Die Auswahl eines Python-AI-Agent-Frameworks im Jahr 2026: Ein praktischer Vergleich

Vor einigen Jahren, zu Beginn des Jahres 2026, hat jemand denselben KI-Agenten innerhalb von etwa drei Wochen viermal neu entwickelt. Dasselbe Aufgabenprofil, dasselbe zugrundeliegende Modell – doch jedes Mal ein anderes Framework.

Zum Ende dieser Übung gab es vier Ordner mit Code, einen Agenten, der tatsächlich gut funktionierte, sowie eine deutlich kürzere Liste von Frameworks, die man künftig empfehlen könnte.

Dieses Experiment veränderte die Art und Weise, wie Frameworks für KI-Agenten bewertet werden.

Das Python-Ökosystem für Agenten entwickelt sich in rasantem Tempo weiter. Ständig tauchen neue Frameworks auf, von denen jedes behauptet, das Erstellen von Agenten einfacher, intelligenter oder unabhängiger zu machen.

Das eigentliche Problem ist folgendes: Die meisten Frameworks können eine beeindruckende Demo liefern, doch nur sehr wenige machen es einfach, herauszufinden, was schiefgelaufen ist, wenn ein Agent nicht funktioniert.

Und Agenten funktionieren tatsächlich manchmal nicht.

Die Tools gehen aus Zeitgründen offline. Die Modelle liefern Daten, die nicht korrekt verarbeitet werden können. Zwei Agenten können sich nicht darauf einigen, wer eine Aufgabe übernimmt. Ein mehrstufiger Prozess kommt mitten im Lauf zum Stillstand.

Deshalb sollte man ein Framework nicht danach beurteilen, wie beeindruckend seine Demo ist, wie viele Sterne es auf GitHub hat oder wie ausgereift seine Dokumentation wirkt.

Eine bessere, viel einfachere Frage lautet:

Was passiert, wenn etwas mit dem Agenten schiefgeht?

Nach praktischen Tests mit verschiedenen Ansätzen sind dies die fünf Python-AI-Agent-Frameworks, denen man im Jahr 2026 besonders Aufmerksamkeit schenken sollte.

Die 5 wichtigsten AI-Agent-Frameworks im Jahr 2026

Für diejenigen, die eine kurze Zusammenfassung möchten:

Die Rangliste an sich ist nicht wirklich entscheidend. Entscheidend ist es, das Framework auszuwählen, das zum konkreten Problem passt, mit dem man konfrontiert ist.

Das ist die Nuance, die oft verloren geht, wenn Menschen Agent-Frameworks direkt miteinander vergleichen.

1. LangGraph: Das Framework, auf das ich zurückgreife, wenn die Dinge kompliziert werden

Wenn ein Agent eine einfache Anfrage-Antwort-Schleife überschreitet und anfängt, einem echten mehrschrittigen Workflow zu ähneln, ist LangGraph in der Regel das bessere Werkzeug für diese Aufgabe. Die Referenzmaterialien dazu finden Sie in der offiziellen Dokumentation.

Das zugrundeliegende Konzept ist, sobald man es sieht, ziemlich einfach.

Anstatt den Prozess als folgendes vorzustellen:

Modell befragen, Tool aufrufen, Modell erneut befragen, wiederholen

lässt LangGraph Sie den Agenten stattdessen als Graph modellieren.

Jeder Knoten kümmert sich um eine andere Art von Aufgabe. Einige Knoten kommunizieren mit einem Modell, andere rufen Tools auf, und wieder andere können pausieren, um auf die Bestätigung eines Menschen zu warten.

Der entscheidende Punkt ist, dass dieser Workflow einen Zustand besitzt.

Diese Eigenschaft ist weitaus wichtiger, als es auf den ersten Blick scheint.

Nehmen wir zum Beispiel einen Kundenservice-Mitarbeiter.

Er erhält eine Anfrage, sucht in einer Wissensdatenbank nach Informationen, überprüft ein Konto, entscheidet, ob eine Rückerstattung sinnvoll ist, und leitet den Fall gegebenenfalls an einen Menschen weiter.

Fällt der Prozess nach dem vierten Schritt fehlerhaft aus, ist es in der Regel nicht das, was man möchte – von vorne anzufangen.

Stattdessen sucht man Antworten auf Fragen wie:

Was hat der Mitarbeiter bereits erledigt? In welchem Zustand befand sich der Prozess, als es fehlschlug? Welches spezifische Tool verursachte den Fehler? Ist es möglich, einfach diesen einen Schritt erneut zu versuchen? Muss an dieser Stelle ein Mensch eingreifen?

Genau dieses Szenario ist es, um das LangGraph entwickelt wurde.

Wo LangGraph hervorsticht

LangGraph eignet sich hervorragend für:

• Workflows, die lange laufen und viele Schritte beinhalten
• Systeme, bei denen eine menschliche Überprüfung oder Intervention erforderlich ist
• Agenten, die Kontrollpunkte benötigen, damit der Fortschritt nicht verloren geht
• Situationen, die eine sorgfältige Verwaltung komplexer Zustände erfordern
• Produktionsumgebungen, in denen Klarheit bei der Fehlersuche unerlässlich ist

Wo LangGraph Nachteile haben kann

Es gibt eine echte Lernkurve zu bewältigen.

Man weicht davon ab, einfach nur normale Python-Funktionen und Anweisungen zu schreiben, und beginnt stattdessen in Begriffen von Knoten, Kanten, Zuständen sowie Übergängen zwischen Workflow-Schritten zu denken.

Für ein kleines Projekt am Wochenende kann diese zusätzliche Struktur übertrieben erscheinen.

Eine nützliche Richtlinie: Wenn Ihr Agent nur zwei Werkzeuge benötigt und ein einfaches Ziel hat, ist LangGraph wahrscheinlich nicht der richtige Ausgangspunkt.

Aber sobald man mit Wiederholungsversuchen, Freigabeschritten, Verzweigungslogik sowie einem Zustand zu tun hat, der über längere Zeit bestehen bleibt, zeigt sich die Komplexität von LangGraph.

Falls Sie sehen möchten, wie ein auf LangGraph basierender Agent in eine live, produktionsreife Umgebung integriert werden kann, erklärt LangChains eigene Dokumentation zu den Bereitstellungswerkzeugen dies ausführlich: LangSmith-Bereitstellungs-Dokumente.

2. CrewAI: Der schnellste Weg, um eine Multi-Agenten-Lösung zu entwickeln

CrewAI verfolgt, wie in seiner Dokumentation beschrieben, einen deutlich anderen Ansatz.

Anstatt mit Graphen und Zustandsübergängen zu beginnen, konzentriert man sich zunächst auf Agenten und die Rollen, die sie übernehmen.

Man könnte beispielsweise definieren:

• Einen Forscher
• Einen Schreiber
• Einen Reviewer

Jedem davon wird eine Rolle, ein Ziel sowie eine Liste von Aufgaben zugewiesen.

Daraufhin legen Sie fest, wie sie zusammenarbeiten.

Dieses Denkmuster ist erstaunlich zugänglich – selbst für jemanden, der mit Agenten noch nicht vertraut ist.

Durch die Anwendung dieses Musters in Forschungs- und Content-Generierungsworkflows zeigt sich seine größte Stärke: Es ermöglicht es Ihnen, von einer rohen Idee innerhalb kürzester Zeit zu einem funktionsfähigen Mehr-Agenten-Prototypen überzugehen.

Es ist nicht notwendig, Tage damit zu verbringen, eine Architektur auszuarbeiten, bevor man herausfindet, ob das Konzept überhaupt funktioniert.

Wo CrewAI hervorsticht

CrewAI zeigt besonders gute Leistungen bei:

• forschungsorientierten Workflows
• Pipelines zur Erstellung von Inhalten
• analytischen Aufgaben
• schnellen Mehr-Agenten-Experimenten
• schneller Validierung neuer Ideen

Zum Beispiel könnte man einen Agenten einrichten, um ein Thema zu erforschen, einen zweiten, um das Findene zu analysieren, und einen dritten, um diese Analyse in einen fertigen Bericht umzuwandeln.

Diese Konfiguration ist weitaus einfacher zu erklären als eine große, komplizierte Zustandsmaschine.

Der Kompromiss

Genau die Abstraktion, die es CrewAI ermöglicht, so schnell zu verwenden, kann das Debuggen auch schwieriger machen.

Wenn das System korrekt läuft, wirkt das hochlevelige Design elegant und einfach.

Aber wenn etwas tief innerhalb einer Mehr-Agenten-Kette fehlschlägt, muss man möglicherweise durch die interne Ausführungslogik des Frameworks gehen anstatt einfach eine gewöhnliche Python-Funktion zu lesen.

Dieser Unterschied ist wichtig im Hinterkopf zu behalten.

CrewAI ist wirklich gut darin, schnell eine erste funktionsfähige Version zu erstellen.

Falls Sie letztendlich eine präzise, detaillierte Kontrolle über jede einzelne Übergangssituation im Workflow benötigen, könnte ein Framework wie LangGraph die bessere langfristige Wahl sein.

3. PydanticAI: Wenn falsche Ausgaben einfach keine Option sind

Es handelt sich um ein Framework, das von Python-Entwicklern mehr Aufmerksamkeit verdient, als es derzeit erhält.

Das Problem, das es löst, tritt fast jedem Entwickler irgendwann entgegen.

Sie bitten ein Modell, strukturierte JSON-Daten zurückzugeben.

Was zurückkommt, ähnelt JSON, ist aber nicht ganz identisch.

Ein Feld weist den falschen Datentyp auf.

Ein erforderlicher Schlüssel fehlt völlig.

Oder das Modell umgibt alles mit zusätzlichem Kommentar, den Sie nicht angefordert haben.

Sofort stürzt Ihre Anwendung ab.

PydanticAI geht diesem Problem aus der Perspektive des Typisierungs- und Validierungssystems von Python an, anstatt zu versuchen, besseres Verhalten direkt vom Modell selbst herauszuholen.

Falls Sie bereits Erfahrung mit Pydantic oder FastAPI haben, wird Ihnen das Konzept hier sofort vertraut vorkommen.

Anstatt einfach zu hoffen, dass die Ausgabe des Modells dem Ihren entspricht, definieren Sie explizit, welche Struktur eine gültige Antwort haben muss.

Diese Definition dient anschließend als Filter: Nichts wird weiterverwendet, bevor es die Validierung bestanden hat.

Warum dieser Unterschied wichtig ist

Stellen Sie sich einen Agenten vor, dessen Aufgabe es ist, Support-Tickets zu eröffnen.

Wahrscheinlich möchten Sie Felder wie folgende vorschreiben:

customer_id
priority
category
summary

Man möchte schließlich nicht, dass eine Datenbankschreiboperation davon abhängt, ob das Modell zu diesem Zeitpunkt zufällig seine Antwort richtig formatiert hat.

Was Sie wollen, ist eine Garantie.

Genau diese Garantie bietet Ihnen ein schema-basierter, typgesteuerter Ansatz.

Wo PydanticAI seine Berechtigung findet

• Ausstrahlen strukturierter Daten aus unstrukturiertem Text
• Abläufe, die mit einer Datenbank verbunden sind
• Automatisierung der Erstellung von Support-Tickets
• Erstellung von Forschungsberichten
• Finanzielle oder andere für das Geschäft kritische Prozesse
• Jedes System, in dem die Ausgabe des Agents direkt von einem anderen Programm verarbeitet wird

Der Preis für diese Sicherheit

Der Kompromiss ist mehr Arbeit zu Beginn.

Falls Sie sich noch in der Erkundungsphase befinden und noch nicht genau festgelegt haben, was Ihr Agent zurückgeben soll, kann das Schreiben strenger Schemata wie ein Verlangsamungsfaktor erscheinen.

Sobald der Ablauf jedoch wirklich wichtig wird, zahlt sich diese Investition meist mehrfach durch eingesparte Zeit bei der Fehlersuche aus.

Falls Sie bereits praktische Erfahrung mit FastAPI und Pydantic haben, ist PydanticAI vermutlich das schnellste aller genannten Frameworks, um damit zurechtzukommen.

4. OpenAI Agents SDK: Leichtgewichtig und speziell entwickelt

Nicht jedes Projekt erfordert ein schwerfälliges Framework.

Mannchmal braucht man eigentlich nur einen Agenten, der eine Aufgabe ausführt, einige Tools aufruft und bei Bedarf den Ball an einen anderen spezialisierten Agenten weitergibt.

Diese Nische wird vom OpenAI Agents SDK besonders gut bedient.

Die bemerkenswerte Funktion ist sein Übergabemechanismus.

Stellen Sie sich eine Konfiguration vor, die folgende Komponenten enthält:

• Einen allgemein einsetzbaren Kundenservice-Agenten
• Einen speziellen Rechnungsagenten
• Einen speziellen Technik-Support-Agenten

Der erste Agent liest die eingehende Anfrage und leitet sie an den entsprechenden Spezialisten weiter.

Die entstehende Architektur bleibt leicht verständlich.

Das ist sehr wichtig, denn codebasierte Systeme mit Agenten neigen dazu, weitaus früher schwer zu warten zu sein, als man erwarten würde.

Wann es geeignet ist

wählen Sie dieses SDK, wenn:

• Ihre Technologieplattform bereits auf OpenAI-Modellen basiert
• Ihr System in Bezug auf Umfang klein bis mittelgroß ist
• Sie einige spezialisierte Agenten koordinieren
• Ihre Übergaben einfach bleiben sollen
• Sie keine leistungsstarke Orchestrierung benötigen

Auch seine Einschränkungen sind leicht erkennbar.

Falls Ihre gesamte Architektur um OpenAI aufgebaut ist und Sie später die Freiheit haben möchten, Anbieter zu wechseln, erfordert diese Migration zusätzliche Anstrengungen.

Und wenn Ihr Workflow zu etwas Hochgradig Zustandsbehaftetem und Komplexem wird, werden Sie letztendlich eine orchestrierende Schicht mit größerer Tiefe benötigen.

Die wahre Stärke dieses SDKs liegt nicht darin, dass es versucht, jeden Anwendungsfall abzudecken; vielmehr liegt sie darin, dass es dies absichtlich nicht tut.

Mannchmal ist genau ein engeres Werkzeug das, was ein Projekt benötigt.

5. smolagents: Das Framework, das die Interna von Agenten verständlich macht

Hugging Faces smolagents lohnt sich, wenn Ihr Ziel nicht nur darin besteht, einen Agenten zu veröffentlichen, sondern auch wirklich zu verstehen, was im Hintergrund abläuft.

Das liegt daran, dass sein Kerndesign absichtlich minimalistisch bleibt.

Anstatt alles hinter Schichten der Abstraktion zu verbergen, ermöglicht smolagents dem Modell, kleine Python-Snippets zu schreiben, die Tools direkt aufrufen.

Dadurch bleibt der Entscheidungsprozess des Agents transparent und leicht überprüfbar.

Für alle, die noch lernen, wie Agents tatsächlich funktionieren, ist diese Transparenz von großer Bedeutung.

Man kann die Abfolge Schritt für Schritt nachverfolgen:

Das Modell begründet seine Entscheidung, es wird Code generiert, ein Tool führt diesen aus, das Ergebnis wird zurückgegeben, und das Modell setzt von dort an fort.

Es ist nicht notwendig, erst ein umfangreiches Framework zu beherrschen, um diesen grundlegenden Prozess zu verstehen.

Wo smolagents die richtige Wahl ist

• Das Studium der Funktionsweise von Agent-Architekturen
• Ausführung lokaler Modelle
• Selbsthosting für Experimente
• Kleinere Projekte
• Schnelles Prototyping
• Jeder, der klaren Code vor Abstraktionen bevorzugt

Es eignet sich auch hervorragend, wenn man mit Modellen auf eigener Hardware experimentiert.

Eine Warnung, die mit dieser Macht einhergeht

Dass ein Modell in der Lage ist, seinen eigenen Code zu generieren und auszuführen, ist sehr mächtig.

Gleichzeitig birgt das auch echte Risiken.

Man sollte einem Produktionsagenten ohne ernsthafte Schutzmaßnahmen keinen unbegrenzten Zugriff auf eine Maschine gewähren.

Zu berücksichtigende Aspekte sind unter anderem:

• Rechte am Dateisystem
• Netzwerkzugriff
• Ausführung von Shell-Befehlen
• Sandboxing
• Ressourcenlimits
• Verwaltung von Geheimnissen und Zugangsdaten

Nichts davon ist spezifisch für smolagents. Es handelt sich um ein Sicherheitsproblem, das generell für KI-Agenten gilt.

Die geringe Größe der Codebasis eignet sich hervorragend zum Lernen, doch eine echte Implementierung erfordert dennoch die entsprechende Infrastruktur für Sicherheit und Zuverlässigkeit.

Frameworks, die nicht auf der Liste stehen

Das Python-Agent-Ökosystem weist neben diesen fünf noch mehr fähige Konkurrenten auf.

Dass diese ausgeschlossen werden, bedeutet nicht, dass sie minderwertig sind.

Es spiegelt vielmehr eine Ausrichtung auf die Frameworks wider, die für einen allgemeinen Python-Entwickler im Jahr 2026 am sinnvollsten sind.

Microsoft Agent Framework

Sowohl AutoGen als auch Semantic Kernel werden in Microsofts neueres Agent Framework integriert, das einen Blick wert ist, wenn Ihr Team bereits im Microsoft- und Azure-Umfeld arbeitet.

Für Organisationen, die stark in dieses Ökosystem investiert haben, ist es eine durchaus vernünftige Option zur Bewertung.

Aber für einen Python-Entwickler ohne eine solche vorherige Bindung bieten die bereits besprochenen fünf Frameworks einen einfacheren Einstiegspunkt.

Google ADK

Googles Agent Development Kit ist ein weiterer solider Kandidat, insbesondere für Teams, deren Infrastruktur bereits auf Google Cloud läuft.

Durch seine Tools und die Integration in das Ökosystem eignet es sich hervorragend für arbeitsspezifische Anforderungen, die auf GCP basieren.

Ebenso wie bei der Microsoft-Lösung wird die Auswahl erheblich einfacher, sobald Ihr bestehender Cloud-Anbieter bereits eine Rolle spielt.

LangChain

LangChain hat weiterhin reellen Wert.

Allerdings gibt es einen wichtigen Unterschied, den man berücksichtigen sollte.

Falls Sie tatsächlich Agent-Orchestrierung benötigen, ist LangGraph in der Regel das direktere Tool zur Bewertung.

LangChain bleibt als Integrationsschicht nützlich, insbesondere wenn Sie verschiedene Modelle, Tools und Datenquellen miteinander verbinden.

Die richtige Framework für Ihr Projekt auswählen

Wählen Sie kein Framework nur deshalb, weil jemand es als „das Beste“ bezeichnet hat.

Stellen Sie stattdessen zwei Fragen.

Zuerst: Wie komplex ist der Workflow?

Falls Ihr Agent einfach ist und nur wenige Tools aufruft, ist eine aufwändige Orchestrierungsschicht wahrscheinlich überflüssig.

Aber wenn Sie mehrere Agenten koordinieren, Wiederholversuche verwalten, Freigabepunkte einbauen oder den Status über die einzelnen Schritte hinweg verfolgen müssen, benötigen Sie ein Framework, das für dieses Maß an Kontrolle konzipiert ist.

Zweitens: Wie streng muss die Ausgabe sein?

Falls das Endergebnis lediglich Text ist, der von einem Menschen gelesen wird, haben Sie Spielraum für Flexibilität.

Falls diese Ausgabe direkt in eine Datenbank, eine API oder einen Geschäftsprozess eingespeist wird, ist Validierung nicht mehr optional, sondern unerlässlich.

Hier ist eine vereinfachte Art, darüber nachzudenken:

Möchten Sie den schnellsten Weg, um eine Idee mit mehreren Agenten zu prototypisieren? Wählen Sie CrewAI.

Brauchen Sie eine komplexe Zustandsverwaltung sowie Orchestrierung auf Produktionsniveau? Wählen Sie LangGraph.

Brauchen Sie Ausgaben, die streng überprüft und strukturiert sind? PydanticAI ist die richtige Wahl.

Sind Sie bereits im Ökosystem von OpenAI tätig und möchten einfache Agentenübergaben? Verwenden Sie das OpenAI Agents SDK.

Möchten Sie erfahren, wie Agenten tatsächlich funktionieren, oder lokal experimentieren? Beginnen Sie mit smolagents.

Nichts davon bedeutet, dass jedes Framework dauerhaft auf einen bestimmten Anwendungsfall beschränkt ist.

Es handelt sich einfach um einen sinnvollen Ausgangspunkt.

Der eigentliche Entscheidungsfaktor ist nicht das Framework

Nach der Arbeit mit diesen verschiedenen Tools wird klar, dass Entwickler oft zu viel Gewicht auf die Wahl des Frameworks selbst legen.

Das Framework ist nur ein Teil des Systems.

Ein wirklich guter Agent hängt weiterhin von folgendem ab:

• Klaren, gut definierten Toolbeschreibungen
• Solidem Fehlerrhandling

Gut formulierte Anfragen

Das richtige Modell für die Aufgabe

Überwachung dessen, was der Agent tut

Klare Berechtigungsregeln

Tests

Eine Möglichkeit, bei Bedarf an einen Menschen weiterzuleiten

Eine schwache Architektur in einem beliebten Framework zu verpacken, behebt die Architektur nicht.

Andererseits kann ein einfaches Design äußerst gut funktionieren, wenn das zugrundeliegende Problem tatsächlich einfach ist.

Das ist wohl die wichtigste Erkenntnis aus dem Vergleich all dieser Tools nebeneinander.

Zwingen Sie Ihr Problem nicht in die Struktur eines Frameworks. Entwickeln Sie die Lösung, die das Problem tatsächlich erfordert.

Häufig gestellte Fragen

Welches Framework sollte ein Anfänger im Jahr 2026 wählen?

Für Einsteiger in diesem Bereich sind CrewAI oder smolagents die besten Ausgangspunkte.

CrewAI hilft Ihnen dabei, schneller ein funktionsfähiges Multi-Agenten-Prototyp zu erstellen. smolagents ist die bessere Wahl, wenn Ihre Priorität darin besteht, wirklich zu verstehen, wie Agentenschleifen und Toolaufrufe im Hintergrund funktionieren.

Ist LangGraph besser als CrewAI?

Nicht grundsätzlich.

CrewAI ist in der Regel schneller bei der Erstellung eines Multi-Agenten-Prototyps, während LangGraph eine genauere Kontrolle über Zustandsbasierte Workflows, Checkpointing sowie komplexe Ausführungspfade bietet.

Welches Tool gewinnt, hängt vollständig davon ab, was Sie entwickeln.

Ist MCP im Jahr 2026 zur Erstellung von Agenten erforderlich?

Nein, das ist es nicht.

Man kann voll funktionsfähige Agenten erstellen, ohne MCP zu verwenden.

Dies bedeutet, dass das Model Context Protocol immer wichtiger geworden ist, um Agenten mit externen Tools und Daten zu verbinden, und immer mehr Agent-Ökosysteme unterstützen es nun nativ.

Unterstützen diese Frameworks lokale Modelle?

Ja, mehrere von ihnen tun das.

Die genaue Einrichtung hängt davon ab, welchen Modellanbieter und welche Integrationsschicht man wählt, aber lokale sowie selbst gehostete Modelle werden im Allgemeinen unterstützt.

smolagents hebt sich hier für Entwickler hervor, die mit lokalen Modellen experimentieren möchten, dank seines minimalistischen, code-first-Designs.

Lohnt es sich, PydanticAI zu lernen, wenn man bereits FastAPI kennt?

Ja.

Jeder, der bereits mit FastAPI und Pydantic vertraut ist, wird viele der zugrundeliegenden Konzepte sofort erkennen.

Typisierte Schemata, Validierungslogik und Dependency Injection sind alle wichtig, wenn die Ausgabe eines Agents sicher von einem anderen Teil Ihrer Anwendung verarbeitet werden muss.

Zusammenfassung

Es gibt im Jahr 2026 kein einziges „bestes“ Python-Agent-Framework.

Das ist eigentlich ein gutes Zeichen.

Das Ökosystem hat sich so weiterentwickelt, dass Sie ein Werkzeug nach dem konkreten Problem auswählen können, anstatt jedes Projekt einer bestimmten Architektur anzupassen.

Für Workflows, die komplexe Zustände und produktionstaugliche Orchestrierung benötigen, ist LangGraph der stärkste Kandidat.

Für den schnellen Aufbau eines mehr-Agenten-Workflows ist CrewAI kaum zu übertreffen.

Wenn die Ausgabe streng validiert und strukturiert werden muss, verdient PydanticAI ernsthafte Berücksichtigung.

Für Teams, die bereits tief im Ökosystem von OpenAI verwurzelt sind und saubere Agentenübergaben wünschen, ist das OpenAI Agents SDK die ideale Wahl.

Und wer lernen möchte, wie Agenten funktionieren, oder mit lokalen Modellen experimentieren will, für den ist smolagents der richtige Ausgangspunkt.

Die eigentliche Lektion aus einem Jahr des Aufbaus von Agenten ist nicht, dass ein bestimmtes Framework am Ende den Vortritt hatte.

Sondern dass das beste Framework jenes ist, das dafür sorgt, dass der Agent weiterhin verständlich bleibt, wenn unweigerlich etwas schiefgeht.

Das ist ein weitaus besserer Filter für das Jahr 2026 als die Zählung der GitHub-Sterne.