Quyết định đầu tiên trong bất kỳ dự án agent nào cũng là quyết định đắt giá nhất nếu chọn sai.
Chọn một framework, xây dựng trong ba tháng, rồi phát hiện ra nó không thể biểu diễn state machine của bạn — và lúc đó bạn không phải đang đổi một thư viện, mà đang viết lại cả agent. Đó là lý do các cuộc tranh luận chọn framework agent không bao giờ chết trên internet, và là lý do hướng dẫn này tồn tại: một so sánh cùng tác vụ, cùng công cụ giữa bốn framework quan trọng năm 2026, kèm câu trả lời thẳng thắn mà không tài liệu nào của nhà cung cấp chịu nói — khi nào nên bỏ qua framework hoàn toàn.
Chúng tôi giữ một điều cố định xuyên suốt mọi phần: framework là lớp điều phối, không phải lớp model. Cả bốn đều chấp nhận mọi endpoint tương thích OpenAI, nghĩa là lựa chọn model và lựa chọn framework là hai quyết định tách rời. Sự tách rời đó là xương sống của so sánh này.
Trước khi chọn: Lựa chọn vs Xây dựng vs Giao thức
Điểm chính: chọn framework chỉ là một trong ba quyết định khác nhau — và hầu hết các hướng dẫn so sánh đều gộp chúng lại.
- Xây dựng (construction) nói về cách agent hoạt động bên trong: vòng lặp gọi công cụ, bộ nhớ, các mẫu điều phối. Chúng tôi có hướng dẫn kiến trúc đầy đủ cho lớp đó, và nó lập luận — theo chúng tôi là đúng — rằng bạn nên hiểu vòng lặp trước khi áp dụng một framework.
- Giao thức (protocol) nói về cách agent và công cụ giao tiếp: function calling, MCP, A2A. Đó là một quyết định hoàn toàn riêng biệt, được trình bày trong so sánh giao thức của chúng tôi.
- Lựa chọn (selection) — chính là bài viết này — là việc framework nào, nếu có, bọc quanh lớp xây dựng của bạn.
Thêm một bộ lọc nữa trước khi bạn đọc bất kỳ phần lựa chọn nào: khi nào bạn không cần framework. Một vòng lặp gọi công cụ đơn lẻ, một model, không cần lưu trữ — đó có thể chỉ là khoảng 50 dòng Python dùng trực tiếp SDK, và quickstart của chúng tôi cho thấy lời gọi cơ bản. Mọi framework bên dưới đều là lời giải cho những vấn đề xuất hiện sau khi prototype 50 dòng đó không còn đủ.
Lựa chọn 1: LangGraph — Điều phối đồ thị và hệ sinh thái production
Điểm chính: LangGraph là lựa chọn mặc định cho production với agent có trạng thái phức tạp — đổi lại là đường cong học tập dốc nhất.
LangGraph mô hình hóa agent dưới dạng đồ thị: nodes là các bước, edges là các chuyển tiếp, và đồ thị có trạng thái thật tồn tại giữa các lần chạy. Thiết kế đó mang lại ba thứ mà các framework khác chật vật: checkpointing (agent bị sập tiếp tục từ nơi nó dừng), gián đoạn human-in-the-loop như một primitive hạng nhất, và trạng thái bền vững cho các workflow chạy lâu.
Bản viết lại 1.0 (cuối 2025) đã dọn dẹp API đáng kể — những lời phàn nàn “LangChain cồng kềnh” thống trị giai đoạn 2023-2024 chủ yếu nhắm vào ngăn xếp abstraction cũ, không phải lõi đồ thị. Hệ sinh thái xung quanh nó (tracing, triển khai, tiện ích kiểm thử) trưởng thành nhất trong bốn framework; tài liệu tổng quan LangGraph là tài liệu tham khảo có thẩm quyền cho bề mặt API hiện tại.
Mặt chi phí. Đường cong học tập là có thật: đồ thị, reducers, checkpointers, và gánh nặng tinh thần của câu hỏi “trạng thái của tôi sống ở đâu” là một khái niệm bạn chưa từng có trước đây. Các đội ngũ áp dụng LangGraph mà không có nhu cầu quản lý trạng thái cụ thể sẽ trả khoản thuế đó mà chẳng được gì.
Kiểm chứng thực tế đa nhà cung cấp. LangGraph nói chuyện với mọi endpoint tương thích OpenAI qua lớp model. Trỏ nó vào endpoint hợp nhất của bạn và đồ thị chạy trên bất kỳ cấu hình model routing nào bạn thiết lập — custom routing có thể gửi model rẻ đến các node rẻ và model frontier đến các node quan trọng. Framework khóa điều phối của bạn, không khóa model của bạn.
Phù hợp với: các đội ngũ có workflow phức tạp, có trạng thái, chạy lâu; bất kỳ ai cần checkpoint/resume; các tổ chức sẽ vượt qua các abstraction đơn giản hơn trong vòng một năm.
Lựa chọn 2: CrewAI — Cộng tác theo vai trò, khởi đầu nhanh nhất
Điểm chính: CrewAI là cách nhanh nhất để ra mắt một prototype đa agent — và cũng là cách nhanh nhất để chạm trần khi gặp trạng thái phức tạp.
Đặt cược của CrewAI là hệ thống agent giống như đội nhóm: bạn định nghĩa Agents với vai trò và mục tiêu, Tasks với mô tả, và một Crew điều phối chúng. Abstraction này dễ hiểu với cả người không chuyên — một quản lý sản phẩm có thể xem file định nghĩa CrewAI và hiểu được. Đó là lợi thế thực sự cho các đội ngũ nơi thiết kế agent không thuần túy là một sản phẩm kỹ thuật.
Trần của nó. Mô hình process của CrewAI (thực thi tuần tự và phân cấp) xử lý tốt các workflow tuyến tính và phân nhánh nhẹ. Ngay khi agent của bạn cần vòng lặp có điều kiện, tái lập kế hoạch động, hoặc phục hồi trạng thái chi tiết, bạn đang chống lại abstraction thay vì dùng nó. Lời khuyên thẳng thắn: prototype bằng CrewAI, và dự trù cho việc di trú sang LangGraph hoặc tự viết tay nếu workflow thực sự trở nên có trạng thái.
Chi phí thiết lập thấp tương ứng. Một định nghĩa CrewAI đọc như một đặc tả: agents với vai trò, mục tiêu và backstory; tasks với output kỳ vọng; một crew chạy chúng tuần tự hoặc phân cấp. Bạn có thể có một hệ thống ba agent hoạt động trước giờ ăn trưa — chính vì vậy nó là khuyến nghị mặc định cho các đội sản phẩm đang kiểm chứng một ý tưởng.
Phù hợp với: các đội ngũ ra mắt hệ thống đa agent đầu tiên, tự động hóa kiểu quy trình nghiệp vụ, và bất kỳ ai tối ưu thời gian để có agent đầu tiên hoạt động hơn là dư địa kiến trúc.
Lựa chọn 3: AutoGen — Chế độ bảo trì và cách xử lý
Điểm chính: AutoGen hiện ở chế độ bảo trì — thay vào đó, hãy bắt đầu dự án mới trong hệ sinh thái Microsoft trên Microsoft Agent Framework.
Bản viết lại v0.4 của AutoGen giới thiệu kiến trúc dựa trên actor với các message có kiểu và thực sự có ảnh hưởng — các mẫu hội thoại đa agent, điều phối group chat, và dòng nghiên cứu nó mang lại hiện diện khắp hệ sinh thái agent hiện tại. Nếu bạn có một hệ thống AutoGen đang chạy tốt, nó vẫn chạy tốt; mô hình actor v0.4 không hư hỏng qua một đêm.
Nhưng tình trạng năm 2026 là rõ ràng không bàn cãi: Microsoft đã hợp nhất định hướng agent của mình, AutoGen chuyển sang chế độ bảo trì, và người kế nhiệm là Microsoft Agent Framework (Python và .NET). Chế độ bảo trì nghĩa là sửa bug và cập nhật bảo mật, không phải năng lực mới.
Quy tắc thực tế: đừng bắt đầu dự án mới trên một framework mà nhà cung cấp đã công khai rời đi. Nếu bạn đang dùng stack Microsoft, hãy đánh giá Agent Framework trực tiếp; nếu không, mẫu hội thoại đa agent mà nó truyền cảm hứng — ba lựa chọn còn lại ở đây phục vụ tốt cho nhóm này.
Những gì AutoGen dạy cho hệ sinh thái. Trước khi gạt bỏ hoàn toàn dòng kế thừa này, di sản của nó đáng để nghiên cứu. Mô hình conversation-as-computation — các agent trao đổi message có cấu trúc, group chat như một primitive điều phối — giờ đã phổ biến khắp ngành. Nếu thiết kế của bạn cần hội thoại đa agent tự do với kiểm soát ở cấp message, bạn đang triển khai một ý tưởng của AutoGen; Microsoft Agent Framework và LangGraph đều đưa khái niệm này tiến lên theo cách riêng, nhưng mô hình actor v0.4 ban đầu vẫn là mô hình tinh thần sạch sẽ cho các hệ thống message-passing.
Phù hợp với: các đội ngũ đã đầu tư vào AutoGen (ở lại, lên kế hoạch cửa sổ di trú), và không ai khác nên bắt đầu mới với nó.
Lựa chọn 4: OpenAI Agents SDK — Primitive nhẹ chính thức
Điểm chính: Agents SDK là framework nhẹ nhất — ba primitive, không DSL — và là mặc định tốt nhất cho các đội ngũ trong hệ sinh thái OpenAI.
Agents, Handoffs, Guardrails. Đó là toàn bộ bề mặt của nó. Một Agent bọc một model cộng các công cụ; Handoffs cho phép một agent ủy quyền cho agent khác; Guardrails chạy xác thực input và output bên ngoài vòng lặp model. Không có graph DSL, không có file định nghĩa crew — chỉ là các object Python và async functions, nghĩa là code đọc giống codebase của bạn, không giống codebase của một framework.
SDK nằm trên Responses API (bản thân nó là người kế nhiệm Chat Completions cho công việc agentic), và 2026 là một năm bận rộn về phía nền tảng: các cải thiện về harness model-native và tích hợp chặt chẽ hơn với bộ công cụ agent của OpenAI — xem tài liệu OpenAI Agents SDK để biết bộ tính năng hiện tại. Với các đội ngũ đã cam kết với model OpenAI, đây là con đường production ít ma sát nhất hiện có: bảo trì chính thức, mặc định hợp lý, và không có phụ thuộc bên thứ ba trong lõi agent của bạn.
Sự đánh đổi: các primitive được cố ý làm nhỏ. State machine phức tạp vẫn cần một đồ thị; thiết kế vai trò đa agent nặng vẫn cần thứ gì đó có cấu trúc hơn. Và thiên hướng mặc định của SDK với model OpenAI là một tính năng cho đến khi nó không còn là — chính vì vậy việc tách lớp model mới quan trọng: cùng các object Agent có thể trỏ vào một endpoint hợp nhất tương thích OpenAI với bất kỳ model nào routing của bạn quyết định.
Phù hợp với: các đội ngũ hệ sinh thái OpenAI, lập trình viên hướng production không tin DSL, và bất kỳ ai muốn bề mặt framework nhỏ nhất có thể.
Cùng một tác vụ, bốn framework: một agent production
Điểm chính: các framework khác nhau ít ở khả năng mà nhiều ở những gì chúng làm cho dễ — hãy đo chúng trên các khía cạnh production, không phải video demo.
Lấy một tác vụ: một agent hỗ trợ với quyền truy cập công cụ (tra cứu ticket, điều kiện hoàn tiền), bộ nhớ cuộc hội thoại, và một bước phê duyệt của con người cho các khoản hoàn tiền vượt ngưỡng. Khoảng 150-250 dòng mỗi framework. Khác biệt cấu trúc:
| Khía cạnh | LangGraph | CrewAI | AutoGen | Agents SDK |
|---|---|---|---|---|
| State & persistence | hạng nhất (checkpointers) | theo phiên | message dựa trên actor | theo phiên |
| Human-in-the-loop | primitive gián đoạn | cấp tác vụ | cấp hội thoại | chỉ guardrails |
| Debugging & tracing | hệ sinh thái trưởng thành | cơ bản | cơ bản | chính thức + bên thứ ba |
| Phục hồi lỗi | tiếp tục từ checkpoint | khởi động lại tác vụ | phát lại message | retry wrapper |
| Khả năng chuyển model | endpoint tương thích OpenAI | tương tự | tương tự | tương tự (mặc định OpenAI) |
| Đường cong học tập | dốc | nhẹ nhàng | vừa phải | nhẹ nhàng |
Cột quyết định dự án của bạn: state và phục hồi. Nếu một job chạy qua đêm bị sập phải tiếp tục giữa chừng đồ thị, LangGraph là framework duy nhất nơi đó là một tính năng được thiết kế. Nếu agent của bạn là request-response không trạng thái với công cụ, Agents SDK hoàn thành công việc với một phần nhỏ của bộ máy.
Hai điều bảng không thể hiện được, và cả hai đều quan trọng hơn các hàng: trải nghiệm debugging và sự quen thuộc của đội ngũ. Mọi framework ở đây đều debug được; không cái nào dễ debug một khi agent đang làm việc thật. Trace một lần chạy đa bước thất bại trong LangGraph, bạn đi qua đồ thị; trong Agents SDK, bạn đọc một trace các primitive. Cả hai đều dùng được. Trục quen thuộc của đội ngũ mới là trục thực sự quyết định: một framework đội bạn đã biết nửa vời thắng một framework vượt trội về kỹ thuật mà không ai review được. Đó là một quyết định tuyển dụng và đào tạo đội lốt quyết định công nghệ.
Về lock-in, nói thẳng. Mọi framework ở đây đều là lock-in ở lớp điều phối — đó là ý nghĩa của việc áp dụng một framework. Cách giảm thiểu không phải là “chọn cái ít lock-in nhất”, mà là giữ lớp model tách rời: cả bốn đều nhắm tới endpoint tương thích OpenAI, nên việc đổi model — hoặc nhà cung cấp, khi giá thay đổi — là một thay đổi cấu hình, không phải viết lại. Đó là mẫu mà hướng dẫn tối ưu production của chúng tôi gọi là “models as configuration”, và nó là lock-in duy nhất bạn thực sự tránh được.
Ma trận quyết định: Quy mô đội ngũ × Độ phức tạp
Điểm chính: mặc định chọn framework nhỏ nhất biểu diễn được trạng thái của bạn — và khi phân vân, đừng dùng framework nào cả.
| Workflow đơn giản | Workflow có trạng thái phức tạp | |
|---|---|---|
| Một mình / đội nhỏ | Agents SDK (hoặc raw SDK) | LangGraph, chỉ khi state là thật |
| Đội sản phẩm | CrewAI (ra mắt nhanh nhất) | LangGraph |
| Stack Microsoft | Microsoft Agent Framework | Microsoft Agent Framework |
Ba mặc định, nói rõ ràng:
- Chưa có framework? Bắt đầu với raw SDK và mẫu unified-client — hầu hết prototype không cần framework, và những prototype không cần framework sẽ dạy bạn thứ bạn thực sự cần.
- Cần state hoặc resume? LangGraph. Không gì khác trong so sánh này coi persistence là tính năng cốt lõi.
- Đã cam kết với OpenAI, muốn production với nghi thức tối thiểu? Agents SDK. Nó chính thức, nhỏ gọn, và không cản đường bạn.
Một cảnh báo để kết thúc: tài liệu của mọi framework đều do nhà cung cấp framework viết, và tài liệu của mọi nhà cung cấp đều giả định bạn đã chọn họ. Lớp protocol và lớp construction mà chúng tôi liên kết ở trên vẫn hữu ích dù bạn chọn framework nào — hoặc không chọn framework nào.
Một bài kiểm tra đánh giá 30 phút. Lấy một tác vụ thật từ backlog của bạn và xây nó hai lần: một lần với raw SDK, một lần với ứng viên framework hàng đầu. So sánh bốn thứ — số dòng code, hành vi khi lần chạy bị sập, cách bạn thêm bước phê duyệt của con người, và cách bạn đổi model. Bốn câu hỏi, một buổi chiều. Nếu framework không thắng ở ít nhất hai trong số đó, bạn không cần nó.
Câu hỏi thường gặp
Nên học framework nào trong năm 2026?
Học vòng lặp gọi công cụ thô trước — nó chỉ ~50 dòng và là cùng một vòng lặp bên trong mọi framework. Sau đó học LangGraph nếu công việc của bạn liên quan đến state, hoặc OpenAI Agents SDK nếu bạn đang dùng stack OpenAI. Thứ tự học quan trọng hơn lựa chọn framework.
Framework có khóa tôi lại không?
Có, ở lớp điều phối — và điều đó ổn. Thứ bạn phải tránh là model lock-in: cả bốn framework đều chấp nhận endpoint tương thích OpenAI, nên hãy giữ lớp model sau một endpoint hợp nhất và việc đổi nhà cung cấp chỉ dừng ở cấp cấu hình, không phải cấp viết lại.
CrewAI có xử lý được workload production không?
Có, cho các workflow tuyến tính và phân nhánh nhẹ — hàng nghìn đội ngũ chạy điều phối kiểu CrewAI trong production. Ngay khi bạn cần vòng lặp có điều kiện, tái lập kế hoạch động, hoặc phục hồi từ checkpoint, hãy di trú sang LangGraph hoặc một đồ thị tự viết trước khi workflow chống lại bạn.
Khác biệt giữa framework và MCP là gì?
Chúng trả lời những câu hỏi khác nhau. MCP chuẩn hóa cách agent nói chuyện với công cụ và server; framework chuẩn hóa cách bạn điều phối agent. Bạn có thể dùng MCP servers từ bất kỳ framework nào — so sánh giao thức của chúng tôi bao quát nơi chúng chồng lấn và nơi chúng không.
AgentKit có giống OpenAI Agents SDK không?
Không. Agents SDK là thư viện Python và TypeScript để xây agent bằng các primitive. AgentKit là trình xây dựng agent cấp cao hơn của OpenAI, nhắm tới các đội sản phẩm lắp ráp agent từ một giao diện. Nếu bạn viết code, hãy bắt đầu với Agents SDK; nếu bạn lắp ráp từ dashboard, AgentKit là con đường. Cả hai dùng chung Responses API bên dưới, nên lớp model vẫn tương thích dù đi theo hướng nào.
Làm sao đánh giá một framework trong một buổi chiều?
Chạy bài kiểm tra bốn câu hỏi: xây một tác vụ backlog bằng raw SDK, rồi bằng framework ứng viên, và so sánh số dòng code, hành vi khi sập, cách thêm bước phê duyệt của con người, và cách đổi model. Một framework thắng ít hơn hai trong số đó không xứng với abstraction của nó — và cách sửa rẻ nhất là đừng áp dụng nó.
Dùng framework có làm agent của tôi chậm hơn không?
Chi phí overhead của abstraction là nhỏ — vài phần trăm trên hầu hết workload — và thường bị độ trễ model át đi. Framework không làm agent chậm; model routing kém mới làm agent chậm. Hãy định tuyến model rẻ đến node rẻ và khoản thuế framework trở thành nhiễu.
Tôi có thể dùng hai framework trong một dự án không?
Đừng trộn chúng trong cùng một agent — bạn sẽ thừa hưởng cả hai abstraction và không cái nào có câu chuyện debugging rõ ràng. Chạy framework khác nhau ở dự án khác nhau (hoặc service khác nhau) thì ổn; một endpoint model dùng chung giữ chi phí so sánh được giữa cả hai.
Tóm tắt
Khi nói đến framework agent AI, LangGraph làm chủ trạng thái phức tạp, CrewAI làm chủ tốc độ ra mắt, Agents SDK làm chủ nghi thức tối thiểu, và AutoGen là di sản chế độ bảo trì bạn không nên bắt đầu. Các framework khác nhau ít về năng lực mà nhiều về những gì chúng làm cho dễ — vậy hãy chọn cái nhỏ nhất biểu diễn được trạng thái của bạn, và giữ lớp model sau một endpoint hợp nhất để quyết định framework chỉ là quyết định framework, không gì hơn.
Hãy chọn framework sau khi đã đo lường, không phải trước. Lấy API key TokSpan của bạn — $5 tín dụng đầu tiên miễn phí — và chạy cùng một workload qua vài model; những biểu đồ sẽ phân xử cuộc tranh luận mà internet không phân xử nổi.