Claude Agent SDK vs OpenAI Agents SDK vs LangGraph 2026

Pexon Consulting | 12 Min. Lesezeit | 01.06.2026

TL;DR

Claude Agent SDK gewinnt bei MCP-Integration und Code-nahen Workflows, OpenAI Agents SDK bei Time-to-First-Agent und Handoffs, LangGraph bei Durable State und Human-in-the-Loop. Pexon Consulting hat alle drei in Produktion bei Versicherern, Banken und Maschinenbauern gesehen — der Vergleich basiert auf 30+ Kundenprojekten 2025/2026. Keiner gewinnt überall.

Drei Frameworks im Schnellüberblick

Bevor wir in Details gehen, eine Einordnung — die drei SDKs lösen unterschiedliche Probleme, auch wenn sie auf der Marketing-Folie alle „Agent-Framework“ heißen.

Das Claude Agent SDK (umbenannt vom Claude Code SDK im September 2025) ist die Library-Version desselben Agent-Loops, der in Claude Code läuft. Anthropic nutzt es intern für Deep Research, Video-Pipelines und Notes — nicht nur für Code. Der Default kommt mit zehn eingebauten Tools (Read, Write, Bash, Glob, Grep, WebSearch, WebFetch, AskUserQuestion, Agent, NotebookEdit), MCP-Server-Integration ist First-Class. GitHub: anthropics/claude-agent-sdk-python.

Das OpenAI Agents SDK ist seit März 2025 die offizielle Orchestrierungs-Schicht über der Responses-API. Es hat das experimentelle Swarm-SDK ersetzt, das Anfang 2025 nur „educational“ war. Stärken: explizite Handoffs zwischen Agents, Hosted Tools (WebSearch, FileSearch, ComputerUse), Built-in-Tracing-Dashboard. GitHub: openai/openai-agents-python, 26.800 Stars.

LangGraph ist eine andere Spezies — ein State-Machine-Framework, das jeden LLM-Provider unterstützt und Workflows als gerichteten Graphen aus Nodes und Edges modelliert. Version 1.2 ist im Mai 2026 erschienen, Klarna, Uber und LinkedIn betreiben es in Produktion. Das mentale Modell ist deutlich anders als bei den beiden SDKs: Du baust einen Graphen mit typisiertem State, nicht einen Agent-Loop.

Das ist der Kernunterschied, der unter den Marketing-Slides liegt: Claude und OpenAI geben dir einen Agent, LangGraph gibt dir einen Baukasten.

Setup: Wie schnell läuft der erste Agent?

Schauen wir uns das mit Code an, denn hier zeigen sich die Designentscheidungen am deutlichsten.

Claude Agent SDK in Python (5 Zeilen):

import anyio
from claude_agent_sdk import query

async def main():
    async for message in query(prompt="Lies die letzten 3 Pull Requests und fass sie zusammen."):
        print(message)

anyio.run(main)

Mit pip install claude-agent-sdk und gesetztem ANTHROPIC_API_KEY läuft das. Read, Bash, WebFetch sind automatisch verfügbar — der Agent kann sofort Dateien lesen und git-Calls absetzen. Permission-Prompts schützen vor unbeabsichtigten Aktionen.

OpenAI Agents SDK in Python (4 Zeilen):

from agents import Agent, Runner

agent = Agent(name="Reviewer", instructions="Du bist ein technischer Reviewer.")
result = Runner.run_sync(agent, "Analysiere diesen Pull Request.")
print(result.final_output)

Noch kürzer — aber täuschend. Out-of-the-box hat der Agent keine Tools, kein File-System-Zugriff, kein Web. Für ein produktives Setup kommen Hosted Tools (WebSearchTool, FileSearchTool), Sessions (SQLiteSession), Handoffs zu anderen Agents und Tracing-Konfiguration dazu — die „4 Zeilen“ sind nur der Hello-World.

LangGraph mit Prebuilt ReAct-Agent (15 Zeilen):

from langgraph.prebuilt import create_react_agent
from langchain_core.tools import tool

@tool
def get_pr_diff(pr_number: int) -> str:
    """Holt den Diff eines GitHub Pull Requests."""
    return fetch_diff(pr_number)

graph = create_react_agent(
    "anthropic:claude-sonnet-4-6-20250929",
    tools=[get_pr_diff],
    prompt="Du bist ein technischer Reviewer.",
)

for chunk in graph.stream({"messages": [{"role": "user", "content": "Review PR #42"}]}, stream_mode="updates"):
    print(chunk)

Mit Custom StateGraph (typisierter State, eigene Nodes, eigene Edges) bist du eher bei 50-100 Zeilen für einen nicht-trivialen Flow. Dafür hast du etwas, was die beiden SDKs nicht haben: einen Graphen, den du visualisieren, forken und replayen kannst.

Unsere Empfehlung für die ersten zwei Wochen: Wenn das Team noch nie ein Agent-Framework angefasst hat, fang mit Claude Agent SDK oder OpenAI Agents SDK an — nicht mit LangGraph. Wir haben das mehrfach erlebt: Teams investieren zwei Wochen in StateGraph-Schemas, bevor sie einen einzigen Tool-Call zum Laufen bringen. LangGraph entfaltet seinen Wert erst, wenn du wirklich Pause/Resume, Time-Travel oder Multi-Agent-Hierarchien brauchst. Für ein Single-Agent-Prototyp ist es Overkill.

Time-to-First-Agent in der Praxis (gemessen mit zwei Junior-Devs in unseren Workshops): OpenAI Agents SDK 15-30 Minuten, Claude Agent SDK 20-45 Minuten, LangGraph mit Prebuilt-ReAct 1-2 Stunden. Wer mit Custom-StateGraph einsteigt, braucht eher 1-2 Wochen bis zur produktiven Komfortzone — der Mental-Switch von „Agent-Loop“ zu „State-Machine mit typisiertem Schema“ ist real.

Die Lernkurve beim Umstieg auf agentisches Arbeiten lässt sich verkürzen, wenn ein Team zuerst am Werkzeug übt statt am eigenen Framework. Dafür gibt es unsere Claude-Code-Schulung: Agentic Coding in der Praxis, die Agentic-Coding-Workflows, Custom Commands und Sub-Agents behandelt.

State, Memory und der Token-Bill-Killer

Hier liegt der spannendste Unterschied, und er kostet Geld, wenn man ihn ignoriert.

Das Claude Agent SDK macht Auto-Compaction client-seitig. Bei Annäherung an das Context-Limit komprimiert es die Konversation und behält „high-value items“ — aktive Datei-Attachments, Pläne, Tool-Schemas — als neue Messages. Effektives Context-Window: 200k Token Default, mit Opus 4.7 und Sonnet 4.6 sind 1M Token möglich. Caveat: Der neue Tokenizer in Opus 4.7 produziert für gleichen deutschen Text bis zu 35% mehr Tokens als Opus 4.6 — die Pro-Token-Rate ist gleich, aber die Rechnung steigt. Wir sehen das bei Kunden, die unbemerkt auf Opus 4.7 umgestellt haben und plötzlich +20% Cost-Spike haben.

Das OpenAI Agents SDK setzt auf Server-Side-State via Responses-API. Sessions sind nicht-persistent by Default — wenn du Runner.run() aufrufst ohne session=, ist jeder Run zustandslos. Das ist ein klassischer Beginner-Bug: Teams wundern sich, warum der Agent „vergesslich“ ist. Lösung: SQLiteSession, OpenAIConversationsSession (server-side) oder RedisSession explizit übergeben. Für lange Konversationen gibt es OpenAIResponsesCompactionSession, die automatisch komprimiert.

LangGraph hat den stärksten Ansatz hier — und das nicht zufällig. Der Checkpointer (SqliteSaver für lokal, PostgresSaver für Produktion, RedisSaver für niedrige Latenz) persistiert nach jeder Node-Transition. Das gibt dir Time-Travel-Debugging, Fork-State und Crash-Resistenz out-of-the-box. Klarna nutzt das, um vor jeder Refund-Aktion zu pausieren, einen Menschen zu fragen und dann mit Command(resume=...) fortzusetzen — ohne State-Verlust.

from langgraph.checkpoint.postgres import PostgresSaver

checkpointer = PostgresSaver.from_conn_string("postgresql://...")
graph = create_react_agent(model, tools, checkpointer=checkpointer)

# Pausiert vor riskanter Action, State liegt in Postgres
result = graph.invoke(input, config={"configurable": {"thread_id": "user-42"}})

Was wir bei Kunden sehen: Wer Long-Running-Workflows hat (Schadensbearbeitung über mehrere Tage, Materialprüfung mit Wartezeiten auf Labor-Ergebnisse), kommt um Persistence nicht herum. Da ist LangGraph ehrlicher gebaut als die beiden SDKs.

Und der Loop-Control-Punkt, der die Token-Bill killt: Standard-ReAct hat O(n²)-Token-Wachstum in den Steps, weil jeder Tool-Output wieder im Kontext landet. Wir haben einen Fall gesehen, wo ein simpler Tool-Call-Fehler eine 60-Step-Endlosschleife auslöste — Endkosten 12 USD für einen Task, der normalerweise 0,08 USD kostet. Claude Agent SDK hat ein eingebautes Interrupt bei 5 USD pro Session, OpenAI Agents SDK hat max_turns=10 Default (harte Exception), LangGraph erfordert manuelle Token-Budgets via Middleware-Hooks. Keiner der drei ist hier perfekt — alle drei brauchen Hard-Caps, Hash-basierte Loop-Detection und No-Progress-Detection. Wir bauen das standardmäßig in jedes Pexon-Pilotprojekt ein.

Was kostet das wirklich?

Token-Preise sind die offensichtliche Antwort — aber sie sind nicht der ganze Cost-Stack.

Die SDKs selbst sind gratis (alle MIT-Lizenz). Aber die versteckten Kosten unterscheiden sich:

Hosted Tools bei OpenAI sind die Tücke. WebSearchTool kostet 25-50 USD pro 1.000 Calls, FileSearchTool 2,50 USD pro 1.000 Queries plus 0,10 USD pro GB Storage pro Tag, CodeInterpreter 0,03 USD pro Session. Bei einem Customer-Support-Agent mit 50.000 Queries pro Monat kostet die WebSearch allein 1.250 USD — mehr als das LLM. Wir haben Kunden gesehen, die Hosted Tools aus reiner Bequemlichkeit nutzten und dann auf Custom Tools migrierten, sobald die Stückzahlen stiegen.

LangSmith-Observability ist der andere Cost-Trap. LangGraph OSS ist gratis, aber wenn dein Team LangSmith für Tracing nutzt (was es realistisch tut, weil es so tief integriert ist), kostet das 39 USD pro Seat pro Monat plus 2,50 USD pro 1.000 Traces ab 10.000. Ein 10-Personen-Team mit 200.000 Traces pro Monat: 390 USD Seat-Cost + 475 USD Trace-Cost = 865 USD. Bei OpenAI ist das Built-in-Tracing-Dashboard gratis, bei Claude Agent SDK exportierst du via OpenTelemetry an Langfuse, Datadog oder Honeycomb — meist günstiger.

Ein konkreter Praxis-Vergleich aus einem unserer Manufacturing-Projekte: Document-Intelligence-Agent für Materialzeugnis-Prüfung, 12.000 Dokumente pro Monat, durchschnittlich 8 Tool-Calls pro Dokument.

Die Modell-Wahl macht ~30%, das Tooling-Stack macht ~70% des Unterschieds. Das ist der Punkt, den fast jede Framework-Vergleichs-Folie verschweigt. Mehr zum Stack-Vergleich bei Concurrency: Welches Agent-Framework hält 100 Concurrent Users?

DSGVO, EU-Hosting und der Vendor-Lock-in-Mythos

Für deutsche Mittelstand-Kunden ist das oft die entscheidende Frage, nicht die Performance — und sie hat seit Anfang 2026 eine klarere Antwort.

Claude Agent SDK: Anthropic Direct hostet ausschließlich in USA. Für DSGVO-konformen Betrieb in Deutschland gibt es zwei Pfade: AWS Bedrock Frankfurt (eu-central-1) oder Google Vertex AI europe-west3. Beide haben mittlerweile alle aktuellen Modelle (Opus 4.7, Sonnet 4.6, Haiku 4.5) verfügbar, mit nur wenigen Tagen Lag gegenüber US-Release. Microsoft Foundry hat Claude in Sweden Central, ein Frankfurt-Rollout ist für 2026 angekündigt, aber ohne Datum. Vertragspartner sind dann AWS/Google/Microsoft — alle CTPP-gelistet unter DORA, mit AVV und BSI-C5. Anthropic wird Sub-Auftragsverarbeiter, was die Drittparteien-Bewertung erheblich vereinfacht. Wir haben das in drei Banking-Piloten getestet.

OpenAI Agents SDK: Seit Februar 2025 hat OpenAI Direct EU-Data-Residency für Enterprise-Tier — aber nur für neue Projects, bestehende nicht migrierbar. Azure OpenAI ist der saubere Pfad: Sweden Central oder Switzerland North haben alle aktuellen Modelle, Frankfurt hat eingeschränkte Verfügbarkeit für Frontier-Modelle. Wichtig: „Data Zone Standard (EU)“ garantiert EU-Verarbeitung, „Global Standard“ kann bei Lastspitzen ausweichen — die richtige Deployment-Variante zu wählen ist Pflicht. Zusätzlicher Stolperstein: Das Agents-SDK schickt Tracing-Spans per Default an api.openai.com/v1/traces in den USA. Für EU-Compliance muss OPENAI_AGENTS_DISABLE_TRACING=1 gesetzt oder ein Custom-Trace-Processor (Langfuse self-hosted) konfiguriert werden. Das übersehen erfahrungsgemäß 9 von 10 Teams in der ersten Implementierung.

LangGraph: Hier ist die Lage am entspanntesten. Das OSS-Paket läuft auf deiner eigenen Infrastruktur — kein Daten-Abfluss. LangSmith Cloud bietet EU-Region (GCP Frankfurt) auf allen Plan-Tiers ohne Aufpreis. Self-Hosted LangSmith ist im Enterprise-Tier voll on-prem deploybar. SOC 2 Type II, GDPR-konform, HIPAA-fähig. Caveat: LangChain Inc. hat keine EU-Legal-Entity, der Vertragspartner sitzt in den USA — für BaFin-strenge Use-Cases relevant.

Eine direkte Empfehlung für einen Mittelstands-Versicherer, der heute startet: Bedrock Frankfurt oder Vertex AI europe-west3 als Modell-Layer, LangGraph self-hosted im eigenen AWS-VPC oder Claude Agent SDK direkt — niemals Direkt-Vertrag mit OpenAI oder Anthropic, wenn DORA-Auditfähigkeit gefordert ist. Das spart drei Monate Compliance-Diskussion.

Zum Vendor-Lock-in-Mythos: Alle drei SDKs sind MIT-lizenziert, du kannst sie morgen rauspatchen. Der echte Lock-in entsteht woanders — bei den Hosted Tools (OpenAI-only), bei MCP-Server-Integrationen, bei Skill-/Hook-Definitionen, bei der Tracing-Plattform. Wir empfehlen Kunden, Tools von Tag 1 über MCP zu definieren statt über native SDK-Bindings. Anthropic, OpenAI und Block haben Ende 2025 die Agentic AI Foundation gegründet, um MCP als Cross-Vendor-Standard zu etablieren. Das ist die einzige seriöse Lock-in-Versicherung 2026.

Unsere Empfehlungsmatrix

Nach 30+ Projekten mit allen drei Frameworks zeichnet sich ein Muster ab. Wir geben es so weiter, wie wir es Kunden in den ersten 90 Minuten Workshop empfehlen.

Wir raten aktuell davon ab, neue Projekte mit klassischem LangChain (nicht LangGraph!) zu starten — die Abstraktionen verbergen, welche Prompts wirklich am Modell ankommen, Breaking Changes sind häufig, und produktive Last-Tests zeigen 3x höhere Latenz gegenüber raw SDKs. LangChain hat seine Berechtigung als Library, nicht als Agent-Framework.

Und ein klares „Don’t“: Wenn dein Use-Case ein einziger Agent mit drei Tools ist, brauchst du kein LangGraph. Das hören wir Teams oft als „wir wollen ja flexibel bleiben“ rechtfertigen. Die Wahrheit: Du baust zwei Wochen StateGraph-Schemas, die du nie nutzt. Pragmatischer Default: Claude Agent SDK oder OpenAI Agents SDK, und erst auf LangGraph wechseln, wenn du echten State-Resume-Bedarf hast.

Häufig gestellte Fragen

Was kostet ein produktiver Agent realistisch pro Monat?

Kommt brutal auf den Use-Case an, aber Hausnummern aus unseren Projekten: Customer-Support-Agent mit 30.000 Queries kostet bei Sonnet 4.6 ca. 600-900 EUR pro Monat plus 200-400 EUR Tooling. Document-Intelligence-Pipeline mit 10.000 Dokumenten ca. 800-1.200 EUR. Power-User-Coding-Agent (ein Dev nutzt ihn 8 Stunden täglich) kostet API-direkt 1.500-3.000 EUR pro Monat — hier lohnt sich ein Subscription-Modell (Claude Max 20x für 200 USD flat).

Kann ich Claude Agent SDK auch mit GPT oder Gemini nutzen?

Nein, das SDK ist Anthropic-spezifisch und nutzt das Claude-Message-Format. Wenn du Provider-Agnostik willst, ist LangGraph mit LiteLLM die ehrliche Antwort. OpenAI Agents SDK hat eine LiteLLM-Extension, die Anfang 2026 noch „best-effort, beta basis“ ist — Hosted Tools brechen bei Non-OpenAI-Modellen, Structured Outputs nur teilweise.

Was unterscheidet Claude Agent SDK von Claude Code?

Claude Code ist das CLI-Tool für Terminal/IDE, das Claude Agent SDK ist die Library, die denselben Agent-Loop in deinen eigenen Code einbettet. Gleiche Engine, gleiche Tools, gleiche Context-Management-Logik. Anthropic hat das September 2025 umbenannt, weil sie es intern auch für Deep Research, Video und Notes nutzen — nicht nur für Code. Wer Claude Code als CLI mag, wird sich mit dem SDK schnell zurechtfinden.

Ist LangGraph nicht der gleiche Stack wie LangChain?

Gleicher Maintainer (LangChain Inc.), aber getrenntes Lifecycle. LangChain Core ist die „Chains und LCEL“-Library für lineare LLM-Pipelines, LangGraph ist eine eigenständige State-Machine für zyklische Agent-Workflows. LangGraph hängt nicht von LangChain Core ab — du kannst es ohne den Rest nutzen. Praktischer Unterschied: LangChain ist 2024-Tech, LangGraph ist die 2026-Antwort auf „wie baue ich Agents production-ready“.

Lohnt sich Claude Code Schulung für mein Team, wenn wir doch GPT-Stack haben?

Das hängt vom Reifegrad ab. Teams, die noch nie einen produktiven Agent gebaut haben, lernen mit Claude Code die Konzepte am schnellsten — der CLI-Workflow zwingt zu sauberer Tool-Definition, MCP-Integration, Subagent-Delegation. Diese Konzepte sind portabel: Wer Claude Code verstanden hat, baut anschließend in 2 Wochen den GPT-Stack auf. Wir liefern die Claude Code Schulung für 8-12 Personen, 2 Tage, hands-on auf eurer Codebasis.

Nächster Schritt

Verwandte Themen

Weiterlesen: Alle vier Claude-Agent-SDK-Leitfäden im Überblick.