10 marcos de trabajo para agentes de IA que debes conocer en 2026: LangGraph, CrewAI y más.
Diez frameworks de agentes para 2026, entre ellos LangGraph, CrewAI y AutoGen, agrupados según la forma en que coordinan a los agentes, con sus ventajas y desventajas y una guía para elegir uno.
Fuentes: 10 AI Agent Frameworks You Should Know in 2026: LangGraph, CrewAI, AutoGen & More 🤖
Los frameworks para agentes se multiplicaron rápidamente. OpenAI lanzó un Agents SDK, Google distribuyó ADK, Hugging Face presentó Smolagents y el equipo de Pydantic creó una capa de agentes tipada, todo junto con los nombres más antiguos. Elegir entre ellos es más sencillo una vez que se nota que cada uno apuesta por una sola idea: cómo los agentes se coordinan entre sí.
El mapa: ocho modelos de coordinación
- Basado en grafos: los agentes son nodos y las transiciones son aristas. LangGraph hace esto.
- Basado en roles: los agentes actúan como títulos de puesto en un equipo. CrewAI.
- Basado en conversaciones: los agentes se encuentran en un chat grupal y se turnan. AutoGen y AG2.
- Jerárquico: un agente padre asigna tareas a los hijos, como en un organigrama. Google ADK.
- Basado en ejecución de código: la acción del agente es escribir y ejecutar Python. Smolagents.
- Basado en transferencia de control: un agente pasa intencionalmente el control a otro. OpenAI Agents SDK.
Semantic Kernel y el Claude Agent SDK no encajan perfectamente en esta lista, por lo que cuentan con secciones propias más abajo. Teniendo en cuenta esta lista, la elección del framework se reduce a una pregunta: ¿qué modelo de coordinación se adapta a su problema?
1. LangGraph, la opción predeterminada en producción
A principios de 2026, LangGraph superó a CrewAI en número de estrellas en GitHub gracias a la adopción por parte de empresas. Su estructura basada en grafos se adapta a las necesidades de producción, como rastros de auditoría y puntos de reversión.
Se define un grafo dirigido de forma explícita. Los agentes, las herramientas y los puntos de control son nodos, mientras que los bordes condicionales determinan qué se ejecuta a continuación. El marco mantiene el estado entre pasos y utiliza lógica de reductor para combinar las actualizaciones que llegan simultáneamente. Esto lo hace ideal cuando se necesita un control preciso sobre el orden de ejecución, las ramificaciones y la recuperación ante errores. Llegó a la versión 1.0 a finales de 2025, se convirtió en el entorno de ejecución predeterminado para los agentes de LangChain y es compatible tanto con Python como con JavaScript.
La persistencia está integrada a través de puntos de control que permiten “viajar en el tiempo”: se puede volver a ejecutar cualquier estado anterior, lo cual es importante para la depuración y el cumplimiento normativo. Al combinarlo con LangSmith, se obtiene uno de los mejores sistemas de seguimiento del grupo.
El precio que se paga es la cantidad de código necesario. Un agente ReAct básico podría tener alrededor de 40 líneas en Smolagents y unas 120 en LangGraph. Se sacrifica la brevedad del código a cambio de un mayor control.
Es adecuado para sistemas de producción que necesitan un estado explícito y capacidad de auditoría, flujos de trabajo con bucles, ramas y enrutamiento condicional, agentes que requieren puntos de control para la aprobación humana y equipos ya invertidos en LangChain.
Un ejemplo mínimo define un estado tipado, una función que decide si continuar después de diez iteraciones, un nodo de agente y un nodo de herramientas, además de conexiones que forman bucles entre ellos hasta alcanzar el límite.
from langgraph.graph import StateGraph, END
from typing import TypedDict
class AgentState(TypedDict):
messages: list
iteration_count: int
def should_continue(state: AgentState) -> str:
if state["iteration_count"] >= 10:
return "end"
return "continue"
graph = StateGraph(AgentState)
graph.add_node("agent", run_agent)
graph.add_node("tools", run_tools)
graph.add_conditional_edges("agent", should_continue, {"continue": "tools", "end": END})
graph.add_edge("tools", "agent")
2. CrewAI, la forma rápida de comenzar
El diseño basado en roles de CrewAI permite a un equipo pequeño crear un sistema multiagente funcional en aproximadamente media hora.
Describe cada agente por su rol, historia y objetivo, luego los agrupas en un equipo con tareas y dejas que el marco se encargue de la coordinación. El código parece casi un texto en inglés sencillo: declaras a un investigador, a un escritor y a un revisor, les asignas tareas, y CrewAI decide quién hace qué y cuándo. No se necesita teoría de grafos.
El costo se manifiesta en dos aspectos. Las comparaciones publicadas para 2026 indican un sobrecoste moderado en tokens, alrededor del 18% más que una implementación equivalente de LangGraph para un equipo de tres agentes encargados de triage de tickets, aunque estas cifras dependen del volumen de trabajo. Además, cuando falla un pipeline con cinco agentes, la abstracción puede volverse opaca y difícil de depurar. El estado es simplemente la salida de las tareas que se transmite de un agente al siguiente.
Es adecuado para prototipos rápidos y MVPs, automatización empresarial que se adapta a los roles del equipo humano, equipos sin ingenieros de IA dedicados y pequeñas organizaciones que dan su primer paso en la automatización con agentes. Una historia común: los equipos crean prototipos en CrewAI y luego pasan a LangGraph cuando necesitan un manejo adecuado del estado y enrutamiento condicional.
from crewai import Agent, Task, Crew
researcher = Agent(role="Research Analyst", goal="Find key facts", backstory="Expert researcher")
writer = Agent(role="Content Writer", goal="Write clear summaries", backstory="Skilled communicator")
research_task = Task(description="Research AI agent frameworks", agent=researcher)
writing_task = Task(description="Write a summary of findings", agent=writer)
crew = Crew(agents=[researcher, writer], tasks=[research_task, writing_task])
result = crew.kickoff()
3. AutoGen y AG2, agentes en conversación
En AutoGen, los flujos de trabajo son conversaciones. Los agentes se unen a un chat grupal, hablan en varios turnos y un selector elige al siguiente orador. Mientras LangGraph dibuja un grafo de nodos y aristas, AutoGen organiza una discusión.
La primera versión, 0.2, popularizó a los agentes que debatían y refinaban respuestas a través del diálogo. La reescritura 0.4, continuada como AG2, pasó a utilizar un núcleo basado en eventos con ejecución asíncrona prioritaria y estrategias de orquestación intercambiables.
El problema es el costo. Cada turno implica una llamada completa al LLM que incluye toda la conversación hasta ese momento, por lo que cuatro agentes debatiendo durante cinco rondas significan al menos veinte llamadas. Eso es demasiado para trabajos en tiempo real y de alto volumen como el soporte al cliente. Sin embargo, resulta útil en tareas offline donde la calidad es más importante que la velocidad. El estado se almacena en el historial de la conversación, por defecto en la memoria.
Los usos adecuados incluyen la investigación y el análisis, donde los agentes discuten y perfeccionan sus ideas, la generación de código, donde un agente critica a otro, cualquier tarea que se beneficie de una deliberación real, así como equipos que también necesiten soporte .NET, ya que AutoGen cuenta con conectores entre diferentes lenguajes. AutoGen Studio añade una interfaz sin código para probar configuraciones multiagente, útil para personas que no son ingenieros.
4. Google ADK, el árbol de delegación
Lanzado en abril de 2025, ADK organiza a los agentes en un árbol. Un agente raíz recibe una tarea y la transfiere como subtareas a sus subagentes, los cuales pueden tener a su vez sus propios subagentes. Piense en un organigrama, no en un chat grupal.
Está estrechamente vinculado a Vertex AI, Gemini y Google Cloud, aunque también funcionan otros modelos. Su característica distintiva es el soporte nativo para A2A, el protocolo Agente-a-Agente, de modo que un agente ADK puede encontrar y llamar a un agente escrito en LangGraph o CrewAI a través de la interfaz de tareas estándar de A2A. El estado de la sesión se gestiona con backends intercambiables.
Es la opción natural para equipos profundamente integrados en Google Cloud, para sistemas que deben coordinar agentes entre diferentes frameworks, para empresas que dependen de las certificaciones de cumplimiento de Google y para flujos de trabajo con una cadena clara de delegación.
5. OpenAI Agents SDK, pequeño y rápido
Al llegar en marzo de 2025, el Agents SDK reemplazó al proyecto experimental Swarm por una solución lista para su uso en entornos de producción. Su idea central es la transferencia de control: un agente termina su tarea y pasa explícitamente el control, junto con el contexto de la conversación, a otro agente. Cada agente está definido por instrucciones, un modelo, herramientas y la lista de agentes a los que puede transferir el control. El resultado es predecible y fácil de comprender.
Existen limitaciones reales. Está vinculado a los modelos de OpenAI, sin posibilidad de utilizar modelos propios. No cuenta con mecanismos integrados para guardar puntos de control en tareas que duran mucho tiempo, el control sobre la comunicación entre agentes es limitado y el manejo de errores es rudimentario. El estado se representa mediante variables de contexto que, por defecto, son efímeras. La curva de aprendizaje es suave, gracias a una API sencilla y bien definida.
Elija esta opción si ya utiliza modelos de OpenAI, su flujo es una serie simple de pasos sin necesidad de un estado complejo, o si desea crear un prototipo antes de invertir en algo más grande.
from agents import Agent, handoff
support_agent = Agent(name="Support", instructions="Handle general questions")
billing_agent = Agent(name="Billing", instructions="Handle payment issues")
support_agent.tools = [handoff(billing_agent, "Transfer billing questions")]
6. Smolagents: el código como acción
La biblioteca de Hugging Face adopta un enfoque simplificado. En lugar de prompts elaborados y orquestación compleja, ejecuta un bucle mínimo en el que el agente escribe y ejecuta código para alcanzar su objetivo.
La mayoría de los agentes eligen una herramienta y sus argumentos en formato JSON. CodeAgent de Smolagents escribe código Python directamente, por lo que cualquier biblioteca queda disponible como herramienta una vez se autoriza su importación. También permite el uso de modelos locales, desarrollados por Hugging Face para su propio ecosistema. Por motivos de seguridad, la ejecución puede realizarse en un entorno aislado mediante Blaxel, E2B, Modal, Docker o un entorno de sandbox de Pyodide-plus-Deno WebAssembly.
La debilidad radica en su dependencia de la calidad del modelo. Los modelos de clase GPT-4o o Claude Sonnet generan código sólido, mientras que los modelos con aproximadamente 7 mil millones de parámetros introducen errores de forma constante. Esta dependencia es mayor que en otros frameworks.
Es adecuado para agentes de investigación y ejecución de código, pipelines de análisis de datos que se benefician del código generado, personas que ya están en Hugging Face Hub y prototipos con modelos de código abierto locales.
from smolagents import CodeAgent, InferenceClientModel, DuckDuckGoSearchTool
model = InferenceClientModel()
agent = CodeAgent(tools=[DuckDuckGoSearchTool()], model=model)
result = agent.run("Find the top 5 AI frameworks by GitHub stars and plot a bar chart")
# The agent writes and executes Python to search, process data, and generate the chart
7. PydanticAI, contratos tipados
Pydantic AI lleva la seguridad de tipos y la experiencia del desarrollador de Pydantic al trabajo con agentes, con una sensación similar a FastAPI. Declara las entradas, las firmas de las herramientas y las salidas como tipos de Python, y el framework las valida además de agregar instrumentación OpenTelemetry.
Su lógica utiliza inyección de dependencias en cada paso: se indica qué entra, qué sale, y Pydantic hace cumplir el contrato. Si tu pipeline necesita formatos de salida fiables y validados, esto ofrece garantías al nivel de Pydantic sobre lo que devuelve el modelo. Cualquiera que haya usado Pydantic o FastAPI lo encontrará familiar.
Es adecuado para aplicaciones con salidas validadas mediante esquemas, como en finanzas, salud y trabajo legal, equipos que valoran la seguridad de tipos y la posibilidad de pruebas, desarrolladores de Python que desean contratos explícitos en cada interacción y, notablemente, se utiliza como capa de salida estructurada dentro de un orquestador más grande como LangGraph.
8. Microsoft Semantic Kernel, la opción empresarial
Semantic Kernel se basa en complementos, con agentes que actúan como planificadores orquestados, y está diseñado para parecerse a un software empresarial ordinario en lugar de a un prototipo de investigación. Es más ligero que algunos competidores, pero se integra firmemente con .NET.
Es la opción para equipos en Azure que desarrollan en C# o Java y despliegan dentro del ecosistema de cumplimiento de Microsoft. Está diseñado principalmente para Azure OpenAI, pero también es compatible con otros proveedores. Es adecuado para equipos empresariales que trabajan con .NET, C# y Java, despliegues centrados en Azure, organizaciones que ya utilizan Copilot Studio y flujos de trabajo que deben conectarse a Microsoft 365 y Office.
9. Claude Agent SDK, la fiabilidad por encima de todo
El SDK de Anthropic funciona como una cadena de uso de herramientas con subagentes. Claude decide qué herramientas utilizar, las conecta entre sí y puede iniciar subagentes aislados para trabajar en paralelo mediante la infraestructura de agentes de Claude Code.
Da prioridad al manejo fiable de errores y a un comportamiento seguro sobre la velocidad bruta, se integra de forma nativa con MCP para conexiones de herramientas y puede utilizar el razonamiento avanzado de Claude para tareas complejas. Solo funciona con modelos de Claude. El estado externo pasa por los servidores MCP, mientras que el estado dentro de la sesión se almacena en el contexto de Claude.
Tómelo en consideración si ya está en la plataforma de Anthropic, si le importan las garantías de seguridad y el cumplimiento de políticas de contenido, para trabajos con contexto largo que se benefician de una ventana de 200K tokens y para proyectos vinculados al ecosistema más amplio de herramientas MCP.
10. OpenAgents, una red basada en protocolos
OpenAgents crea redes de agentes persistentes en las que los miembros se comunican mediante estándares abiertos, MCP para herramientas y A2A entre agentes. Un agente de LangGraph, un agente de CrewAI y un agente desarrollado manualmente en Python pueden unirse a la misma red. El objetivo es la interoperabilidad entre frameworks y organizaciones, en lugar de seguir un único flujo de trabajo predefinido.
Es más reciente, tiene una comunidad más pequeña que AutoGen o LangGraph y ofrece menos integraciones listas para usar que el ecosistema de LangChain. Es adecuado para ecosistemas de agentes de larga duración que evolucionan, para la colaboración entre organizaciones a través de A2A, para equipos que necesitan agentes de diferentes frameworks para encontrarse entre sí y para trabajos de infraestructura donde el soporte de protocolos abiertos es indispensable.
Elegir uno
Comience por determinar quién está desarrollándolo.
- Un desarrollador individual en su primer proyecto de agente: CrewAI o el SDK de OpenAI.
Luego, en cuanto a lo que se está desarrollando.
- Un sistema de producción que necesita gestión de estado y trazabilidad: LangGraph.
- Un flujo de trabajo empresarial con una clara separación de roles: CrewAI.
- Un proceso de debate o revisión de código entre agentes: AutoGen o AG2.
- Una implementación en Google Cloud con Gemini: ADK.
- Algo que debe funcionar en los frameworks de diferentes proveedores: OpenAgents.
- Una aplicación crítica desde el punto de vista de la seguridad: el Claude Agent SDK.
Luego, en cuanto a lo que no puede verse comprometido.
- Agnóstico a los modelos, ya sean de OpenAI, Anthropic o locales: LangGraph, CrewAI, AutoGen o Smolagents.
- Solo OpenAI, configuración más rápida: el SDK de OpenAI Agents.
- Optimizado para Gemini: ADK.
- Solo Claude, con la postura de seguridad más estricta: el SDK de Anthropic.
- Salida validada y segura desde el punto de vista tipológico: PydanticAI.
- Interoperabilidad entre diferentes frameworks: OpenAgents.
Como una visión general del mercado, parece que LangGraph dominará el segmento empresarial y de producción, Smolagents probablemente liderará en Hugging Face y en la comunidad de investigación, mientras que CrewAI y AutoGen competirán por el segmento intermedio más accesible.
El criterio real
Elija el framework que se adapte a su problema, a su equipo y a la tecnología que ya utiliza. No el que tenga más reseñas positivas ni el más reciente. Elija el que permita expresar de manera sencilla su problema específico de coordinación y facilitar su depuración. Ese siempre ha sido el objetivo principal.
Leer más
- Agentes paralelos de LangGraph que revisan solicitudes de pull request mediante webhooks de FastAPI — Cómo un webhook, una cola de Redis y cuatro agentes de LangGraph convierten una solicitud de pull request en una revisión estructurada y puntuada por IA en aproximadamente 30 segundos, con ngrok para pruebas locales.
- Comparación de los modos de transmisión en LangGraph: actualizaciones, valores y astream_events — Un ejemplo funcional de LangGraph muestra cuándo transmitir actualizaciones de nodos, instantáneas completas del estado o eventos a nivel de token, además de un patrón para entornos de producción y errores comunes.