Frameworks de agentes de AI: LangGraph vs OpenAI Agents SDK
Traducción automática
Este artículo se tradujo automáticamente a partir de la versión original en inglés.
Estos frameworks ayudan a crear aplicaciones en las que un modelo elige y utiliza herramientas. La diferencia importante es qué gestiona cada framework alrededor de ese bucle: estado, búsqueda, traspasos de control, seguimiento o despliegue. Usa uno cuando tu aplicación necesite esas funcionalidades. Si los pasos ya están definidos, empieza con código de flujo de trabajo convencional.
Empieza con los agentes de LangChain para un bucle de modelo y herramientas basado en LangGraph. Usa LangGraph directamente cuando necesites decidir cómo guarda el estado cada paso, espera una aprobación y reanuda la ejecución después de una interrupción.
Elige según el estado guardado, la recuperación, el soporte de búsqueda y el trabajo necesario para desplegar y mantener la aplicación.
Tabla de recomendaciones
| Necesidad | Punto de partida | Motivo |
|---|---|---|
| API de agente de alto nivel | Agentes de LangChain | La documentación de LangGraph recomienda esta capa cuando no es necesaria una orquestación de bajo nivel. |
| Agente con estado en producción | LangGraph | Su runtime expone el estado del grafo, persistencia, interrupciones y orquestación de bajo nivel. |
| Bucle compacto de modelo y herramientas | OpenAI Agents SDK | Las herramientas, los mecanismos de protección, las sesiones, el seguimiento y los traspasos de control comparten una API. También se admiten otros proveedores de modelos. |
| Agente documental centrado en RAG | LlamaIndex | La carga de datos, los índices, la búsqueda, los motores de consulta, las herramientas y los flujos de trabajo de agentes conviven en el mismo ecosistema. |
| Flujo de trabajo multi-agent basado en roles | CrewAI | Agentes, crews, flows, conocimiento, memoria y observabilidad encajan con la automatización basada en roles. |
| Agente empresarial de Microsoft | Microsoft Agent Framework | Es la dirección actual del SDK de agentes unificado de Microsoft, que combina ideas de Semantic Kernel y AutoGen. |
| Agente pequeño y centrado en código | SmolAgents | API mínima, agentes que ejecutan código, agentes que llaman a herramientas e inspección sencilla. |
Cómo elegir
Empieza por el flujo de control: cómo pasa el agente de un paso a otro y cómo gestiona los fallos.
Si el agente tiene estados claros, reintentos, aprobaciones, checkpoints y ejecuciones reanudables, usa LangGraph. Por ejemplo, una ejecución que espera una aprobación necesita guardar el estado para poder continuar cuando responda el usuario. Para un bucle convencional de modelo y herramientas, los agentes de alto nivel de LangChain pueden ser suficientes. Usa el grafo directamente cuando necesites controlar cómo se reanuda una ejecución interrumpida.
OpenAI Agents SDK encaja con un bucle compacto de Python con herramientas y traspasos de control. También admite otros proveedores, por lo que no es obligatorio utilizar un modelo de OpenAI. Comprueba el soporte de herramientas y structured output del modelo elegido, así como el destino de los datos de seguimiento.
Si tu agente trabaja principalmente con documentos, índices, búsqueda y motores de consulta, empieza con LlamaIndex. Sus componentes de búsqueda existentes pueden ahorrarte tener que implementar esas partes. Antes de sustituir el agent loop, comprueba si la búsqueda encuentra la evidencia correcta y si tus pruebas detectan respuestas ausentes o sin fundamento.
CrewAI resulta útil cuando el proceso real tiene roles: investigador, analista, revisor, redactor u operador. Es menos convincente cuando inventas roles solo para utilizar una abstracción multi-agent. El nombre de un rol no especifica qué ocurre cuando ese agente falla.
La recuperación requiere una prueba específica. Detén una ejecución después de que una herramienta modifique un archivo o envíe una solicitud y comprueba qué ocurre al reanudarla. El historial de chat guardado, por sí solo, no demuestra si la aplicación repetirá ese efecto secundario. Verifica los checkpoints, el comportamiento de reproducción y la gestión de acciones duplicadas en la configuración que vayas a desplegar.
Con cualquier framework, revisa qué sigue siendo responsabilidad tuya: almacenamiento, credenciales, reintentos, despliegue y evaluación. Las funcionalidades de búsqueda de LlamaIndex no justifican por sí solas elegirlo para una orquestación de flujos de trabajo no relacionada. Los roles de CrewAI siguen necesitando un estado y una gestión de errores explícitos. Comprueba los requisitos de integración de Microsoft con el resto de tu conjunto de tecnologías y cuenta con tener que aportar más elementos del runtime alrededor de un experimento pequeño con SmolAgents.
Cuándo no usar un framework de agentes
No empieces con un framework de agentes cuando un flujo de trabajo tipado, un endpoint de búsqueda o un motor de reglas resuelva el problema. Los agentes ayudan cuando el sistema necesita elegir el siguiente paso después de observar resultados intermedios. Encajan mal en 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 agente funcione bien. Dividir un flujo de trabajo inestable entre varios agentes añade fallos de coordinación y latencia.
Las trazas muestran qué pasos se ejecutaron. La evaluación comprueba si esos pasos completaron la tarea correctamente, dentro de sus permisos y presupuesto.
Secuencia de implementación
- Usa un flujo de trabajo convencional para los pasos conocidos. Usa un único agente con herramientas acotadas cuando un modelo deba elegir el siguiente paso.
- Añade trazas y un dataset pequeño de regresión antes de incorporar memoria.
- Usa LangGraph directamente cuando necesites un control explícito sobre el estado guardado, las aprobaciones y la reanudación de ejecuciones.
- Prueba OpenAI Agents SDK cuando el bucle deba mantenerse compacto; comprueba las funciones que admite el proveedor elegido.
- Añade agentes basados en roles solo cuando las responsabilidades sean realmente separables.
Lecturas recomendadas
- Bucles de razonamiento de agentes de AI explica ReAct, ReWOO y plan-and-execute.
- Arquitectura de memoria de agentes de AI aborda checkpoints, memoria vectorial y memoria documental.
- Runtime para agentes de AI de larga duración aborda sesiones, sandboxes, checkpoints, trazas y modelos de despliegue.