CrewAI vs LangGraph vs AutoGen: Jak vybrat framework 2026

Volba mezi CrewAI, LangGraph a AutoGen není o tom, který z nich je lepší. Všechny tři jsou v dubnu 2026 produkčně použitelné, všechny mají MIT licenci a všechny umí volat libovolný model. Otázka zní: jakému programátorovi kód předáte za šest měsíců a jak moc se workflow bude větvit. Špatná volba vás bude stát 40–120 000 Kč za refaktor — přitom rozhodnutí se dá udělat za pět minut. Článek srovnává tři frameworky na jednom konkrétním scénáři, sestaví rozhodovací strom pro typické české situace a ukáže, kolik vás odpovídající licence a observability vyjde za rok v korunách.

1. Tři frameworky, tři mentální modely

Stručně: CrewAI myslí v rolích („analytik", „redaktor", „kontrolor"), LangGraph v uzlech a hranách stavového grafu, AutoGen v konverzacích mezi agenty. Každý model vás nutí strukturovat problém jinak a vybírá se podle toho, který tvar nejlíp sedí vaší úloze — ne podle popularity na GitHubu.

CrewAI vznikl v roce 2023 okolo jednoduché metafory: dáte programu tým lidí s popisem rolí a cílů, napíšete úkoly, stisknete spustit. Základní stavební bloky jsou čtyři třídy — Agent, Task, Crew a Process. Framework za vás řeší předávání kontextu mezi úkoly, volání modelu a základní retry logiku. Díky tomu je bariéra vstupu nejnižší ze tří — první crew napíšete za hodinu a funguje. Cena za jednoduchost je slabá kontrola nad cykly a složitějším řízením toku.

LangGraph od LangChainu jde opačnou cestou. Workflow modeluje jako orientovaný graf: definujete stav (Pydantic nebo TypedDict), uzly (funkce, které stav transformují) a hrany (včetně podmíněných). Framework explicitně ukládá stav po každém kroku do Checkpointeru (SQLite, Postgres, Redis), což umožňuje zastavit výpočet, vrátit se o krok zpátky nebo počkat na zásah člověka. Právě kvůli této produkční odolnosti ho vybírají firmy jako Harvey AI, Decagon a většina legal-tech nasazení, která v minulém kvartále publikovala architektonické postmortemy.

AutoGen vyšel z Microsoft Research v roce 2023 s tezí „agenti si mezi sebou povídají, aby vyřešili úlohu". Základní třídy jsou AssistantAgent (LLM), UserProxyAgent (člověk nebo jeho zástupce) a GroupChat (několikastranný dialog). Verze 0.4 (jaro 2025) framework přepsala na asynchronní event-driven architekturu, rozdělila ho na vrstvy autogen-core, autogen-agentchat a autogen-ext a přidala nativní podporu MCP (Model Context Protocol). Studio GUI umožňuje netechnickým analytikům sestavit agenta bez kódu, což je silná karta v Microsoft-centric organizacích. Pro čistě vizuální stavbu RAG aplikací a agentů bez kódu mimo Microsoft stack je dnes nejzralejší alternativou open-source platforma Dify.

2. Srovnání deseti kritérií v jedné tabulce

Stručně: Všechny tři frameworky mají MIT licenci, všechny podporují nejpoužívanější modely a všechny jedou v Pythonu. Rozdíly leží v tom, jak explicitně řídíte stav, zda potřebujete TypeScript, jak dobré máte observabilní nástroje a kde najdete vývojáře. Tabulka níže shrnuje deset kritérií, která v praxi rozhodují o nákupu.

Tabulka vytváří dojem, že LangGraph je „univerzálně lepší" — native všechno, produkční nástroje, multi-jazykový. To je pravda v abstraktní rovině, ale každá z těchto schopností stojí řádky kódu, které v CrewAI neexistují. Rozdíl uvidíte nejrychleji na konkrétní implementaci, kterou ukazuje další sekce.

3. Stejný úkol, tři implementace

Stručně: Modelový úkol je triage příchozích zákaznických emailů: klasifikace (reklamace / dotaz / spam), vygenerování odpovědi a zaslání přes SMTP. Stejná logika, stejný model (Claude Haiku 4.5), tři frameworky. CrewAI: 22 řádků. LangGraph: 45 řádků. AutoGen: 30 řádků. Čím více boilerplate, tím více kontroly nad chováním.

CrewAI — 22 řádků

from crewai import Agent, Task, Crew

triage = Agent(
    role="Email triage analyst",
    goal="Klasifikuj email a navrhni odpověď",
    backstory="Zkušený support agent v české SaaS firmě.",
    llm="claude-haiku-4-5"
)

sender = Agent(
    role="Email sender",
    goal="Odešli odpověď přes SMTP",
    tools=[smtp_send_tool],
    llm="claude-haiku-4-5"
)

classify = Task(
    description="Klasifikuj email: {email}. Vrať JSON {kategorie, odpovec}.",
    agent=triage, expected_output="JSON"
)

send = Task(description="Odešli {odpovec} na {adresa}.", agent=sender)

crew = Crew(agents=[triage, sender], tasks=[classify, send])
crew.kickoff(inputs={"email": raw_email, "adresa": sender_addr})

LangGraph — 45 řádků

from typing import TypedDict
from langgraph.graph import StateGraph, END
from langgraph.checkpoint.sqlite import SqliteSaver

class State(TypedDict):
    email: str
    kategorie: str
    odpovec: str
    odeslano: bool

def classify(state: State) -> State:
    out = llm.invoke(f"Klasifikuj: {state['email']}. JSON.")
    return {**state, "kategorie": out["kategorie"], "odpovec": out["odpovec"]}

def send_node(state: State) -> State:
    smtp_send(state["odpovec"])
    return {**state, "odeslano": True}

def route(state: State) -> str:
    if state["kategorie"] == "spam":
        return END
    return "send"

graph = StateGraph(State)
graph.add_node("classify", classify)
graph.add_node("send", send_node)
graph.set_entry_point("classify")
graph.add_conditional_edges("classify", route, {"send": "send", END: END})
graph.add_edge("send", END)

app = graph.compile(checkpointer=SqliteSaver.from_conn_string("runs.db"))
app.invoke({"email": raw_email}, config={"configurable": {"thread_id": "t1"}})

AutoGen — 30 řádků

from autogen_agentchat.agents import AssistantAgent, UserProxyAgent
from autogen_agentchat.teams import RoundRobinGroupChat
from autogen_ext.models.anthropic import AnthropicChatCompletionClient

model = AnthropicChatCompletionClient(model="claude-haiku-4-5")

triage = AssistantAgent(
    name="triage",
    model_client=model,
    system_message="Klasifikuj email a navrhni odpověď v JSON."
)

sender = AssistantAgent(
    name="sender",
    model_client=model,
    tools=[smtp_send_tool],
    system_message="Odešli připravenou odpověď přes SMTP."
)

team = RoundRobinGroupChat([triage, sender], max_turns=2)
await team.run(task=f"Email: {raw_email}")

4. Rozhodovací strom: pět otázek, tři verdikty

Stručně: Pokud workflow obsahuje cykly nebo human-in-the-loop, volte LangGraph. Pokud jste v Microsoft ekosystému a potřebujete Studio GUI, volte AutoGen. Zbytek řeší CrewAI. Pět otázek stačí k rozhodnutí a dá se to udělat za pět minut.

Strom má záměrně jedno hluché místo: otázku, zda potřebujete konverzační multi-agent patterny (několik agentů, co si mezi sebou vyjednávají výstup — typicky debata, kritika, role recenzenta). Tam AutoGen stále drží výhodu přes GroupChat a nový Swarm, ale v produkci jde o menšinu úloh — většinu agentních nasazení v českých firmách tvoří jednodušší pipeline, kde jeden agent provede více kroků sekvenčně nebo podmíněně.

Pátá otázka, která strom nepokrývá: plánujete framework vyměnit za 12 měsíců? Pokud ano, CrewAI je férová volba i v situacích, kde „by se slušel" LangGraph — jednodušší kód se pohodlněji přepíše. Pokud ne, vyšší investice do LangGraphu dnes ušetří refaktor zítra.

5. Kolik to stojí: hodiny, koruny a refaktor

Stručně: Junior Python developer s dvouletou zkušeností zvládne první funkční CrewAI crew za jeden pracovní den (8–16 hodin). LangGraph vyžaduje ~týden (40–60 hodin), protože je potřeba pochopit modelování stavu a persistence. AutoGen se pohybuje uprostřed (24–40 hodin), ale čas ubíhá hledáním v0.4 příkladů mezi starými v0.2 tutoriály. Refaktor mezi frameworky dělá 40 000 Kč pro prototyp a 120 000 Kč pro produkční pipeline s 2–4 agenty.

Kalkulace počítá s průměrnou sazbou 1 200 Kč/h pro středně zkušené Python vývojáře (trh 2026) a 70–100 hodinami refaktoru pro malý produkční pipeline. Skrytou položkou je čas na učení u LangGraphu: tým, který nikdy s grafem stavových strojů nepracoval, ztrácí prvních 20–30 hodin přestavbou mentálního modelu. U CrewAI tahle bariéra neexistuje, u AutoGenu je nižší, ale kompenzuje ji fragmentovaná dokumentace — juniorovi se snadno podaří sešít kód ze dvou nekompatibilních verzí a půl dne ladit kryptickou chybu.

6. Pět typických českých situací a doporučení

Stručně: Většina českých agentních nasazení, se kterými se setkávají CZ konzultanti, spadá do pěti archetypů. Rozhodovací matice níže nejsou obecně platná pravda, ale aplikace stromu z předchozí sekce na reálné případy z trhu.

Matice potvrzuje intuici z předchozích sekcí: tři z pěti scénářů jsou CrewAI nebo LangGraph teritoriem, AutoGen vyhrává konkrétní nika (IDE kódový asistent). Pokud vaše situace nesedí do žádného archetypu, projděte znovu rozhodovací strom z předchozí sekce a ignorujte tuhle tabulku — váš případ je pravděpodobně unikátní.

Často kladené otázky