Los mejores frameworks de AI agents en 2026: LangGraph y OpenAI SDK
Traducción automática Este artículo se tradujo automáticamente a partir de la versión original en inglés.
Todos los frameworks de agents proporcionan un loop que permite al modelo elegir y usar herramientas. La diferencia relevante está en qué gestiona cada framework alrededor de ese loop: estado, retrieval, handoffs, tracing o despliegue. Esta comparativa parte de una aplicación con tool use que necesita al menos una de esas capacidades; cuando todas las ramas son conocidas, un workflow tipado sigue siendo la opción más adecuada.
Opción predeterminada: usa agents de LangChain cuando quieras un punto de partida de alto nivel respaldado por LangGraph. Pasa a LangGraph cuando necesites estado explícito y un control flow durable. Usa OpenAI Agents SDK para un runtime Python compacto y nativo de OpenAI, LlamaIndex cuando el retrieval sea el producto, CrewAI cuando el trabajo se corresponda con roles y handoffs reales, Microsoft Agent Framework para sistemas centrados en el ecosistema de Microsoft y SmolAgents para agents pequeños y code-first.
Última revisión: 10/08/2026. Criterios de selección: visibilidad del control flow, recuperación ante fallos, integración con retrieval, adecuación a la plataforma y superficie operativa.
Tabla de recomendaciones
| Necesidad | Mejor punto de partida | Motivo |
|---|---|---|
| API de agents de alto nivel | Agents de LangChain | La documentación de LangGraph recomienda esta capa cuando no es necesaria una orquestación de bajo nivel. |
| Agent stateful para producción | LangGraph | Su runtime expone el estado del grafo, persistencia, interrupciones y orquestación de bajo nivel. |
| Agent de producto nativo de OpenAI | OpenAI Agents SDK | Agent loop, function tools, guardrails, sesiones, tracing, handoffs, compatibilidad con MCP y sandbox agents en un único paquete de Python. |
| Agent documental con mucho RAG | LlamaIndex | La carga de datos, los índices, el retrieval, los query engines, las herramientas y los workflows de agents conviven en el mismo ecosistema. |
| Workflow multi-agent basado en roles | CrewAI | Agents, crews, flows, knowledge, memory y observability encajan con la automatización basada en roles. |
| Agent empresarial de Microsoft | Microsoft Agent Framework | Es la dirección actual del SDK unificado de agents de Microsoft, que combina ideas de Semantic Kernel y AutoGen. |
| Agent pequeño y code-first | SmolAgents | Superficie mínima, code agents, tool-calling agents e inspección sencilla. |
Cómo elegir
Empieza por el control flow: cómo pasa el agent de un paso a otro y cómo gestiona los fallos.
Si el agent tiene estados claros, reintentos, aprobaciones, checkpoints y ejecuciones reanudables, usa LangGraph. Escribirás más estructura al principio, pero esa estructura es el sistema. Si solo necesitas un loop convencional de modelo y herramientas, empieza con los agents de alto nivel de LangChain y expón el grafo únicamente cuando las transiciones de estado pasen a formar parte del producto.
Cuando el control flow esté claro, considera la adecuación a la plataforma.
Si tu stack ya utiliza modelos de OpenAI y quieres una API Python compacta, usa OpenAI Agents SDK. Obtendrás agents, herramientas, guardrails, sesiones y tracing en un único lugar. No pretende ser un motor de grafos genérico, y esa es precisamente parte de su atractivo.
Después, considera los datos con los que trabaja el agent.
Si tu agent trabaja principalmente con documentos, índices, retrieval y query engines, empieza con LlamaIndex. Normalmente es mejor que construir una capa de retrieval personalizada y añadirle después un framework de agents. La mayoría de los agents documentales fallan porque el retrieval y la evaluación estaban poco definidos, no porque el loop fuera demasiado sencillo.
Por último, utiliza roles solo cuando reflejen el workflow real.
CrewAI resulta útil cuando el proceso real tiene roles: investigador, analista, revisor, redactor y operador. Es menos convincente cuando inventas roles únicamente para utilizar una abstracción multi-agent. Los nombres no gestionan el estado.
Matriz de capacidades
| Framework | Estado y recuperación | Herramientas | Forma multi-agent | Mejor encaje | Principal precaución |
|---|---|---|---|---|---|
| Agents de LangChain | Media | Herramientas y middleware de LangChain | Agent loop sobre LangGraph | Aplicaciones de agents de alto nivel | Oculta detalles del grafo que pueden ser necesarios para rutas avanzadas de recuperación. |
| LangGraph | Sólida | Flexible | Grafos y subgrafos | Agents stateful de larga duración | Requiere un diseño explícito. |
| OpenAI Agents SDK | Media a sólida | Herramientas nativas de OpenAI, MCP, guardrails y sandbox agents | Handoffs y agents-as-tools | Agents de producto en Python | Es mejor cuando OpenAI puede ser el centro de gravedad. |
| LlamaIndex | Media | Retrieval y herramientas de datos sólidas | Workflows de document agents | Agents de bases de conocimiento y RAG | No lo uses como motor de workflows genérico si el retrieval no es central. |
| CrewAI | Media | Tools, knowledge, memory y observability | Crews y flows | Workflows basados en roles | Puede ocultar la semántica del estado tras metáforas de roles. |
| Microsoft Agent Framework | Media a sólida | Integraciones con el ecosistema de Microsoft | Workflows empresariales | Equipos de Microsoft/Azure | Es una vía más reciente; espera cierto acoplamiento con la plataforma. |
| SmolAgents | Ligera | Herramientas Python y code agents | Mínima | Experimentos y agents pequeños | La mayoría de las cuestiones de producción quedan bajo tu responsabilidad. |
Cuándo no usar un framework de agents
No empieces con un framework de agents cuando un workflow tipado, un endpoint de búsqueda o un motor de reglas resuelvan el problema. Los agents son útiles cuando el sistema necesita elegir el siguiente paso después de observar resultados intermedios. Encajan mal con ETL fijo, aprobaciones deterministas, flujos de facturación o cualquier caso en el que todas las ramas se conozcan de antemano.
No construyas un sistema multi-agent antes de que un único agent funcione bien. Dividir un workflow inestable entre varios agents añade fallos de coordinación y latencia.
No confundas la observability del framework con la evaluación del producto. Las trazas te dicen qué ha ocurrido. Las evals te dicen si el resultado ha sido bueno.
Mi ruta predeterminada
- Construye la primera versión como un único agent con herramientas acotadas.
- Añade trazas y un dataset pequeño de regresión antes de incorporar memory.
- Pasa a LangGraph cuando las transiciones de estado pasen a formar parte del producto.
- Usa OpenAI Agents SDK cuando el producto sea nativo de OpenAI y el loop deba mantenerse compacto.
- Añade agents basados en roles solo cuando las responsabilidades sean realmente separables.
Lecturas recomendadas
- AI Agent Reasoning Loops explica ReAct, ReWOO y plan-and-execute.
- AI Agent Memory Architecture aborda checkpoints, vector memory y document memory.
- Long-Running AI Agent Runtime aborda sesiones, sandboxes, checkpoints, trazas y arquitecturas de despliegue.