Frameworks de agentes de IA: LangChain, CrewAI, OpenAI Agents SDK y más

Comparativa práctica de los principales frameworks para construir agentes de IA. LangChain, CrewAI, OpenAI Agents SDK, Anthropic Claude Agent, AutoGPT y Phidata — cuándo usar cada uno, con ejemplos mínimos de código.

¿Cuándo usar un framework?

Usar un LLM directamente (vía API) es perfecto para tareas sencillas: un chat, una respuesta única, una clasificación. Pero en cuanto necesitas encadenar múltiples pasos, darle herramientas al modelo, orquestar sub-agentes o mantener estado a lo largo de una conversación, un framework te ahorra cientos de líneas de código repetitivo.

• Sin framework: llamas a la API, parseas la respuesta, gestionas el historial manualmente. Simple pero escalable solo hasta cierto punto.
• Con framework: declaras herramientas, el framework gestiona el loop de llamadas, el enrutamiento entre agentes y la memoria. Más abstracción, menos control granular.

La decisión no es binaria. Puedes empezar con raw API y migrar a un framework cuando el código se vuelva repetitivo. La clave está en elegir el framework que se alinee con tu modelo mental del problema.

Tabla comparativa

LangChain / LangGraph

LangChain es el framework más popular (y el más extenso). Su fortaleza está en la abstracción de cadenas (Chain) y la gestión de memoria. LangGraph, su extensión, modela el flujo del agente como un grafo de estado, donde cada nodo es un paso (LLM, herramienta, decisión) y las aristas definen las transiciones.

Ejemplo mínimo: un agente que consulta el clima usando una herramienta:

from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_community.tools import tool
from langchain_openai import ChatOpenAI

@tool
def get_weather(city: str) -> str:
    return f"23°C, soleado en {city}"

tools = [get_weather]
agent = create_tool_calling_agent(ChatOpenAI(model="gpt-4o"), tools)
executor = AgentExecutor(agent=agent, tools=tools)
result = executor.invoke({"input": "¿Qué clima hace en Madrid?"})
print(result["output"])

Con LangGraph puedes controlar el flujo explícitamente: decides cuándo el agente itera, cuándo termina, y cómo se propaga el estado entre nodos. Es ideal para workflows predecibles como atención al cliente o procesamiento de documentos.

CrewAI

CrewAI modela equipos de agentes con roles especializados. Cada agente tiene un rol, un objetivo y herramientas. El framework orquesta la comunicación entre ellos para resolver tareas complejas.

Ejemplo: dos agentes (investigador y escritor) colaborando:

from crewai import Agent, Task, Crew

researcher = Agent(role="Investigador", goal="Buscar datos sobre IA",
    backstory="Experto en tendencias tecnológicas", verbose=True)

writer = Agent(role="Redactor", goal="Escribir informe claro",
    backstory="Periodista científico", verbose=True)

research = Task(description="Encuentra 3 innovaciones de IA en 2026",
    agent=researcher, expected_output="lista")
write = Task(description="Redacta un resumen ejecutivo",
    agent=writer, expected_output="texto")

crew = Crew(agents=[researcher, writer], tasks=[research, write])
result = crew.kickoff()
print(result)

CrewAI brilla cuando tu problema se modela naturalmente como colaboración entre roles distintos: un analista, un validador y un sintetizador trabajando juntos.

OpenAI Agents SDK

Lanzado en 2025, el OpenAI Agents SDK es el reemplazo moderno de funciones. Simplifica drásticamente la creación de agentes con tool calling nativo y soporte para el protocolo MCP. No necesitas decoradores ni abstracciones complejas — defines funciones Python normales y el SDK las convierte en herramientas.

from agents import Agent, Runner, function_tool

@function_tool
def search_web(query: str) -> str:
    return f"Resultados simulados para: {query}"

agent = Agent(name="Buscador", instructions="Responde con datos actualizados",
    tools=[search_web])
result = Runner.run_sync(agent, "¿Quién ganó el mundial 2026?")
print(result.final_output)

El soporte MCP te permite conectar servidores MCP existentes directamente como herramientas del agente, sin código adicional. Es la opción más ligera para empezar si ya usas OpenAI como proveedor.

Anthropic Claude Agent

Anthropic ha apostado fuerte por MCP como estándar. Su SDK para agentes con Claude está diseñado MCP-first: las herramientas se definen como servidores MCP y el agente las descubre automáticamente. El mecanismo de tool use de Claude es inherente al modelo, no una capa externa.

import anthropic

client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-sonnet-4-20250514",
    max_tokens=1024,
    tools=[{
        "name": "get_weather",
        "description": "Obtiene el clima de una ciudad",
        "input_schema": {
            "type": "object",
            "properties": {"city": {"type": "string"}}
        }
    }],
    messages=[{"role": "user", "content": "¿Clima en Barcelona?"}]
)
print(response.content)

Es la opción natural si trabajas con OpenCode, Claude Code o Cursor, pues todos comparten el ecosistema MCP de Anthropic. La curva de aprendizaje es la más baja del ecosistema.

AutoGPT / BabyAGI

AutoGPT popularizó la idea del agente autónomo: recibe un objetivo a largo plazo y ejecuta un loop de pensar → actuar → observar → repetir hasta completarlo. No está diseñado para tareas aisladas, sino para misiones que requieren múltiples iteraciones.

Ejemplo conceptual del loop:

task = "Crear un informe de mercado semanal"
while not task_complete:
    thought = llm.invoke("¿Qué debo hacer ahora?")
    action = parse_action(thought)
    result = execute(action)
    memory.store(f"Paso {step}: {action} → {result}")
    task_complete = check_completion(task)

BabyAGI es una variante más ligera que se centra en la gestión dinámica de tareas: genera subtareas, las prioriza y las ejecuta en orden. Ambos son experimentales; útiles para prototipar automatización pero con resultados impredecibles en producción.

Matriz de decisión

Elegir framework se reduce a tu caso de uso concreto:

• Chatbot simple → OpenAI Agents SDK o Anthropic Claude Agent (menos código, MCP listo)
• Workflow con estado → LangGraph (grafos, loops, control fino)
• Multi-agente colaborativo → CrewAI (roles, delegación, equipos)
• Agente con RAG / base de conocimiento → Phidata (RAG integrado, PostgreSQL vectorial)
• Automatización autónoma Larga duración → AutoGPT (experimental, ideal para prototipos)
• Ecosistema MCP → Anthropic Claude Agent (MCP nativo) u OpenAI Agents SDK (soporte vía protocolo)

Ningún framework es universalmente superior. LangChain te da control total a cambio de complejidad; OpenAI Agents SDK prioriza simplicidad; CrewAI optimiza para colaboración; Anthropic apuesta por MCP. Evalúa tu prioridad — flexibilidad, velocidad de desarrollo, o ecosistema — y elige en consecuencia.