Los frameworks de agentes de IA sirven para automatizar tareas de varios pasos que usan herramientas, memoria y, a veces, varios modelos trabajando juntos. Pero el sector ha cambiado mucho en el último año. LangGraph ya es estable, CrewAI ha añadido una capa de control determinista y Microsoft ha dejado AutoGen en modo mantenimiento. Esta guía te explica en qué situación está cada opción en 2026, cuál elegir según tu caso y cuándo es mejor no usar ningún framework.
Resumen rápido
| Framework | Modelo mental | Estado en 2026 | Licencia | Ideal para |
|---|---|---|---|---|
| LangGraph | Grafo de nodos con estado | Versión 1.0 estable desde octubre de 2025 | MIT | Producción, flujos largos, intervención humana |
| CrewAI | Equipo de agentes con roles (Crews) + flujos por eventos (Flows) | Desarrollo activo, compatible con MCP y A2A | MIT | Prototipos rápidos y procesos de negocio con roles claros |
| AutoGen | Conversación entre agentes | Modo mantenimiento: solo parches de seguridad | MIT | Proyectos que ya lo usan; no lo elijas para algo nuevo |
| Microsoft Agent Framework | Agentes + workflows en grafo | Sucesor de AutoGen y Semantic Kernel | MIT | Equipos en .NET/Azure o que vienen de AutoGen |
| OpenAI Agents SDK | Agentes con traspasos (handoffs) y guardrails | Activo | MIT | Agentes sencillos con trazas incluidas |
| Pydantic AI | Agente tipado en Python | Activo | MIT | Backends Python que quieren validar salidas |
Qué problema resuelven de verdad
Un framework de agentes no hace más listo al modelo. Lo que te ahorra es la fontanería que acabarías escribiendo tú:
- Estado: recordar qué se ha hecho, qué datos se han obtenido y en qué paso estás.
- Persistencia: si el proceso se corta, retomarlo sin empezar de cero.
- Herramientas: conectar el modelo con APIs, bases de datos o servidores MCP.
- Control de flujo: ramas, bucles con límite, reintentos y pausas para que una persona apruebe.
- Observabilidad: trazas para saber por qué el agente tomó cada decisión y cuánto costó.
Si tu caso no necesita casi nada de esta lista, un script con dos o tres llamadas al modelo será más barato, más rápido y más fácil de depurar.
LangGraph
LangGraph es el framework de bajo nivel del ecosistema LangChain. Modelas el agente como un grafo: cada nodo es una función (llamar al modelo, usar una herramienta, validar un dato) y las aristas deciden qué viene después. La versión 1.0 salió en octubre de 2025 y desde entonces es la base sobre la que funcionan los agentes de LangChain.
Puntos fuertes:
- Checkpoints automáticos tras cada nodo (en memoria, SQLite, Postgres o Redis). Puedes pausar, reanudar y «viajar en el tiempo» para depurar.
- Intervención humana nativa: el grafo se detiene hasta que alguien aprueba o corrige.
- Control explícito: sabes exactamente qué paso va después de cuál.
- Integración con LangSmith para trazas y evaluaciones.
Puntos débiles: la curva de aprendizaje es mayor y para un prototipo de una tarde se queda grande. Tienes que pensar en estados y transiciones desde el principio.
Elígelo si vas a llevar el agente a producción, el proceso dura minutos u horas, o necesitas auditar cada decisión.
CrewAI
CrewAI parte de una metáfora sencilla: defines agentes con un rol, un objetivo y unas herramientas («investigador», «redactor», «revisor») y los organizas en un equipo (Crew) que se reparte las tareas. En 2025 añadió los Flows, una capa orientada a eventos con decoradores como @start, @listen y @router que te devuelve el control determinista que les faltaba a los Crews.
Puntos fuertes:
- Llegas a un prototipo funcional en muy poco código.
- El patrón habitual combina las dos capas: Flows para el proceso fijo y Crews para las partes donde los agentes colaboran.
- Persistencia de estado de los Flows con
@persisty compatibilidad con MCP y A2A.
Puntos débiles: con Crews «autónomos» es fácil gastar tokens en conversaciones entre agentes que no aportan. Además, por defecto la intervención humana espera una respuesta en la consola, así que tienes que conectar tu propio canal (web, Slack…) para usarla en producción.
Elígelo si quieres validar una idea rápido o el proceso encaja de forma natural en roles de un equipo.
AutoGen y Microsoft Agent Framework
AutoGen popularizó los sistemas multiagente basados en conversación: varios agentes hablan entre sí hasta resolver la tarea. Microsoft lo ha fusionado con Semantic Kernel en el Microsoft Agent Framework y ha dejado AutoGen en modo mantenimiento. Sigue recibiendo parches de seguridad y no tiene fecha de fin anunciada, pero ya no tendrá funciones nuevas.
El sucesor cambia de enfoque: usa workflows en grafo en lugar del modelo conversacional. Migrar no consiste en buscar y reemplazar, sino en rediseñar el sistema. A cambio, ofrece Python y .NET, es compatible con Azure OpenAI, OpenAI, Anthropic, AWS Bedrock y Ollama, y entiende MCP y A2A.
También existe AG2, un fork comunitario que continúa la API clásica de AutoGen.
Qué hacer: si tienes un sistema en AutoGen que funciona, no hay prisa por moverlo. Para un proyecto nuevo, empieza directamente en Microsoft Agent Framework (si estás en el ecosistema Microsoft) o en LangGraph.
Alternativas que conviene conocer
- OpenAI Agents SDK: muy ligero. Agentes, traspasos entre agentes, guardrails y trazas en pocas líneas. Es una buena puerta de entrada si ya usas la API de OpenAI.
- Google ADK (Agent Development Kit): pensado para Gemini y Vertex AI, con agentes jerárquicos y despliegue en Google Cloud.
- Pydantic AI: agentes con entradas y salidas tipadas y validadas. Encaja de forma natural en backends FastAPI.
- LlamaIndex: la opción lógica cuando el centro del agente es buscar en tus documentos (RAG).
Un mismo caso con cada framework
Imagina un agente que recibe una consulta de un cliente, busca el pedido en tu base de datos, redacta una respuesta y la deja pendiente de aprobación:
- Script propio: 3 llamadas encadenadas y una cola de aprobación. Es suficiente si el flujo nunca cambia.
- LangGraph: 4 nodos (clasificar, consultar, redactar, aprobar) y un checkpoint antes de enviar. Es la opción más robusta.
- CrewAI: un Flow con un paso de consulta y un Crew de dos agentes (redactor y revisor). Es rápido de montar, pero vigila el coste.
- OpenAI Agents SDK: un agente con una herramienta de consulta y un guardrail de salida. Es el más simple de los cuatro.
Cuándo no usar un framework
- Si solo necesitas una llamada a un modelo, o una cadena fija de dos o tres.
- Si el proceso cabe en un script claro que cualquiera del equipo entiende.
- Si no tienes tests ni trazas: un agente sin observabilidad es una caja negra que gasta dinero.
- Si nadie del equipo va a mantener la complejidad dentro de seis meses.
Checklist para elegir
- ¿Necesitas estado persistente y reanudar procesos? → LangGraph o Microsoft Agent Framework.
- ¿Quieres un prototipo esta semana? → CrewAI u OpenAI Agents SDK.
- ¿Trabajas en .NET o Azure? → Microsoft Agent Framework.
- ¿El agente vive sobre tus documentos? → LlamaIndex.
- ¿Puedes medir el coste por ejecución y ver las trazas? Si la respuesta es no, resuelve eso antes de elegir.
Veredicto
Para producción en 2026, LangGraph es la opción más segura por madurez, persistencia y control. CrewAI es la más rápida para validar ideas, sobre todo si usas Flows para tener el proceso controlado. AutoGen ya no es una elección para proyectos nuevos: su camino sigue en Microsoft Agent Framework. Y en muchos casos, la mejor arquitectura sigue siendo un workflow sencillo con buenas trazas. Añade agentes solo cuando el problema lo pida.
Ruta de automatización: consulta Automatización con IA: guías y flujos prácticos para conectar tareas, agentes, MCP y herramientas sin perder control.
Ruta de modelos: consulta Modelos de IA: guía para elegir y usar bien para comparar modelos cloud, open weights, Ollama, privacidad y agentes.
