Die Wahl des richtigen Frameworks ist eine der wichtigsten Entscheidungen bei der Entwicklung von AI Agents. Dieser Vergleich analysiert die führenden Frameworks — LangChain/LangGraph, CrewAI, AutoGen und Semantic Kernel — und hilft bei der Auswahl für Ihr Projekt. Eine Vorbemerkung zu den beiden Microsoft-Frameworks: Microsoft hat AutoGen und Semantic Kernel im April 2026 im Microsoft Agent Framework zusammengeführt und bezeichnet es als direkten Nachfolger beider. AutoGen steht im Maintenance-Modus und wird laut eigenem Repository-Hinweis von der Community gepflegt; für Semantic Kernel sagt Microsoft keine Korrekturpflege zu, das Repository wird aber weiterhin bearbeitet — der letzte Commit stammt vom 7. September 2026. Das Agent Framework selbst ist inzwischen in Version 1.0 als produktionsreife Veröffentlichung mit stabilen Schnittstellen verfügbar. Für neue Projekte im Microsoft-Umfeld ist es deshalb die Ausgangswahl; die folgenden Abschnitte beschreiben, was bestehende Installationen weiterhin leisten.
Überblick: Die Big Four
| Kriterium | LangChain/LangGraph | CrewAI | AutoGen | Semantic Kernel |
|---|---|---|---|---|
| Entwickler | LangChain Inc. | CrewAI Inc. | Microsoft | Microsoft |
| Sprache | Python, JS/TS | Python | Python | C#, Python, Java |
| Fokus | Flexible AI Chains | Multi-Agent Teams | Konversations-Agents | Enterprise .NET |
| Lernkurve | Mittel-Steil | Niedrig-Mittel | Mittel | Mittel |
| GitHub Stars (Stand 8. September 2026) | 145'912 | 58'223 | 60'867 | 28'543 |
| Lizenz | MIT | MIT | MIT für den Code | MIT |
| Ideal für | Komplexe RAG + Agents | Team-basierte Agents | Code-generierende Agents | Azure/.NET Umgebungen |
LangChain und LangGraph
Stärken
LangChain ist das älteste und umfangreichste Framework im AI-Agent-Ökosystem:
- Riesiges Ökosystem: Hunderte von Integrationen (LLMs, Vektordatenbanken, Tools)
- LangGraph: Erweitert LangChain um Graph-basierte Agent-Workflows mit Zustandsmanagement
- LangSmith: Integriertes Monitoring und Debugging
- Flexibilität: Unterstützt jeden erdenklichen Agent-Pattern
- Community: Grösste Community, umfangreiche Dokumentation
Schwächen
- Komplexität: Steile Lernkurve, viele Abstraktionsschichten
- Häufige API-Änderungen: Breaking Changes zwischen Versionen
- Overhead: Für einfache Use Cases oft überdimensioniert
Ideal für
- Komplexe RAG-Anwendungen mit vielen Datenquellen
- Custom Agent-Architekturen mit spezifischen Anforderungen
- Teams mit Python-Erfahrung und Zeit zum Lernen
Beispiel: Research Agent mit LangGraph
# Vereinfachtes Beispiel
from langgraph.graph import StateGraph
workflow = StateGraph(ResearchState)
workflow.add_node("research", research_agent)
workflow.add_node("summarize", summary_agent)
workflow.add_node("validate", validation_agent)
workflow.add_edge("research", "summarize")
workflow.add_edge("summarize", "validate")CrewAI
Stärken
CrewAI wurde speziell für Multi-Agent-Zusammenarbeit entwickelt:
- Intuitive API: Agents werden mit Rolle, Ziel und Backstory definiert
- Einfache Koordination: Automatische Aufgabenverteilung und Kommunikation
- Schneller Einstieg: Von Null zum funktionierenden Multi-Agent-System in Stunden
- Prozess-Typen: Sequential, Hierarchical, Custom
- Tool-Integration: Einfaches Einbinden externer Tools
Schwächen
- Weniger flexibel: Fokussiert auf Multi-Agent-Pattern, weniger für Single-Agent-Use-Cases
- Jüngeres Ökosystem: Weniger Integrationen als LangChain
- Weniger Kontrolle: Abstrahiert viele Details weg
Ideal für
- Multi-Agent Systeme mit klaren Rollen
- Teams, die schnell produktive Ergebnisse brauchen
- Projekte mit definierten Workflows und Rollen
Beispiel: Content-Team
from crewai import Agent, Task, Crew
researcher = Agent(
role="Senior Research Analyst",
goal="Finde aktuelle und präzise Informationen",
tools=[web_search, document_reader]
)
writer = Agent(
role="Content Writer",
goal="Erstelle hochwertigen Content auf Deutsch",
tools=[writing_tool]
)
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task],
process=Process.sequential
)AutoGen (Microsoft)
Stärken
AutoGen steht im Maintenance-Modus. Das Repository hält fest, dass es keine neuen Funktionen mehr erhält und von der Community gepflegt wird; eine Korrekturpflege durch Microsoft sagt es nicht zu. Der letzte Commit stammt vom 15. April 2026. Für bestehende Installationen bleiben seine Eigenschaften relevant; sein Schwerpunkt ist konversationsbasierte Agent-Interaktion:
- Konversations-Pattern: Agents kommunizieren über natürlichsprachige Dialoge
- Code-Ausführung: Agents können Code schreiben, ausführen und debuggen
- Human-in-the-Loop: Nahtlose Integration menschlicher Entscheidungen
- Microsoft-Ökosystem: Tiefe Azure- und M365-Integration
- GroupChat: Mehrere Agents in einem Chat-Raum
Schwächen
- Maintenance-Modus: Keine neuen Funktionen mehr, und die Pflege liegt bei der Community. Microsoft verweist Neueinsteiger auf das Microsoft Agent Framework und stellt einen Migrationsleitfaden bereit.
- Zwei Lizenzdateien: Der Code steht unter MIT (Datei
LICENSE-CODE), die Inhalte unter Creative Commons Attribution 4.0 (DateiLICENSE). Verzeichnisse und Übersichtsartikel geben oft nur die zweite an und lassen AutoGen dadurch als CC-lizenziertes Projekt erscheinen. Für den kommerziellen Einsatz des Codes ist die MIT-Datei die massgebliche. - Weniger strukturiert: Konversationsbasiert kann zu unvorhersehbarem Verhalten führen
- Debugging: Konversationsfluss schwer zu debuggen
Ideal für
- Bestehende Installationen mit code-generierenden und ausführenden Agents
- Bestandsprojekte im Microsoft-Ökosystem (Azure, M365); für neue Projekte Microsoft Agent Framework
- Research- und Analyse-Agents
Semantic Kernel (Microsoft)
Das Repository stellt Semantic Kernel selbst als abgelöst dar und bezeichnet das Microsoft Agent Framework als unternehmenstauglichen Nachfolger; ein Migrationsleitfaden steht bereit. Anders als AutoGen ist Semantic Kernel aber nicht stillgelegt — der letzte Commit stammt vom 7. September 2026. Die folgenden Eigenschaften gelten für Bestandsinstallationen.
Stärken
- Enterprise-ready: Designed für grosse Organisationen
- Multi-Language: C#, Python, Java
- .NET-Integration: Ideal für bestehende .NET-Codebases
- Plugin-System: Modulare Erweiterung
- Azure OpenAI: Nahtlose Integration
Schwächen
- Abgelöst: Das Repository verweist für neue Projekte auf das Microsoft Agent Framework. In welchem Umfang Semantic Kernel selbst noch weiterentwickelt wird, sagt Microsoft nicht zu; die Commit-Tätigkeit hält an
- Kleinere Community: Weniger Tutorials und Beispiele
- C#-lastig: Beste Erfahrung in C#, Python-Support nachrangig
- Weniger Agent-fokussiert: Stärker auf AI-Funktionen als auf autonome Agents
Vertiefen Sie Ihr Wissen:
Ideal für
- .NET/C#-Unternehmen mit Azure-Infrastruktur
- Enterprise-Projekte mit strikten Compliance-Anforderungen
- Teams mit C#-Expertise
Entscheidungshilfe: Welches Framework für welchen Use Case?
Szenario 1: RAG-basierter Wissens-Agent
Empfehlung: LangChain/LangGraph
Gründe: Beste RAG-Integrationen, flexible Retrieval-Pipelines, umfangreiches Vektordatenbank-Ökosystem
Szenario 2: Multi-Agent Content-Team
Empfehlung: CrewAI
Gründe: Intuitive Rollen-Definition, automatische Koordination, schneller Einstieg
Szenario 3: Code-generierender Agent
Empfehlung: Microsoft Agent Framework (Nachfolger von AutoGen)
Gründe: Übernimmt die Agent-Abstraktionen von AutoGen, ergänzt sie um graphbasierte Workflows und Zustandsverwaltung. AutoGen selbst nur noch für Bestandsprojekte.
Szenario 4: Enterprise .NET-Umgebung
Empfehlung: Microsoft Agent Framework (Nachfolger von Semantic Kernel)
Gründe: Native .NET-Unterstützung, Azure-Integration und Enterprise-Features aus Semantic Kernel, jetzt im aktiv weiterentwickelten Framework.
Szenario 5: Schweizer KMU ohne Entwicklerteam
Empfehlung: n8n oder Make mit AI-Nodes
Gründe: Visuelle Erstellung, kein Code nötig, schnelle Ergebnisse
Kosten-Vergleich
| Framework | Lizenzkosten | Hosting | LLM-APIs | Gesamtkosten/Monat |
|---|---|---|---|---|
| LangChain | Kostenlos (MIT) | CHF 50-200 | CHF 100-1'000 | CHF 150-1'200 |
| CrewAI | Kostenlos (MIT) | CHF 50-200 | CHF 100-1'500 | CHF 150-1'700 |
| AutoGen (Maintenance-Modus) | Kostenlos (Code unter MIT) | CHF 50-200 | CHF 100-1'000 | CHF 150-1'200 |
| Semantic Kernel (abgelöst) | Kostenlos (MIT) | CHF 100-500 (Azure) | CHF 200-2'000 | CHF 300-2'500 |
Zukunftstrends
- Konvergenz: Frameworks nähern sich funktional an — die Grenzen verschwimmen
- Low-Code Agent Builder: Visuelle Tools zum Erstellen von Agents ohne Code
- Standardisierung: Gemeinsame Protokolle für Agent-Kommunikation (Model Context Protocol)
- Cloud-native: Managed Agent-Plattformen von Cloud-Anbietern
Häufig gestellte Fragen
- Kann ich mehrere Frameworks kombinieren?
Ja, das ist möglich und in manchen Fällen sinnvoll. Beispielsweise LangChain für RAG-Komponenten und CrewAI für die Multi-Agent-Koordination. Allerdings erhöht dies die Komplexität.
- Welches Framework hat die beste Dokumentation?
LangChain hat die umfangreichste Dokumentation und die grösste Community. CrewAI hat die zugänglichste Dokumentation für Einsteiger mit vielen Praxisbeispielen.
- Muss ich programmieren können, um AI Agents zu bauen?
Für die Code-Frameworks (LangChain, CrewAI, AutoGen) ist Python-Kenntnis erforderlich. Alternativ bieten Make, n8n und Zapier zunehmend No-Code Agent-Fähigkeiten.
- Welches Framework ist am besten für den Schweizer Datenschutz (nDSG)?
Alle Frameworks können DSG-konform betrieben werden, wenn Sie selbst hosten und Schweizer/EU-LLM-Anbieter verwenden. n8n bietet hier Vorteile durch Self-Hosting: Die Community-Edition ist selbst gehostet kostenlos, steht aber unter der Sustainable Use License («fair-code») und nicht unter einer OSI-Open-Source-Lizenz — interner Betrieb und Kundenprojekte sind erlaubt, das Anbieten als gehosteter Dienst nicht. Mehr unter Datenschutz und AI Automation.
Quellen
Stern- und Lizenzangaben sowie die Commit-Zeitpunkte stammen aus der GitHub-API zu den Repositories langchain-ai/langchain, langchain-ai/langgraph, crewAIInc/crewAI, microsoft/autogen und microsoft/semantic-kernel, abgerufen am 8. September 2026; die Lizenzen wurden zusätzlich an den Rohdateien LICENSE und LICENSE-CODE geprüft. Der Maintenance-Hinweis steht wörtlich im AutoGen-README: «AutoGen is now in maintenance mode. It will not receive new features or enhancements and is community managed going forward.» Die Ablösung von Semantic Kernel und die Version 1.0 des Nachfolgers nennt das Semantic-Kernel-README, beides abgerufen am 8. September 2026. Migrationsleitfäden: learn.microsoft.com/en-us/agent-framework/migration-guide/from-autogen/ und learn.microsoft.com/en-us/agent-framework/migration-guide/from-semantic-kernel/ (Zieladressen nach Weiterleitung), abgerufen am 8. September 2026. Die Kostenangaben in diesem Artikel sind Schätzwerte für typische Projektgrössen, keine Listenpreise eines Anbieters und keine Werte aus abgerechneten Projekten.
