K 行	圖編排引擎
Google ADK	Google	1.21.0	~79K 行	企業級全功能平台

1. 架構設計比較

1.1 核心架構模式

flowchart TD
  subgraph Claude["Claude Agent SDK"]
    C1["User API"] --> C2["Internal Layer"]
    C2 --> C3["Transport"]
    C3 --> C4["Claude Code CLI"]
  end

  subgraph LangChain["LangChain V1 + LangGraph"]
    L1["create_agent()"] --> L2["AgentMiddleware"]
    L2 --> L3["StateGraph"]
    L3 --> L4["Pregel Engine"]
  end

  subgraph ADK["Google ADK"]
    A1["App"] --> A2["Plugins"]
    A2 --> A3["Agent Tree"]
    A3 --> A4["Runner"]
  end

特性	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
架構模式	CLI 包裝器	中間件管道	Pregel BSP 圖	無狀態編排引擎
執行引擎	Claude Code CLI	基於 LangGraph	Pregel 算法	自建 Runner
狀態管理	CLI 內部管理	委託給 LangGraph	通道 + Checkpoint	事件溯源
擴展方式	Hook + MCP	中間件組合	自定義節點/通道	插件系統
代理模式	單一代理	單一代理 + 工具	任意圖結構	多代理樹結構

1.2 LangChain V1 與 LangGraph 的關係

這是很多人容易混淆的點：

flowchart TD
  LCV1["LangChain V1 (高層 API)"]
  LG["LangGraph (低層編排)"]
  LCC["LangChain Core (基礎組件)"]

  LCV1 -->|"內部使用"| LG
  LG -->|"調用"| LCC

  LCV1_desc["提供 create_agent() 高層 API<br/>和中間件系統"]
  LG_desc["提供底層圖編排、持久化<br/>人在迴圈"]
  LCC_desc["LLM, Tools, Messages<br/>基礎組件"]

  LCV1 --- LCV1_desc
  LG --- LG_desc
  LCC --- LCC_desc

關係總結：

LangChain V1：提供 create_agent() 高層 API 和中間件系統
LangGraph：提供底層圖編排、持久化、人在迴圈
LangChain V1 是 LangGraph 之上的便利層

1.3 分層架構對比

層級	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
用戶 API	query(), Client	create_agent()	StateGraph	Agent, Runner
中間層	InternalClient	AgentMiddleware	CompiledGraph	Plugin, Flows
執行層	SubprocessTransport	LangGraph	Pregel + Loop	InvocationContext
存儲層	-	(委託)	Checkpointer, Store	SessionService
模型層	Claude Code CLI	BaseChatModel	BaseChatModel	BaseLlm

2. 功能特性對比

2.1 基本功能

功能	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
同步執行	✓	✓	✓	✓
異步執行	✓	✓	✓	✓
流式輸出	✓	✓	✓ (5 種模式)	✓
結構化輸出	✓	✓	✓	✓
工具調用	✓	✓	✓	✓
會話持久化	✓ (CLI)	✓	✓ (核心功能)	✓

2.2 高級功能

功能	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
多代理協作	✗	✗	✓ (子圖)	✓ (代理樹)
並行節點執行	✗	✗	✓ (BSP)	✓
動態路由	✗	✓	✓ (Send/Command)	✓
中間件/插件	Hook 系統	14+ 中間件	自定義節點	6+ 插件
人在迴圈	Hook	中間件	✓ (interrupt)	插件
時間旅行	✗	✗	✓ (狀態歷史)	✗
循環圖支持	✗	✗	✓ (原生)	✗
文件檢查點	✓	✗	✗	✗
代碼執行沙箱	✓ (CLI)	✓ (Docker)	✗	✓ (多種)
實時音頻流	✗	✗	✗	✓

2.3 工具生態系統

工具類型	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
內建工具數量	~10 (CLI)	~5	ToolNode	50+
MCP 支持	✓ (核心)	✗	✗	✓
自定義函數工具	✓	✓	✓	✓
Google 服務集成	✗	✗	✗	✓ (原生)
LangChain 工具	✗	✓ (原生)	✓ (原生)	✓ (適配器)

2.4 LLM 支持

提供者	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
Claude	✓ (唯一)	✓	✓	✓
Gemini	✗	✓	✓	✓ (推薦)
GPT-4	✗	✓	✓	✓ (LiteLLM)
開源模型	✗	✓	✓	✓
提供者數量	1	20+	20+	5+

3. 執行模型對比

3.1 LangGraph 的 Pregel BSP 模型

LangGraph 的執行模型基於 Google Pregel 論文的 BSP（Bulk Synchronous Parallel）算法：

flowchart TD
  Start([開始])

  subgraph SuperStep["Super-step 循環"]
    Plan["1. Plan: 計算活躍節點<br/>(版本比較)"]
    Execute["2. Execute: 並行執行<br/>(ThreadPoolExecutor)"]
    Update["3. Update: 聚合通道更新<br/>(channel.update())"]
    Checkpoint["4. Checkpoint: 保存狀態<br/>(sync/async)"]
  end

  Check{還有活躍節點？}
  End([結束])

  Start --> Plan
  Plan --> Execute --> Update --> Checkpoint --> Check
  Check -->|是| Plan
  Check -->|否| End

特點：

確定性：版本追蹤保證相同輸入產生相同結果
並行性：節點天然並行執行
可恢復：任意超步都可作為檢查點恢復

3.2 Google ADK 的事件溯源模型

flowchart TD
  Start([開始])

  subgraph RunnerLoop["Runner Loop"]
    Load["1. 加載 Session + 事件歷史"]
    Loop["2. 代理推理-行動循環<br/>- 調用 LLM<br/>- 執行工具<br/>- 生成 Event"]
    Persist["3. 持久化 Event 到 Session"]
    Compress["4. 可選: 事件壓縮"]
  end

  End([結束])

  Start --> Load --> Loop --> Persist --> Compress --> End

3.3 執行模型對比表

特性	LangGraph (BSP)	Google ADK (事件溯源)
確定性	高 (版本追蹤)	中 (事件順序)
並行性	原生並行節點	順序代理執行
恢復粒度	超步級	事件級
記憶體開銷	通道版本追蹤	事件累積
適用場景	複雜工作流	多代理系統

4. 持久化與狀態管理

4.1 Checkpoint 系統對比

特性	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
持久化方式	CLI 內部	委託 LangGraph	原生 Checkpoint	事件存儲
粒度	會話級	步驟級	超步級	事件級
時間旅行	✗	✗	✓	✗
分支/合併	✗	✗	✓	✗
版本追蹤	✗	✗	✓ (通道版本)	✗

4.2 存儲後端支持

後端	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
內存	✓	✓	✓	✓
SQLite	✗	✓	✓	✓
PostgreSQL	✗	✓	✓	✓
Redis	✗	✓	✗	✗
Spanner	✗	✗	✗	✓
Vertex AI	✗	✗	✗	✓

5. 人在迴圈 (Human-in-the-Loop)

5.1 實現方式對比

框架	實現方式	代碼示例
Claude Agent SDK	Hook 系統	`hooks={"PreToolUse": [...]}`
LangChain V1	HumanInTheLoopMiddleware	`middleware=[HumanInTheLoopMiddleware()]`
LangGraph	interrupt() + Command	`answer = interrupt("Approve?")`
Google ADK	插件回調	`await interrupt({"question": "..."})`

5.2 LangGraph 的中斷機制

LangGraph 提供了最完整的人在迴圈支持：

from langgraph.types import interrupt, Command

def review_node(state: State):
    # 動態中斷 - 等待人工輸入
    approval = interrupt({
        "question": "Approve this action?",
        "data": state["pending_action"]
    })
    if approval:
        return {"approved": True}
    return {"approved": False}

# 靜態中斷點
graph = builder.compile(
    checkpointer=checkpointer,
    interrupt_before=["tools"],   # 工具執行前中斷
    interrupt_after=["chatbot"],  # 聊天後中斷
)

# 恢復執行
result = graph.invoke(
    Command(resume="approved"),
    config={"configurable": {"thread_id": "1"}}
)

5.3 功能對比

特性	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
動態中斷	✓ (Hook)	✓	✓	✓
靜態中斷點	✗	✗	✓	✗
恢復值傳遞	✓	✓	✓ (Command)	✓
中斷 ID 追蹤	✗	✗	✓	✗
狀態編輯	✗	✗	✓	✗

6. 多代理架構

6.1 支持的模式

模式	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
Network (全連接)	✗	✗	✓	✗
Supervisor (監督者)	✗	✗	✓	✓
Hierarchical (分層)	✗	✗	✓ (子圖)	✓ (代理樹)
Handoffs (切換)	✗	✗	✓ (Command)	✓
Sequential (順序)	✗	✗	✓	✓
Parallel (並行)	✗	✗	✓ (Send)	✓

6.2 LangGraph 多代理示例

from langgraph.types import Command, Send

# Supervisor 模式
def supervisor(state: State):
    response = llm.invoke(f"Route to: {agents}")
    return Command(goto=response.agent_name)

# 動態並行 (Map-Reduce)
def route(state: State):
    return [Send("process", {"item": item}) for item in state["items"]]

# 子圖嵌套
subgraph = create_subgraph()
builder.add_node("sub_workflow", subgraph)

6.3 Google ADK 多代理示例

from google.adk.agents import Agent, SequentialAgent, ParallelAgent

# 代理樹
root = Agent(
    name="root",
    sub_agents=[
        SequentialAgent(name="pipeline", sub_agents=[a1, a2]),
        ParallelAgent(name="parallel", sub_agents=[b1, b2]),
    ]
)

7. 流式處理

7.1 流模式對比

模式	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
values (完整狀態)	✓	✓	✓	✓
updates (增量)	✗	✓	✓	✓
messages (LLM token)	✓	✓	✓	✓
custom (自定義)	✗	✗	✓	✓
debug (詳細)	✗	✗	✓	✗

7.2 LangGraph 流式處理

LangGraph 提供了最豐富的流模式：

# 5 種流模式
for chunk in graph.stream(input, stream_mode="values"):    # 完整狀態
    print(chunk)

for chunk in graph.stream(input, stream_mode="updates"):   # 增量更新
    print(chunk)

for chunk in graph.stream(input, stream_mode="messages"):  # LLM token
    print(chunk)

for chunk in graph.stream(input, stream_mode="custom"):    # 自定義
    print(chunk)

for chunk in graph.stream(input, stream_mode="debug"):     # 詳細追蹤
    print(chunk)

# 自定義流寫入
from langgraph.config import get_stream_writer

def my_node(state):
    writer = get_stream_writer()
    writer({"progress": 50})  # 發送自定義信號
    # 處理邏輯...
    writer({"progress": 100})
    return state

8. 開發體驗對比

8.1 快速開始代碼

Claude Agent SDK (最簡潔):

from claude_agent_sdk import query

async for msg in query(prompt="Hello"):
    print(msg)

LangChain V1 (高層 API):

from langchain.agents import create_agent

agent = create_agent(
    model="anthropic:claude-sonnet-4-5-20250929",
    tools=[...]
)
result = agent.invoke({"messages": [...]})

LangGraph (低層控制):

from langgraph.graph import StateGraph, START, END

builder = StateGraph(State)
builder.add_node("chatbot", chatbot)
builder.add_edge(START, "chatbot")
builder.add_edge("chatbot", END)
graph = builder.compile()
result = graph.invoke({"messages": [...]})

Google ADK (企業級):

from google.adk import Agent, Runner
from google.adk.sessions import InMemorySessionService

runner = Runner(
    app_name="app",
    agent=Agent(name="assistant", model="gemini-2.5-flash"),
    session_service=InMemorySessionService()
)
result = runner.run(user_id="u", session_id="s", new_message=content)

8.2 學習曲線

框架	學習曲線	文檔質量	示例數量	概念複雜度
Claude Agent SDK	低	良好	16	低
LangChain V1	中	良好	~20	中
LangGraph	中-高	優秀	30+	高 (BSP, Channel)
Google ADK	高	詳細	60+	中

9. 擴展能力對比

9.1 擴展點數量

擴展類型	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
自定義節點	✗	函數/Runnable	函數/Runnable	Agent/Tool
自定義通道	✗	✗	BaseChannel	✗
自定義存儲	✗	✗	BaseCheckpointSaver	BaseSessionService
中間件/插件	Hook (6點)	AgentMiddleware	✗	BasePlugin (8點)
工具權限	can_use_tool	wrap_tool_call	條件邊	before_tool_callback
LLM 擴展	✗	BaseChatModel (20+)	BaseChatModel	BaseLlm (5+)
傳輸層擴展	Transport ABC	✗	✗	✗

擴展點總數: Claude SDK 8 | LangChain 生態 20+ | Google ADK 15+

9.2 擴展難度

擴展類型	Claude Agent SDK	LangChain 生態	Google ADK
自定義工具	簡單 (@tool)	簡單 (@tool)	簡單 (函數)
自定義節點	N/A	簡單 (函數)	中等 (Agent)
自定義通道	N/A	中等 (ABC)	N/A
自定義存儲	N/A	中等 (ABC)	中等 (ABC)
自定義中間件	中等 (Hook)	簡單 (裝飾器)	中等 (Plugin)

10. 部署和運維

10.1 部署選項

部署方式	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
本地開發	✓	✓	✓	✓
Docker	✗	✓	✓	✓
Kubernetes	✗	✓	✓	✓
LangGraph Cloud	✗	✗	✓	✗
Vertex AI	✗	✗	✗	✓
內建 CLI	✗	✗	✗	✓

10.2 可觀測性

特性	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
日誌	基本	基本	基本	結構化
追蹤	✗	LangSmith	LangSmith	OpenTelemetry
指標	✗	✗	✗	✓
評估框架	✗	✗	✗	✓ (內建)

11. 代碼質量與擴展度綜合評分

11.1 三方對比（將 LangChain V1 + LangGraph 合併為一個生態系統）

評估維度	Claude Agent SDK	LangChain 生態	Google ADK
類型安全	4/5	5/5	4/5
架構清晰度	4/5	5/5	3/5
錯誤處理	3/5	5/5	4/5
測試質量	3/5	5/5	5/5
文檔質量	4/5	5/5	5/5
擴展點數量	2/5	5/5	4/5
擴展難度	4/5	4/5	3/5
組合能力	2/5	5/5	4/5
第三方集成	2/5	5/5	4/5
代碼簡潔度	5/5	3/5	2/5
───────────	───────────	───────────	───────────
代碼質量總分	3.6/5	4.6/5	3.9/5
擴展度總分	2.5/5	4.8/5	3.8/5
綜合評分	3.1/5	4.7/5	3.9/5

12. 適用場景分析

12.1 按框架選擇

框架	最適合場景
Claude Agent SDK	Claude 專屬應用、快速原型、IDE 集成、簡單工作流
LangChain V1	多模型支持、中間件密集、現有 LangChain 生態、結構化輸出
LangGraph	複雜工作流、需要持久化/恢復、人在迴圈、多代理協作、循環圖
Google ADK	企業級應用、Google Cloud 集成、實時音頻、完整平台需求

12.2 決策矩陣

需求	推薦框架	原因
只用 Claude	Claude Agent SDK	最簡單直接
多模型 + 簡單工作流	LangChain V1	高層 API
複雜狀態管理	LangGraph	原生持久化
需要時間旅行	LangGraph	狀態歷史
人在迴圈 (高級)	LangGraph	interrupt/Command
多代理協作	LangGraph 或 ADK	子圖/代理樹
Google Cloud	Google ADK	原生集成
企業部署	Google ADK	完整工具鏈
MCP 工具	Claude Agent SDK	核心功能

12.3 組合使用建議

flowchart TD
  subgraph Combo1["推薦組合 1: LangChain V1 + LangGraph"]
    L1["LangChain V1<br/>高層 create_agent() API"]
    L2["LangGraph<br/>底層持久化和人在迴圈"]
    L1 --> L2
  end

  subgraph Combo2["推薦組合 2: LangGraph + LangChain Core"]
    LG["LangGraph<br/>構建圖"]
    LC["LangChain Core<br/>LLM 和工具"]
    LG --> LC
  end

  subgraph Combo3["推薦組合 3: Google ADK (獨立)"]
    ADK["Google ADK<br/>完整企業級平台"]
  end

  Combo1_use["適合: 需要中間件 + 持久化"]
  Combo2_use["適合: 複雜工作流，最大控制"]
  Combo3_use["適合: Google Cloud 用戶"]

  Combo1 --- Combo1_use
  Combo2 --- Combo2_use
  Combo3 --- Combo3_use

13. 總結

13.1 核心差異一覽

維度	Claude Agent SDK	LangChain V1	LangGraph	Google ADK
設計哲學	簡單直接	可組合中間件	圖編排引擎	企業級平台
代碼量	最少	中等	中等	最多
學習曲線	最低	中等	中-高	最高
靈活性	低	高	最高	中
功能完整度	基礎	中等	中等	完整
生產就緒	開發階段	生產可用	生產可用	企業級
狀態管理	CLI 內部	委託	原生 (核心)	事件溯源

13.2 選擇建議

選 Claude Agent SDK 如果：
- 只使用 Claude 模型
- 需要最快的開發速度
- 不需要複雜的狀態管理
- 想要使用 MCP 工具生態
選 LangChain V1 如果：
- 需要多模型支持
- 重視中間件架構
- 想要高層 API + LangGraph 底層能力
選 LangGraph 如果：
- 需要複雜的圖工作流
- 需要原生持久化和時間旅行
- 需要高級人在迴圈功能
- 需要最大的架構控制
選 Google ADK 如果：
- 構建企業級應用
- 使用 Google Cloud
- 需要完整的 DevOps 工具
- 需要多代理樹結構

附錄：快速參考

A. 安裝命令

# Claude Agent SDK
pip install claude-agent-sdk

# LangChain V1
pip install langchain langchain-anthropic

# LangGraph
pip install langgraph langgraph-checkpoint-sqlite

# Google ADK
pip install google-adk

B. 最小代碼範例

# === Claude Agent SDK ===
from claude_agent_sdk import query
async for msg in query(prompt="Hello"): print(msg)

# === LangChain V1 ===
from langchain.agents import create_agent
agent = create_agent(model="anthropic:claude-sonnet-4-5-20250929")
result = agent.invoke({"messages": [{"role": "user", "content": "Hello"}]})

# === LangGraph ===
from langgraph.graph import StateGraph, START, END
builder = StateGraph(dict)
builder.add_node("echo", lambda x: x)
builder.add_edge(START, "echo")
builder.add_edge("echo", END)
graph = builder.compile()
result = graph.invoke({"message": "Hello"})

# === Google ADK ===
from google.adk import Agent, Runner
from google.adk.sessions import InMemorySessionService
runner = Runner(
    app_name="app",
    agent=Agent(name="a", model="gemini-2.5-flash"),
    session_service=InMemorySessionService()
)
result = runner.run(user_id="u", session_id="s", new_message=content)

C. 官方資源

框架	文檔	源碼
Claude Agent SDK	claude.com/docs	github.com/anthropics/claude-agent-sdk-python
LangChain V1	python.langchain.com	github.com/langchain-ai/langchain
LangGraph	langchain-ai.github.io/langgraph	github.com/langchain-ai/langgraph
Google ADK	cloud.google.com/adk	github.com/google/adk-python