CrewAI vs AutoGen vs LangGraph
2026年版徹底比較

from crewai import Agent, Task, Crew, Process
from crewai_tools import SerperDevTool

search_tool = SerperDevTool()

# エージェント定義 — 役割を明確に
researcher = Agent(
    role="市場リサーチャー",
    goal="指定された市場について最新かつ正確な情報を収集する",
    backstory="""あなたは10年以上の経験を持つ市場調査の専門家です。
    データの信頼性を重視し、一次ソースからの情報を優先します。""",
    tools=[search_tool],
    llm="gpt-4o",
    verbose=True
)

analyst = Agent(
    role="ビジネスアナリスト",
    goal="収集されたデータから実用的なインサイトを抽出する",
    backstory="""戦略コンサルティングファームで15年のキャリアを持つ
    アナリストです。定量・定性両方の分析に長けています。""",
    llm="gpt-4o",
    verbose=True
)

writer = Agent(
    role="レポートライター",
    goal="分析結果を経営層が読める形のレポートにまとめる",
    backstory="""ビジネスライティングのプロフェッショナルです。
    複雑な内容を簡潔かつ説得力のある文章にまとめます。""",
    llm="gpt-4o-mini",  # ライティングはコスト節約
    verbose=True
)

# タスク定義
research_task = Task(
    description="AI SaaS市場の2026年動向を調査してください。市場規模、主要プレイヤー、成長率、トレンドを含めること。",
    expected_output="調査結果のサマリー（ソース付き）",
    agent=researcher
)

analysis_task = Task(
    description="調査結果をもとに、市場機会と脅威を分析してください。SWOT分析を含めること。",
    expected_output="分析レポート（図表の説明を含む）",
    agent=analyst
)

report_task = Task(
    description="分析結果を経営会議用のレポートにまとめてください。エグゼクティブサマリーを冒頭に配置すること。",
    expected_output="最終レポート（Markdown形式、2000字以上）",
    agent=writer,
    output_file="market_report.md"
)

# Crew実行
crew = Crew(
    agents=[researcher, analyst, writer],
    tasks=[research_task, analysis_task, report_task],
    process=Process.sequential,
    verbose=True
)

result = crew.kickoff()
print(result)

from autogen import AssistantAgent, UserProxyAgent, GroupChat, GroupChatManager

config_list = [{"model": "gpt-4o", "api_key": "YOUR_KEY"}]

# エージェント定義
researcher = AssistantAgent(
    name="Researcher",
    system_message="""あなたは市場調査の専門家です。
    指定されたテーマについて、具体的なデータと数字を使って調査結果を報告します。
    情報の信頼性を常に意識し、ソースを明記してください。""",
    llm_config={"config_list": config_list}
)

analyst = AssistantAgent(
    name="Analyst",
    system_message="""あなたはビジネスアナリストです。
    リサーチャーが集めたデータを分析し、実用的なインサイトを抽出します。
    SWOT分析やポーターの5フォースなどのフレームワークを活用してください。""",
    llm_config={"config_list": config_list}
)

writer = AssistantAgent(
    name="Writer",
    system_message="""あなたはビジネスレポートのライターです。
    分析結果を経営層向けのレポートにまとめます。
    全員の議論が終わったら、最終レポートを作成し「TERMINATE」と付けてください。""",
    llm_config={"config_list": config_list}
)

user_proxy = UserProxyAgent(
    name="Admin",
    human_input_mode="NEVER",
    code_execution_config=False,
    default_auto_reply="続けてください。",
    max_consecutive_auto_reply=0
)

# GroupChatで議論させる
group_chat = GroupChat(
    agents=[user_proxy, researcher, analyst, writer],
    messages=[],
    max_round=12,
    speaker_selection_method="auto"
)

manager = GroupChatManager(
    groupchat=group_chat,
    llm_config={"config_list": config_list}
)

# 実行
user_proxy.initiate_chat(
    manager,
    message="AI SaaS市場の2026年動向について市場調査レポートを作成してください。市場規模、主要プレイヤー、成長率、トレンド、SWOT分析を含めてください。"
)

from typing import TypedDict, Annotated
from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 状態定義
class ReportState(TypedDict):
    topic: str
    research_data: str
    analysis: str
    report: str
    quality_score: int
    iteration: int

# LLMインスタンス
llm = ChatOpenAI(model="gpt-4o", temperature=0.3)
llm_mini = ChatOpenAI(model="gpt-4o-mini", temperature=0.5)

# ノード関数
def research_node(state: ReportState) -> ReportState:
    messages = [
        SystemMessage(content="あなたは市場調査の専門家です。具体的なデータと数字でリサーチ結果を報告してください。"),
        HumanMessage(content=f"以下のテーマについて調査してください: {state['topic']}")
    ]
    response = llm.invoke(messages)
    return {"research_data": response.content, "iteration": state.get("iteration", 0)}

def analysis_node(state: ReportState) -> ReportState:
    messages = [
        SystemMessage(content="あなたはビジネスアナリストです。SWOT分析を含むインサイトを抽出してください。"),
        HumanMessage(content=f"以下の調査データを分析してください:\n\n{state['research_data']}")
    ]
    response = llm.invoke(messages)
    return {"analysis": response.content}

def writing_node(state: ReportState) -> ReportState:
    messages = [
        SystemMessage(content="経営層向けのレポートを作成してください。エグゼクティブサマリーを冒頭に。"),
        HumanMessage(content=f"分析結果:\n{state['analysis']}\n\n調査データ:\n{state['research_data']}")
    ]
    response = llm_mini.invoke(messages)
    return {"report": response.content}

def quality_check_node(state: ReportState) -> ReportState:
    messages = [
        SystemMessage(content="レポートの品質を1-10で評価してください。数字のみ回答。"),
        HumanMessage(content=state["report"])
    ]
    response = llm.invoke(messages)
    try:
        score = int(response.content.strip())
    except ValueError:
        score = 5
    return {"quality_score": score, "iteration": state["iteration"] + 1}

# 条件分岐
def should_rewrite(state: ReportState) -> str:
    if state["quality_score"] >= 7 or state["iteration"] >= 3:
        return "end"
    return "rewrite"

# グラフ構築
workflow = StateGraph(ReportState)
workflow.add_node("research", research_node)
workflow.add_node("analysis", analysis_node)
workflow.add_node("writing", writing_node)
workflow.add_node("quality_check", quality_check_node)

workflow.set_entry_point("research")
workflow.add_edge("research", "analysis")
workflow.add_edge("analysis", "writing")
workflow.add_edge("writing", "quality_check")
workflow.add_conditional_edges("quality_check", should_rewrite, {
    "rewrite": "writing",
    "end": END
})

app = workflow.compile()
result = app.invoke({"topic": "AI SaaS市場の2026年動向", "iteration": 0})