フレームワーク

Vercel AI SDK / LangChain / LlamaIndex / Mastra / Claude Agent SDK / MCP。 どれをいつ使うか、選び方と特徴。

選定の指針

• シンプルなチャット UI → Vercel AI SDK
• RAG 中心 / インデックス管理 → LlamaIndex
• 複雑なグラフ的ワークフロー → LangGraph
• TypeScript で本格エージェント → Mastra / Claude Agent SDK
• Claude を Claude Code の上に乗せる → Claude Agent SDK + サブエージェント
• ツール提供を標準化 → MCP

Vercel AI SDK

Next.js / Nuxt / SvelteKit などでチャット UI を最速で作るライブラリ。React Hooks も提供。

• generateText / streamText / generateObject / streamObject
• OpenAI / Anthropic / Google など共通インタフェース
• UI 側に useChat / useCompletion
• Tool Use も tools: { ... } で簡単

import { generateText, tool } from "ai"
import { anthropic } from "@ai-sdk/anthropic"
import { z } from "zod"

const { text } = await generateText({
  model: anthropic("claude-sonnet-4-6"),
  tools: {
    getWeather: tool({
      description: "天気取得",
      parameters: z.object({ city: z.string() }),
      execute: async ({ city }) => await fetchWeather(city)
    })
  },
  prompt: "東京の天気は？"
})

Claude Agent SDK

Anthropic 公式のエージェント SDK。Claude Code が依存している中身を切り出したもの。

• ツールの定義・呼び出し・並列実行
• サブエージェント（Agent ループの中に別 Agent を呼べる）
• 長時間タスクのチェックポイント
• Computer Use / text_editor / bash の組み込み

import { ClaudeAgent } from "@anthropic-ai/agent-sdk"

const agent = new ClaudeAgent({
  model: "claude-sonnet-4-6",
  systemPrompt: "あなたはサポートエージェントです。",
  tools: [searchTool, ticketTool]
})

const result = await agent.run("ユーザー A の最新のチケットを要約して")

LangChain / LangGraph

LLM アプリのデファクト。Python 版が成熟、TypeScript 版も追従。 最近はLangGraph（グラフ的なエージェントフロー）が中心。

• LLM + Tool + Memory + Retriever のパイプライン
• Reducer / Conditional Edge で分岐・ループを表現
• LangSmith（トレース可観測性）と連携
• 大型エージェントは LangGraph で書くと管理しやすい

LlamaIndex

RAG に特化したフレームワーク。ドキュメント取り込み → インデックス → クエリのパイプラインが作りやすい。

• Loader（PDF / Notion / Google Drive 等）が豊富
• ハイブリッド検索 / Reranker 対応
• SubQuestion / Router など RAG パターンが揃う

Mastra

TypeScript ファースト・Workflow + Agent + RAG + Eval の統合フレームワーク。

• Workflow（型付きステップグラフ）
• Agent（ツール付き）
• Memory（短期 / 長期）
• RAG（pgvector / Pinecone / Chroma）
• Eval（評価セット実行）
• Cloudflare Workers / Vercel デプロイ可

TypeScript 1 つで本番グレードのエージェントが組める設計。Vercel AI SDK と組合せるパターンが多い。

MCP（Model Context Protocol）

Anthropic が標準化した「LLM クライアント ↔ ツール」プロトコル。

• MCP サーバー = ツール提供者（GitHub / DB / Slack...）
• MCP クライアント = LLM ホスト（Claude Desktop / Claude Code / Cursor / Cline）
• JSON-RPC over stdio / HTTP / SSE
• 共通仕様なのでクライアント横断で使える

MCP サーバーの最小例

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js"
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js"
import { z } from "zod"

const server = new McpServer({ name: "weather", version: "1.0.0" })

server.tool(
  "get_weather",
  { city: z.string() },
  async ({ city }) => ({
    content: [{ type: "text", text: `${city} は晴れ` }]
  })
)

await server.connect(new StdioServerTransport())

主要 MCP サーバー

• filesystem / git / github / postgres / sqlite
• slack / google-drive / notion / linear
• fetch / brave-search / puppeteer

その他

OpenAI Agents SDK

OpenAI が公式に出した Agent フレームワーク（旧 Swarm）。OpenAI モデル特化だが Anthropic にも対応。

CrewAI

Python 製、マルチエージェント協調に特化。役割を持った複数エージェントが協力するパターンに強い。

AutoGen

Microsoft 製。エージェント同士の会話によるタスク遂行。

Pydantic AI

Python の Pydantic ベースで型安全な LLM 呼び出し。シンプル志向。

使い分け表

フレームワークを使わないという選択

Anthropic SDK の messages.stream + Tool Use ループだけで意外と何でも書ける。 フレームワークの抽象化が要件と合わないなら、自前ループの方が小さく早い。

• 抽象化のメリット: 共通機能（メモリ / トレース / マルチプロバイダ）が無料で乗る
• 抽象化のデメリット: API 変更追従コスト、デバッグの難しさ、思考停止