核心的な結論
Steelチームは5月4日にAgent Cookbookを更新し、同一タスクを同一ツールセットで8つの主要エージェントフレームワークAcrossで実装しました。この「変数制御」比較アプローチは、現在入手可能な最も公平なフレームワーク横断評価であり、開発者のフレームワーク選定に直接参考を提供します。
何が起こったのか
SteelのCookbookがカバーする8つのフレームワーク：
| フレームワーク | 言語 | コアポジショニング | 特徴 |
|---|---|---|---|
| LangChain | Python/JS | 汎用AIアプリケーションフレームワーク | 最大のエコシステム、最も包括的なドキュメント、中程度の学習曲線 |
| Mastra | TypeScript | フルスタックAIフレームワーク | ワークフロー、RAG、エージェントオーケストレーション内蔵、TypeScriptネイティブ |
| Pydantic AI | Python | タイプセーフなAIアプリケーション | Pydanticを活用した構造化出力とバリデーション |
| Vercel AI SDK | TypeScript | フロントエンドAI統合 | ストリーミングレスポンス、UIコンポーネント、Next.jsとの深い統合 |
| Anthropic Agent SDK | Python/JS | Claudeネイティブエージェント | Claudeのツール呼び出しと長文コンテキストに深く最適化 |
| OpenAI Agent SDK | Python | OpenAIネイティブエージェント | GPTのツール呼び出しと関数呼び出しに深く最適化 |
| LlamaIndex | Python | RAG専用フレームワーク | データインデックスと検索能力が最強 |
| CrewAI | Python | マルチエージェントオーケストレーション | 役割分担、タスク委任、協働ワークフロー |
このCookbookの価値は変数の排除にあります — 同じタスク、同じツール定義、同じモデル呼び出し。唯一の違いはフレームワークAPIとアーキテクチャパターンです。これにより、コード行数、実装の複雑さ、可読性を直接比較できます。
フレームワーク選定ガイド
シナリオ1：迅速なプロトタイピング
1日で動作するエージェントプロトタイプが必要な場合：
| 優先度 | フレームワーク | 理由 |
|---|---|---|
| 1 | Vercel AI SDK | Next.jsとのシームレスな統合、UI + Agent一体型 |
| 2 | LangChain | ドキュメント豊富、例が多い、コミュニティの回答が探しやすい |
| 3 | Mastra | TypeScriptフルスタック、内蔵ワークフローエンジン |
シナリオ2：本番級エージェントシステム
長期的なメンテナンスのために本番環境にデプロイする場合：
| 優先度 | フレームワーク | 理由 |
|---|---|---|
| 1 | Anthropic Agent SDK | Claudeを使用する場合、これが最適解（ツール呼び出しのレイテンシが最低） |
| 2 | OpenAI Agent SDK | GPTを使用する場合、これが最適解（関数呼び出しが最も安定） |
| 3 | Pydantic AI | タイプセーフ、出力フォーマットの厳格な要件があるシナリオに適している |
シナリオ3：マルチエージェント協働
複数のエージェントが分工協力する必要があるシナリオ：
| 優先度 | フレームワーク | 理由 |
|---|---|---|
| 1 | CrewAI | マルチエージェント協働専用に設計、役割/タスク/プロセスの抽象化が最も完全 |
| 2 | Mastra | 内蔵ワークフローオーケストレーション、並列と直列をサポート |
| 3 | LangGraph (LangChain) | ステート図方式でマルチエージェントをオーケストレーション、柔軟だが学習コストが高い |
コードの複雑さ比較
Steel Cookbookの実装に基づく、同一タスクにおける8つのフレームワークのコード行数見積もり：
| フレームワーク | コード行数 | 設定の複雑さ | 習得難易度 |
|---|---|---|---|
| Vercel AI SDK | 約50行 | 低 | ⭐ |
| LangChain | 約80行 | 中 | ⭐⭐ |
| Mastra | 約60行 | 低 | ⭐⭐ |
| Pydantic AI | 約70行 | 中 | ⭐⭐ |
| Anthropic Agent SDK | 約45行 | 低 | ⭐ |
| OpenAI Agent SDK | 約45行 | 低 | ⭐ |
| LlamaIndex | 約100行 | 高 | ⭐⭐⭐ |
| CrewAI | 約90行 | 中 | ⭐⭐ |
重要な発見：モデルベンダーネイティブSDK（Anthropic/OpenAI）のコード量が最も少ないのは、クロスモデル抽象化レイヤーを省略しているためです。しかし、システムでモデルを切り替える必要がある場合、LangChainやMastraのクロスモデル抽象化の方が価値があります。
市場分析
2026年のエージェントフレームワークは2つの方向に分岐しています：
- モデルネイティブ派：Anthropic Agent SDK、OpenAI Agent SDK — 単一モデルに深く結合、究極のパフォーマンスと開発者体験を追求
- クロスモデル派：LangChain、Mastra、Vercel AI SDK — モデル抽象化レイヤーを提供、柔軟性と移植性を追求
どちらの方向を選ぶかはビジネスニーズによります：
- 製品が特定のモデルの能力（Claudeの長文コンテキストなど）に深く依存する場合、ネイティブSDKを選択
- モデルの柔軟な切り替えやマルチモデルA/Bテストが必要な場合、クロスモデルフレームワークを選択
アクション提言
| 役割 | 提言 |
|---|---|
| 新規開発者 | Steel Cookbookから始め、2〜3のフレームワークの実装を見て、異なるAPIスタイルを感じてから決定してください |
| 技術選定 | 「最大エコシステム」に绑架されないでください。LangChainのエコシステムが大きくても、あなたのシナリオに適合するとは限りません。コードの複雑さとメンテナンスコストを見てください |
| チームリーダー | チームのフレームワーク選定を統一することは、「最適なフレームワーク」を追求するよりも重要です。フレームワークの切り替えコストは予想よりはるかに高いです |