Google ADK чи LangGraph: як обрати agent framework

Google ADK варто перевіряти першим, коли команда хоче один open-source toolkit для agents, tools, sessions, evaluation і керованого шляху до Google Cloud, особливо якщо Gemini, Google Search grounding, Agent Runtime або A2A вже є частиною цільової платформи. LangGraph варто перевіряти першим, коли центральною вимогою є явно змодельований довгий stateful process із тонким контролем вузлів, переходів, checkpoints, interrupts і recovery. Це гіпотези для однакового prototype, а не універсальний рейтинг.

Межа стала менш очевидною: актуальна документація ADK 2.0 додає graph workflows з explicit paths, а LangGraph можна використовувати з різними model і tool integrations без обов’язкового LangChain agent layer. Тому ярлики «ADK лише для Gemini agents» і «LangGraph лише для deterministic graphs» вже недостатні. Рішення має виходити з task shape, authority, failure model і операційного середовища, а не з найдовшого списку features.

• Google-centric agent lifecycle і готові agent primitives → почніть proof з ADK.
• Durable state machine з контрольованим replay → почніть proof з LangGraph.
• Простий tool-calling loop без довгого state → порівняйте обидва з меншою abstraction.
• Consequential writes → framework не замінює application authorization та audit ledger.

ADK має LLM agents для model-led reasoning, custom agents для власної логіки та workflow agents для передбачуваного виконання. Template workflows покривають sequential, parallel і loop patterns; agent teams можуть делегувати через hierarchy та shared session context. Нові graph workflows описують structured graph-based architecture з explicit routes. Це дає кілька рівнів abstraction, але команда повинна зафіксувати, який саме primitive володіє переходом і termination.

LangGraph позиціонується як low-level orchestration framework/runtime. StateGraph описує typed shared state, nodes виконують функції або agentic кроки, edges задають control flow, а subgraphs ізолюють складні підпроцеси. LangGraph свідомо не абстрагує prompt або architecture. Це корисно для bespoke flow, але збільшує вашу відповідальність за state schema, node granularity, termination, tool contracts і тестування кожної transition.

ADK session пов’язує user conversation з events і state; session service визначає, де це зберігається, а memory layer може підтримувати пошук поза поточною сесією. LangGraph розділяє thread-scoped checkpoints і cross-thread stores: checkpointer зберігає snapshots graph state, store — application-defined long-term data. Обидві моделі корисні для continuity, але жодна автоматично не стає джерелом істини для order, payment, entitlement або deployment revision.

Винесіть authoritative entity у domain service, а framework state нехай містить references, version, pending action і evidence. Кожен durable record потребує tenant, schema version, framework/app version, tool fingerprints, retention class і migration policy. Не записуйте неперевірене model summary як довгостроковий факт. Memory write має provenance, confidence або verification state та механізм виправлення.

LangGraph прямо робить persistence і fault-tolerant resume центральними можливостями; checkpoint на межах graph steps дозволяє продовжити thread після interruption або failure. ADK має persistent session services, resume/cancel surfaces та deployment runtimes, але parity для конкретного workflow слід довести failure tests. Наявність saved state не означає exactly-once виконання зовнішньої дії.

Кожен write tool приймає idempotency key і повертає external operation ID. Якщо процес падає після side effect, але до checkpoint, resume спочатку робить read-after-write reconciliation, а не повторний виклик. Тестуйте crash до запиту, після запиту, після відповіді та під час збереження state. Окремо перевірте incompatible schema, expired credential і скасування in-flight run.

ADK підтримує human input, callbacks і action confirmations; LangGraph interrupts можуть pause execution, зберегти state та прийняти команду для resume. Ці механізми добре реалізують review point, але approval UI не є authorization service. Перед consequential call application повторно перевіряє authenticated actor, tenant, resource, exact payload hash, scopes, expiry та актуальний domain state.

Agent, graph node, retrieved page або tool output не можуть розширювати permissions через текст. Зв’яжіть approval з конкретною tool version і arguments; будь-яка зміна після review анулює дозвіл. Policy outage для write path завершується fail-closed terminal state. Operator бачить причину pause, proposed diff, джерела, наслідки й безпечний reject path, а audit event не залежить лише від framework trace.

ADK документує Gemini, Gemma, Claude, OpenAI, Ollama, vLLM і LiteLLM integrations, а також function, MCP, OpenAPI та Google ecosystem tools. Його стратегічний fit найсильніший, коли команда хоче ADK abstractions разом із Google Cloud deployment і Agent Platform capabilities. LangGraph model-agnostic на orchestration layer і часто поєднується з LangChain integrations, хоча його graph можна будувати без LangChain agents.

Provider support у документації не гарантує behavioral parity. Перевірте structured output, parallel tool calls, streaming events, usage accounting, safety settings, context semantics і retry behavior на кожному approved model. Створіть ModelProfile з capabilities та explicit unsupported state. При fallback система не повинна імітувати tool action звичайним текстом або непомітно втрачати schema guarantee.

ADK має evaluation surfaces, local web/CLI/API runtime та documented deployment paths до Agent Runtime, Cloud Run і GKE. LangGraph має open-source runtime, а LangSmith додає tracing, evaluation і managed deployment. Порівнюйте окремо library portability та hosted operations: вибір open-source framework не зобов’язує використовувати vendor cloud, а managed platform додає власні IAM, network, region, retention, cost і exit вимоги.

Власний RunEvent envelope містить task/run ID, framework і version, graph/agent revision, model, active node/agent, state version, tool fingerprint, policy verdict, usage, latency, retry, terminal reason та verified outcome. Prompts і tool arguments можуть містити PII або secrets, тому до pilot перевірте redaction, sampling, tenant isolation, retention і telemetry outage. Trace пояснює trajectory, але прийнятність засвідчує eval та domain outcome.

Візьміть 30–50 representative cases як engineering corpus, не як заяву про статистичну перевагу. Реалізуйте один read-heavy workflow: intake → classify → retrieve → draft → policy review → human approval. Prototype A використовує мінімальні ADK agent/workflow primitives; prototype B — StateGraph з мінімальними nodes. Залиште однаковими model де можливо, tools, fixtures, prompts, budgets і acceptance rubric.

Інжектуйте malformed tool response, prompt injection, rate limit, timeout до і після side effect, process restart, stale state, expired approval, telemetry outage та non-terminating loop. Вимірюйте verified completion, severe errors, duplicate actions, recovery time, reviewer corrections, operator load, latency і cost per accepted outcome. Різниця в токенах без однакової якості не є перемогою.

Rollout проходить offline replay, shadow, read-only canary і лише потім bounded reversible writes. Promotion потребує нуль unauthorized actions, відтворюваного resume, SLO для terminal states та rollback drill. Рішення фіксується ADR зі scope, version snapshot і review date. Ця стаття відображає документацію, перевірену 2026-08-24; активні frameworks потребують повторної capability verification перед закупівлею або міграцією.

Обирайте ADK як перший кандидат, якщо потрібні готові agent/team primitives, кілька мов SDK, Google-oriented tools, sessions/evals і прямий шлях до Google Cloud runtime. Обирайте LangGraph як перший кандидат, якщо graph і state machine є суттю продукту, потрібні explicit transitions, granular checkpoints, interrupts, subgraphs і контроль над довгим recovery lifecycle.

Обирайте простіший application workflow, якщо задача детермінована або один model call із validated tool contract уже проходить acceptance tests. Найкращий framework — той, для якого команда може довести authority boundary, state ownership, failure recovery, outcome quality та exit path на власній задачі. Feature matrix лише формує гіпотезу; production proof приймає рішення.