最近、AI エージェント開発の領域で「LangGraph」と「Google ADK」というキーワードを耳にする機会が増えてきました。
どちらも マルチエージェントの設計や運用をサポートするフレームワーク ですが、それぞれがフォーカスしている領域や得意分野が異なります。

この記事では、両者をエンジニア目線で比較しつつ、Python のサンプルコードで動作イメージを確認してみます。

LangGraph とは？

LangGraph は LangChain エコシステムの一部 であり、AI エージェントや LLM を使ったアプリケーションにおいて ワークフローをグラフ構造で設計・制御 するためのフレームワークです。

特徴

状態管理（State）が強力で、自動的に追跡・更新される
条件分岐・ループ・リトライといった複雑なフロー制御が可能
マルチエージェントの協調にも対応
LangChain の既存資産（プロンプト、ツール、モデル統合など）と親和性が高い

👉 ざっくり言うと「複雑な制御ロジックをグラフで設計しやすいエージェント向けワークフローエンジン」。

LangGraph の Python サンプル

以下は「ユーザーからの問い合わせを受けて → 要約 → 回答を生成する」という単純なフローをグラフで定義した例です。

from langgraph.graph import StateGraph, END
from langchain_openai import ChatOpenAI

# モデル準備
llm = ChatOpenAI(model="gpt-4o-mini")

# 状態(State)定義
class WorkflowState(dict):
    pass

# ノード定義
def summarize(state: WorkflowState):
    summary = llm.invoke(f"次の文章を要約してください: {state['query']}")
    state["summary"] = summary.content
    return state

def answer(state: WorkflowState):
    answer = llm.invoke(f"要約: {state['summary']}\nこの内容に基づいて回答してください")
    state["answer"] = answer.content
    return state

# グラフ構築
graph = StateGraph(WorkflowState)
graph.add_node("summarize", summarize)
graph.add_node("answer", answer)

graph.set_entry_point("summarize")
graph.add_edge("summarize", "answer")
graph.add_edge("answer", END)

workflow = graph.compile()

# 実行例
result = workflow.invoke({"query": "LangGraphとGoogle ADKの違いを教えてください"})
print(result["answer"])

ここでは 「要約 → 回答」 という2ステップですが、分岐・ループを自由に組み込めるのが強みです。

Google ADK とは？

Google ADK（Agent Development Kit）は、Google が公開した AI エージェント開発のためのフレームワーク です。
Gemini や Vertex AI といった Google サービスとの統合を意識しつつも、汎用的に設計されています。

特徴

設計 → 開発 → テスト → デプロイ → 運用までをカバー
サブエージェントやツールをモジュール的に組み合わせて協調させられる
階層化・並列処理といったマルチエージェントのパターンが組みやすい
Google Cloud / Vertex AI との親和性が高い

👉 「エージェントを短期間で構築し、クラウドにデプロイして運用するところまで含めたフレームワーク」。

Google ADK の Python サンプル

以下は Google ADK を使って「検索用のサブエージェント」と「回答生成エージェント」を組み合わせる例です。

from google import genai
from google.genai.agents import Agent, run

# Gemini モデル準備
model = genai.GenerativeModel("gemini-1.5-flash")

# サブエージェント定義
search_agent = Agent(
    name="search_agent",
    instructions="ユーザーの質問に関連する検索キーワードを生成してください。",
    model=model,
)

answer_agent = Agent(
    name="answer_agent",
    instructions="検索結果を使ってユーザーにわかりやすく回答してください。",
    model=model,
)

# 実行例（runで複数エージェントを調整）
response = run(
    agents=[search_agent, answer_agent],
    task="LangGraphとGoogle ADKの違いを説明して"
)

print(response.output_text)

Google ADK では 「エージェントを並べて役割を分担させる」 設計が自然にできます。さらに Vertex AI 上にすぐデプロイできるのが強みです。

LangGraph vs Google ADK 比較表

観点	LangGraph	Google ADK
出自	LangChain エコシステム	Google 提供
主な目的	複雑なワークフロー制御、状態管理	設計～運用まで一気通貫で支援
強み	- 分岐・ループなどの制御が強力 - 状態管理が自然にできる - LangChain ツール資産を活用可能	- クラウド連携（Gemini, Vertex AI）が容易 - サブエージェント／並列処理が得意 - 運用・監視まで意識した設計
学習コスト	グラフ設計に慣れる必要あり	Quickstart が用意されており導入は比較的簡単
適したケース	・複雑なワークフロー設計が必要な場合・LangChain をすでに使っている場合	・Google Cloud を活用する場合・エージェントを素早く構築し運用まで回したい場合

設計観点からの使い分け

LangGraph を選ぶと良いケース
- 複雑な分岐・ループ・リトライを多用する業務プロセス自動化
- LangChain を既に利用している
- ワークフローを「見える化」して制御したい
Google ADK を選ぶと良いケース
- Google Cloud / Vertex AI / Gemini を積極的に活用したい
- 小さなサブエージェントを組み合わせて大きな仕組みを作りたい
- 運用・監視・スケーラビリティを重視する本番システム
ハイブリッド活用もアリ
- LangGraph で複雑なフローを定義しつつ、ADK 上のエージェントとして実行する
- LangGraph = 制御ロジック、ADK = デプロイ＆運用基盤、という役割分担も可能

まとめ

LangGraph → 複雑なワークフロー制御に強み
Google ADK → 設計から運用まで一気通貫で支援
選択基準は 既存エコシステム（LangChain / Google Cloud）との親和性 と 要件（ワークフローの複雑さ vs 運用のしやすさ）