OpenAI Responses API / Agents SDK vs Anthropic Claude Agent SDK 对比

pax大约 11 分钟

OpenAI Responses API / Agents SDK vs Anthropic Claude Agent SDK 对比

来源：Agent Interview 100 #099

难度：中级
分类：Frameworks

简短回答

OpenAI 和 Anthropic 分别推出了官方 Agent 开发方案，代表了两种不同的设计哲学。OpenAI Agents SDK（2025-03 发布，底层基于新的 Responses API——Responses API 才是 2025-08 deprecated 的 Assistants API 的直接替代者，Agents SDK 是其上层的轻量级编排框架）——核心概念仅三个：Agent（带指令和工具的 LLM）、Handoff（Agent 间任务交接）、Guardrails（输入/输出验证），强调"最小抽象、最大控制"，内置追踪但不强制托管状态；同时提供 Python openai-agents 与 TypeScript @openai/agents 双语言 SDK。Anthropic Claude Agent SDK（2025-09 从 claude-code-sdk 重命名而来，与 Claude Sonnet 4.5 同步发布）——基于 Claude Code 实战经验构建，核心特性：原生 MCP（Model Context Protocol）支持、Tool Permissions 细粒度授权、Subagent 派生、Hooks 机制，强调"工具优先"的 Agent 设计，与 MCP 生态深度绑定。关键差异：OpenAI SDK 是"模型无关的理想"但实际优化 OpenAI 模型；Claude SDK 明确绑定 Claude 模型但 MCP 是开放标准。OpenAI 走"SDK 轻+云重"路线（Responses API 在云端管理状态）；Anthropic 走"MCP 协议开放+SDK 原生集成"路线（MCP 连接万物）。截至 2026.7，两条路线均已生产成熟：Claude Agent SDK 是 Claude Code 的运行时底座，配合 2026-06-30 发布的 Claude Sonnet 5（定位"最 agentic 的 Sonnet"，入门定价 $2/MTok 输入 / $10/MTok 输出）强化自主任务执行能力；MCP 生态同期爆发至 5500+ Server、约 80% Fortune 500 企业参与，使 Claude SDK 在工具密集型场景获得结构性优势。OpenAI Agents SDK 则依托 Responses API 的云端状态托管持续完善，但这也意味着更强的平台锁定。选择建议：已在 OpenAI 生态 → Agents SDK；需要 MCP 工具生态 → Claude SDK；需要模型无关 → Vercel AI SDK 或自研。

详细解析

核心对比

维度	OpenAI Agents SDK	Claude Agent SDK
发布时间	2025-03	2025-09（重命名）
包名	openai-agents / @openai/agents	claude-agent-sdk
设计哲学	最小抽象	工具优先+MCP
核心概念	Agent/Handoff/Guardrails	ClaudeAgentOptions/query/Subagent
底层 API	Responses API	Messages API+MCP
模型支持	OpenAI 优先	Claude 专属
工具协议	Function Calling	MCP（开放标准）
状态管理	Responses API（云端托管）	Hooks + 文件检查点
多 Agent	Handoff 模式；2026-08 起 Responses API 提供原生多 Agent 编排	Subagent 派生
Human-in-the-Loop	需自行实现	permission_mode
追踪/可观测	内置 Tracing	Hooks 钩子
语言支持	Python+TypeScript	Python+TypeScript
开源	是	是
适用场景	通用 Agent	Coding/工具密集

OpenAI Agents SDK

# OpenAI Agents SDK：最小抽象，三个核心概念
from agents import Agent, Runner, handoff, GuardrailFunctionOutput
from agents import input_guardrail

# 核心概念 1：Agent — 带指令和工具的 LLM
triage_agent = Agent(
    name="Triage Agent",
    instructions="根据用户问题类型，转接到合适的专家。",
    handoffs=[sales_agent, support_agent],  # 可以交接给谁
)

sales_agent = Agent(
    name="Sales Agent",
    instructions="处理销售相关问题。",
    tools=[lookup_pricing, create_quote],
)

support_agent = Agent(
    name="Support Agent",
    instructions="处理技术支持问题。",
    tools=[search_kb, create_ticket],
)

# 核心概念 2：Handoff — Agent 间的任务交接
# LLM 自动决定何时交接，交接时携带上下文

# 核心概念 3：Guardrails — 输入/输出安全检查
@input_guardrail
async def check_injection(ctx, agent, input):
    """检查 Prompt 注入"""
    result = await Runner.run(
        injection_detector,
        input,
        context=ctx.context,
    )
    return GuardrailFunctionOutput(
        output_info=result,
        tripwire_triggered=result.is_injection,
    )

# 运行 Agent
result = await Runner.run(triage_agent, "我想了解企业版定价")

# Agents SDK 特点：
# 1. 极简 API——三个概念覆盖大部分场景
# 2. 内置追踪——自动记录每步执行
# 3. 类型安全——Pydantic 模型验证输出
# 4. Agent Loop 内置——自动处理工具调用循环

Anthropic Claude Agent SDK

# Claude Agent SDK（pip install claude-agent-sdk，2025-09 从 claude-code-sdk 重命名）
# 核心 API：ClaudeAgentOptions + 异步 query() 函数
# 详见：https://docs.anthropic.com/en/api/agent-sdk

import asyncio
from claude_agent_sdk import query, ClaudeAgentOptions

# 1. 最简用法：直接 query()
async def simple_example():
    options = ClaudeAgentOptions(
        model="claude-sonnet-5",
        system_prompt="你是一个数据分析助手。",
    )
    async for msg in query(prompt="分析 sales.csv 并给出 Top 3 趋势", options=options):
        print(msg)

# 2. 配置 MCP 工具服务器（真实 dict 结构，非 URL 列表）
options = ClaudeAgentOptions(
    model="claude-sonnet-5",
    mcp_servers={
        # stdio 子进程式（最常见）
        "filesystem": {
            "type": "stdio",
            "command": "npx",
            "args": ["-y", "@modelcontextprotocol/server-filesystem", "/workspace"],
        },
        # HTTP 远程
        "github": {
            "type": "http",
            "url": "https://mcp.github.com/v1",
            "headers": {"Authorization": "Bearer $GITHUB_TOKEN"},
        },
    },
    # 允许哪些工具，可精确到工具名
    allowed_tools=["Read", "Write", "Bash", "mcp__filesystem__read_file"],
)

# 3. Permission Mode（细粒度授权控制——这是真正的 HITL 机制）
options = ClaudeAgentOptions(
    model="claude-sonnet-5",
    permission_mode="acceptEdits",  # 自动接受文件编辑
    # 可选值: "default" | "acceptEdits" | "bypassPermissions" | "plan"
    # plan 模式下 Agent 只规划不执行，必须人工 confirm 后才能 run
)

# 4. Hooks 机制：在工具调用前后注入逻辑（这是真实可观测/HITL 的方式）
async def pre_tool_hook(tool_name: str, tool_input: dict):
    if tool_name == "Bash" and "rm" in tool_input.get("command", ""):
        return {"deny": True, "reason": "Dangerous command blocked"}
    return {"deny": False}

options = ClaudeAgentOptions(
    model="claude-sonnet-5",
    hooks={"PreToolUse": pre_tool_hook},
)

# 5. Subagent 模式（多 Agent 编排）：通过 Task 工具派生子 Agent
# Claude SDK 没有静态的"sub_agents 列表"参数，而是运行时由主 Agent 决定派生
# 主 Agent 调用 Task 工具时，会启动一个独立上下文的子 Claude 实例
options = ClaudeAgentOptions(
    model="claude-sonnet-5",
    system_prompt="你是项目经理，可通过 Task 工具委派 researcher/coder/reviewer 子 Agent",
    allowed_tools=["Task", "Read", "Write"],
)

# Claude SDK 真实特性：
# 1. MCP 原生集成——配置即工具发现
# 2. Permission Mode + Hooks——细粒度的 HITL 和安全护栏
# 3. Subagent via Task 工具——主 Agent 运行时派生子 Agent，非静态声明
# 4. 文件系统检查点——基于 .claude/ 目录的状态持久化

关键差异深度分析

key_differences = {
    "工具生态策略": {
        "OpenAI": "Function Calling — 工具定义在 Agent 代码中，静态",
        "Anthropic": "MCP — 工具由独立服务提供，动态发现",
        "影响": "MCP 更灵活但增加了基础设施复杂度",
        "2026-08": "OpenAI 在 Responses API 增加程序化工具调用；"
                   "Anthropic 的 Python SDK v0.2.140 把进程内 MCP server 换成 mcp 官方 in-memory transport",
    },
    "状态管理": {
        "OpenAI": "Responses API 在云端托管对话状态和文件",
        "Anthropic": "SDK 内置检查点，可用本地或云端存储",
        "影响": "OpenAI 更省心但锁定其云服务；Anthropic 更灵活",
    },
    "多 Agent 模式": {
        "OpenAI": "Handoff — 扁平化交接，Agent A 把控制权给 Agent B",
        "Anthropic": "Orchestrator — 层级化，主 Agent 调度子 Agent",
        "影响": "Handoff 更简单直观；Orchestrator 更适合复杂任务",
        "2026-08": "编排从 SDK 层下沉到 API 层——Responses API 已提供原生多 Agent 编排，"
                   "OpenAI 不再只把编排留给应用侧的 Agents SDK",
    },
    "模型绑定": {
        "OpenAI": "SDK 设计为模型无关（但实际优化 OpenAI 模型）",
        "Anthropic": "明确绑定 Claude 模型",
        "影响": "如果需要多模型支持，OpenAI SDK 更容易适配",
    },
    "开放性": {
        "OpenAI": "SDK 开源，但生态围绕 OpenAI API",
        "Anthropic": "SDK 绑定 Claude，但 MCP 是完全开放的标准",
        "影响": "MCP 的长期价值可能超过任何单一 SDK",
    },
}

双侧最新动向（2026-08）：编排下沉 vs 协议做深

「云侧收拢 vs 开放协议」的分野没变，但两侧各自往前走了一步：

维度	OpenAI（GPT-5.6 时期）	Anthropic（Claude Agent SDK）
本期主线	把编排能力收进 API 层	把 MCP 集成做深到协议原生
代表变更	Responses API 新增保留推理态 / 原生多 Agent 编排 / 程序化工具调用	Python SDK v0.2.140 支持 MCP 2.x，进程内 server 改走官方 in-memory transport
方向含义	云端承担更多 Agent 运行时职责 → 平台锁定进一步加深	依赖开放协议的官方实现 → 减少自研代码、提升互操作保真度

OpenAI：编排从 SDK 层下沉到 API 层。 The builder's guide to GPT-5.6（2026-08-13）的核心建议是不默认用旗舰、按任务下沉到更省的小模型（Luna / Terra，配套定价显示 Luna 降价约 80%），并推介 Responses API 三项新能力：保留推理态（跨轮次保留推理过程，不必每轮重新推理）、原生多 Agent 编排（多 Agent 调度由 API 直接提供，不再必须由应用层 Agents SDK 承担）、程序化工具调用（工具调用由代码逻辑驱动组织，不必每步都走模型决策）。其中「原生多 Agent 编排」进 API 是本文核心论断的直接演进：「SDK 轻 + 云重」进一步向云侧偏移——应用代码更薄，代价是原本可以自己换掉的编排逻辑也变成平台能力，锁定加深。

Anthropic：MCP 集成从自研分发换成协议原生。 Python SDK v0.2.140（2026-08-18）落地 MCP 2.x：进程内 MCP server 不再手写 JSON-RPC（基于 JSON 的远程调用协议）分发，改走 mcp 官方 in-memory transport——手工构造的 mcp.server.Server 可以原样接入，resources / prompts / 全部 result content type 原样透传，不再被 SDK 中间层削减。意义在保真度和维护成本，与「MCP 是开放标准」的定位自洽：把实现让给协议官方，而不是长期维护一份平行实现。

注：OpenAI 两篇文章的发布日期取自官方列表页的单一来源（正文页经代理读取时不渲染日期），未做正文交叉验证，日期以官方页面为准。

第三方替代方案

除了官方 SDK，还有模型无关或厂商生态的选择：

方案	特点
Vercel AI SDK	真正模型无关，支持 OpenAI/Claude/Gemini，TypeScript 优先
LangGraph	1.0 GA（2025-10），durable agent 首个稳定版，月 PyPI 下载超 3800 万
Microsoft Agent Framework	2026-04 发布 1.0 GA，Azure 生态，企业级多 Agent 编排
Google ADK	Agent Development Kit，原生集成 A2A 协议 + Vertex AI Agent Engine
自研	完全控制，无依赖，但需要自己处理所有细节

选择决策：
├── 绑定 OpenAI → OpenAI Agents SDK
├── 绑定 Claude + 需要 MCP → Claude Agent SDK
├── 需要多模型 + TypeScript → Vercel AI SDK
├── 需要复杂工作流/durable → LangGraph
├── 绑定 Azure/微软生态 → Microsoft Agent Framework
├── 绑定 Google Cloud/Gemini → Google ADK
└── 需要完全控制 → 自研

实际选型建议

项目类型 → 推荐方案：

1. 客服 Bot（单模型）
   └── OpenAI Agents SDK（Handoff 模式天然适合客服分流）

2. 知识密集型 Agent（RAG + 多数据源）
   └── Claude Agent SDK + MCP（工具自动发现 + 上下文注入）

3. 代码助手（需要文件系统/终端访问）
   └── Claude Agent SDK + MCP（Claude Code 就是这么构建的）

4. 多模型策略（成本优化）
   └── Vercel AI SDK 或 LiteLLM + 自研 Agent Loop

5. 企业级部署（Azure 基础设施）
   └── Microsoft Agent Framework + Azure OpenAI

常见误区 / 面试追问

误区："Assistants API 和 Agents SDK 是一回事"，或"Agents SDK 是 Assistants API 的直接替代者" — 实际三者关系是：(1) Assistants API（2023）是云端托管的有状态 API（Thread/Message/Run 模型），OpenAI 于 2025-08-26 公告 deprecated，计划于 2026-08-26 关闭（以 OpenAI 官方公告为准）；(2) Responses API（2025-03）才是 Assistants API 的直接替代者——同样云端管理状态，但 API 设计更现代；(3) Agents SDK（2025-03）是基于 Responses API 的上层轻量级编排框架，提供 Agent/Handoff/Guardrails 抽象。三者是分层关系：Assistants → Responses（API 层替代）→ Agents SDK（SDK 层编排）。
误区："选了一个 SDK 就不能用其他模型" — OpenAI Agents SDK 的 model_settings 可以配置兼容 OpenAI API 格式的任何提供商。Claude Agent SDK 绑定 Claude，但 MCP 服务器可以被任何客户端使用。关键是区分"SDK 绑定"和"协议绑定"。
追问："MCP 会成为行业标准吗？" — 截至 2026 年初，MCP 已从"Anthropic 提议的标准"成长为事实标准：PulseMCP 收录超 5500 个 MCP Server，约 80% Fortune 500 企业开始参与生态，OpenAI、Google、微软均已宣布支持或兼容 MCP。它解决了"每个 Agent 框架都要自己实现工具集成"的 N×M 问题。但 ACM 2026 学术研究也揭示了开发者痛点：文件系统操作问题占比最高（21.32%），其次是数据验证和类型问题——说明协议走向成熟的同时，工程实践仍在追赶。
追问："如果需要同时用 GPT 和 Claude 怎么办？" — 推荐架构：(1) 使用 LiteLLM 或 Portkey 作为 Model Gateway，统一 API 接口；(2) 自研轻量 Agent Loop，不绑定任何特定 SDK；(3) MCP 作为工具层标准，与模型层解耦。核心思想是模型层和工具层分离。

参考资料

Claude Agent SDK vs OpenAI Agent SDK vs Vercel AI SDK (Reddit)
OpenAI's Agents SDK and Anthropic's MCP (PromptHub)
Compare Claude API with OpenAI Agent API (Top AI Product)
Winning in the Autonomous AI Agents Race: Anthropic vs OpenAI (Medium)
The builder's guide to GPT-5.6 (OpenAI，2026-08-13) —— 模型下沉建议 + Responses API 保留推理态 / 原生多 Agent 编排 / 程序化工具调用
Advancing the price-performance frontier with GPT-5.6 (OpenAI，2026-07-30) —— Luna 降价约 80%、Terra 约 20%，Sol 新增 Fast mode
claude-agent-sdk-python v0.2.140 —— MCP 2.x 支持、官方 in-memory transport（2026-08-18）