Agentes de IA: qué framework elegir para producción en 2026

Entre los frameworks para agentes de IA, elige LangGraph si necesitas un flujo de trabajo con estado; CrewAI, si realmente hay un equipo de agentes con responsabilidades distintas; Mastra, si el agente vive dentro de una aplicación TypeScript; y Agents SDK de OpenAI, si buscas un bucle compacto bajo el control de tu aplicación. Al comparar estos 8 frameworks, lo decisivo es quién se encarga del estado, las aprobaciones y la recuperación.

Un framework de código abierto para agentes de IA elimina el costo de suscripción a la biblioteca. Quedan por pagar las llamadas al modelo, el alojamiento, el almacenamiento y la operación del sistema. La documentación, las licencias de los repositorios y las páginas de precios de los fabricantes citadas aquí se verificaron el 7 de octubre de 2026.

Claude Agent SDK merece una evaluación aparte: integra en tu aplicación el entorno de ejecución de Claude Code, con sus herramientas. Pydantic AI encaja en servicios Python con tipos explícitos; Vercel AI SDK, en interfaces web con respuestas en streaming; y Google ADK, en sistemas de agentes orientados al ecosistema de Google. Un bucle sencillo con el SDK del proveedor sigue siendo una buena opción si ninguna de esas capacidades adicionales resuelve un problema que tengas.

Comparativa rápida de frameworks para agentes de IA

La columna de servicios alojados indica qué puedes contratar al fabricante. Un servicio de observabilidad registra las ejecuciones; un entorno de ejecución alojado las lleva a cabo. Son compras distintas, aunque ambos acompañen a una biblioteca gratuita.

La decisión cambia cuando el trabajo pendiente debe sobrevivir a la solicitud que lo inició. Si una persona puede aprobar una acción mañana, o un proceso de trabajo puede fallar después de una escritura, evalúa primero la persistencia y la reanudación. La interfaz de chat viene después. MCP, el Model Context Protocol que expone herramientas y recursos a los agentes, no aporta por sí solo esa garantía de recuperación.

Cómo seleccionamos estos frameworks de IA agéntica

Estas recomendaciones comparan la arquitectura documentada, el alcance de las licencias y los precios vigentes. No son mediciones de rendimiento obtenidas al ejecutar los frameworks.

La selección se basa en seis preguntas:

• Forma de ejecución: ¿Tu código define la secuencia, el modelo elige la siguiente herramienta o distintos especialistas delegan tareas?
• Responsabilidad sobre el estado: ¿Qué se conserva: los mensajes, la posición dentro del flujo, la memoria compartida, las decisiones pendientes o todo lo anterior?
• Recuperación: ¿Qué sucede si el proceso se reinicia, una herramienta agota su tiempo de espera o el usuario regresa más tarde?
• Límites de las herramientas: ¿Puedes exponer funciones de aplicación con un alcance acotado y los servidores MCP que necesitas?
• Revisión humana: ¿Una persona puede inspeccionar la acción propuesta antes de ejecutarla? ¿Su decisión permite reanudar el trabajo correctamente?
• Costo operativo y licencia: ¿Qué funciones pertenecen al núcleo gratuito, cuáles requieren un acuerdo comercial y qué mide el servicio alojado para facturar?

Las ocho secciones se ordenan según trabajos útiles en producción. LangGraph es la recomendación inicial para el flujo con estado que plantea esta comparativa; no gana siempre frente a un bucle más pequeño. Un producto TypeScript que principalmente transmite respuestas en streaming no debería adoptar un motor de grafos solo por seguir esa recomendación.

Los constructores alojados sin código y los productos de observabilidad quedan fuera de la selección de frameworks. Logfire aparece como compra opcional junto a Pydantic AI, no como un noveno framework. Otros ecosistemas especializados pueden encajar con una plataforma ya existente; añadirlos sin el mismo análisis de estado, aprobaciones y precios dificultaría la decisión.

Orquestación de agentes de IA: estado y revisión humana

Una definición útil de estado es la información que otro proceso de trabajo necesita para continuar correctamente el mismo trabajo de negocio. El framework de orquestación coordina los pasos, pero tú debes decidir qué registros permiten retomarlos con seguridad.

Piensa en un asistente de reembolsos. Su historial registra la conversación y la consulta de la política. Su posición indica que se comprobó la elegibilidad y el reembolso sigue pendiente. Su registro de revisión identifica el importe y la acción que aprobó un responsable. Su comprobante registra si el sistema de pagos aceptó la operación.

Cada registro responde a una pregunta distinta. Una transcripción que diga «reembolso aprobado» no demuestra que un responsable haya aprobado el importe actual. Un punto de control del flujo que diga «llamada completada» no sustituye al comprobante del sistema de pagos. Ese comprobante también necesita un identificador estable de operación, para que un reintento pueda reconocer la misma escritura prevista.

En un asistente de investigación de solo lectura, guardar el historial puede ser suficiente. En un proceso de incorporación que se detiene a la espera de documentos, conservar la posición de ejecución aporta valor. Para un reembolso o un cambio de cuenta, la aprobación y el comprobante externo deben formar parte del diseño antes del lanzamiento.

Aquí también hay que examinar qué significa «revisión humana». Un prompt que pide al modelo actuar con cuidado es una instrucción. Una barrera que espera una decisión antes de ejecutar una herramienta es un control. Una pantalla de aprobación resulta útil en la operación cuando muestra los argumentos exactos, autentica a quien revisa, guarda su decisión y permite recuperarla tras un reinicio.

El SDK puede exponer la pausa o la solicitud de aprobación. Tu producto sigue siendo responsable de verificar la autoridad de quien revisa y la validez de la acción. Si el importe solicitado cambia después de aprobarlo, la decisión anterior no debe autorizar silenciosamente el nuevo importe. Trátalo como un contrato de la aplicación, cualquiera que sea el framework elegido.

Qué framework elegir para cada trabajo en producción

1. LangGraph: para flujos de varios pasos con estado

LangGraph es el punto de partida más sólido cuando el agente forma parte de un flujo cuya posición de ejecución importa. Es un motor de grafos de bajo nivel: defines los nodos, el trabajo de cada uno y las transiciones entre ellos. Algunos nodos pueden ejecutar código convencional; otros pueden pedir a un modelo que decida qué sucede después. Los componentes de LangChain son opcionales, así que elegir LangGraph no obliga a envolver cada operación de la aplicación en otra abstracción.

Lenguaje y licencia: Python y TypeScript/JavaScript; núcleo con licencia MIT.
Uso más indicado: Casos, procesos de incorporación o flujos de investigación con bifurcaciones, pausas y reanudaciones.
Lo más destacado: Estado explícito del flujo, puntos de control por hilo y un almacén independiente compartido entre hilos.
Precios: Biblioteca central gratuita. LangSmith Developer cuesta $0/puesto/mes; Plus, $39/puesto/mes; Enterprise tiene precio personalizado. Cada plan alojado tiene sus propias reglas de consumo.
Prueba gratuita: Developer es un plan gratuito permanente; el acceso a despliegues de pago comienza con Plus.

Para un fundador técnico que desarrolla un proceso de incorporación de proveedores, la unidad útil es el expediente de cada proveedor. Un nodo de extracción documental puede proponer campos; el código determinista puede validarlos; un agente puede solicitar la evidencia que falta; y una persona puede aprobar el registro final. Con el grafo, quien opera el sistema ve qué transición está pendiente, en lugar de deducir el progreso a partir de una conversación.

Estado: Los mecanismos de checkpoint guardan el estado del grafo de un hilo. Los almacenes conservan información definida por la aplicación entre distintos hilos, como el perfil estable de un proveedor. Un mecanismo de checkpoint en memoria pierde su contenido al reiniciar el proceso, por lo que producción necesita almacenamiento persistente. Guarda los archivos grandes de evidencia fuera del punto de control y conserva sus referencias. De lo contrario, un registro compacto de control se convierte en una copia creciente de todos los archivos y resultados. La documentación de persistencia de LangGraph explica estas diferencias.

Herramientas, MCP y revisión humana: Los nodos pueden llamar al código de tu aplicación. Los adaptadores MCP de LangChain exponen al grafo herramientas locales mediante stdio o remotas mediante Streamable HTTP. La función interrupt() de LangGraph pausa la ejecución; quien llama aporta una decisión con Command(resume=...). El detalle clave es que, al reanudarse, el nodo interrumpido vuelve a empezar desde el principio. Si colocas una escritura externa antes de la pausa, puede ejecutarse de nuevo. La guía de interrupciones describe expresamente ese comportamiento.

El límite está en el trabajo que debes asumir alrededor de un motor de bajo nivel: esquemas de estado, retención de puntos de control, despliegue de procesos de trabajo, cambios en el grafo y comportamiento de recuperación. La ejecución duradera es una capacidad que debes configurar e incorporar al diseño. No promete que un pago o un correo ocurran exactamente una vez con independencia de cómo implementes la herramienta.

Costos de servicios alojados, verificados el 7 de octubre de 2026: Developer incluye un puesto y 5k trazas base/mes. Plus incluye 10k trazas base/mes compartidas por la organización y un despliegue Serverless Small gratuito. Los despliegues adicionales, serverless o dedicados, consumen recursos; el fabricante recomienda despliegues dedicados para agentes de cara al cliente. Enterprise ofrece precios personalizados y opciones de alojamiento propio o híbrido. La unidad actual es el LSU, a $1.00/LSU. Las tarifas de despliegue publicadas incluyen cómputo de ejecución a 0.0675 LSU/vCPU-hora, memoria de ejecución a 0.0090 LSU/GiB-hora, cómputo de base de datos a 0.177 LSU/vCPU-hora y memoria de base de datos a 0.025 LSU/GiB-hora. Los precios de LangSmith son la fuente de esos planes y tarifas.

Usa esta guía breve como primer ejercicio de diseño, antes de conectar una herramienta capaz de escribir:

1. 1

   Dale al trabajo una identidad duradera

   Utiliza un identificador de hilo por expediente de proveedor, solicitud de cliente u otro resultado. Reutilízalo al reanudar ese trabajo; no crees un hilo nuevo porque haya cambiado el proceso que lo ejecuta.

2. 2

   Separa las decisiones de los archivos y resultados

   Guarda la etapa actual, las referencias a la evidencia, la acción propuesta y el estado de aprobación en el contrato de estado. Conserva los documentos y las salidas grandes en su propio almacenamiento.

3. 3

   Configura puntos de control persistentes

   Sustituye el mecanismo en memoria antes de que el piloto necesite recuperarse de un reinicio. Define la retención y permite que un proceso de reemplazo acceda al mismo hilo.

4. 4

   Pausa antes de escribir

   Usa una interrupción para presentar la acción propuesta. Tras la aprobación, llama a una herramienta de aplicación de alcance acotado con un identificador estable de operación y guarda su resultado.

5. 5

   Prueba la recuperación

   Reinicia el proceso durante una llamada al modelo, mientras espera una aprobación y después de la escritura externa. Comprueba que el trabajo continúa y que la acción prevista no se duplica.

Veredicto: Elige LangGraph cuando guardar la posición del flujo y recuperarlo sean requisitos del producto. Prescinde de él si el trabajo es una solicitud breve que tu aplicación puede completar y reintentar sin complicaciones.

2. CrewAI: para equipos de agentes con responsabilidades distintas

CrewAI encaja en trabajos con roles especializados y delegaciones claras. Su abstracción en Python agrupa agentes en Crews, con roles, objetivos y tareas; los Flows aportan el proceso circundante dirigido por eventos. Un patrón útil en producción consiste en dejar que un Crew realice una parte acotada del trabajo colaborativo y que un Flow controle las etapas que lo rodean.

Lenguaje y licencia: Python; MIT.
Uso más indicado: Investigación, análisis y redacción con responsabilidades o acceso a herramientas diferentes.
Lo más destacado: Colaboración por roles dentro de Flows estructurados.
Precios: Biblioteca gratuita de código abierto. El plan alojado Basic es gratuito e incluye 50 ejecuciones de flujos/mes; Enterprise tiene precio personalizado.
Prueba gratuita: Basic es un plan gratuito. Enterprise permite solicitar una prueba; la página de precios no publica su duración.

Un fundador que prepara informes de cuentas puede dar a un investigador acceso a la evidencia, encargar a un analista la identificación de señales de compra relevantes y asignar a un redactor el informe final. Esos roles aportan valor cuando difieren sus entradas, permisos o criterios de aceptación. Dar al mismo modelo tres biografías y las mismas herramientas no crea, por sí solo, tres especialistas útiles.

Estado: El estado de un Flow puede ser un diccionario o un modelo Pydantic, un esquema Python que valida los campos esperados. El mecanismo @persist guarda instantáneas del estado; SQLite es el backend de persistencia predeterminado y se admiten implementaciones propias. El estado guardado puede restaurarse con una identidad existente o bifurcarse en otra ejecución. Separa la situación del Flow de los hechos que recuerda el agente: «el informe espera revisión» es estado del proceso; «esta cuenta vende a hospitales» es conocimiento. La documentación de CrewAI Flows explica estos controles y la intervención humana.

Herramientas y MCP: La interfaz MCP actual permite configurar agentes mediante mcps, con transportes locales stdio, HTTP y SSE, además de una vía mediante adaptador. Filtrar las herramientas importa más que el número de integraciones conectadas. Un investigador debe recibir herramientas de consulta; un agente que redacta un informe no debería heredar permiso para modificar la cuenta del cliente solo porque el mismo servidor MCP exponga ambas operaciones.

Revisión humana: La intervención humana en un Flow puede pausar el trabajo para aprobarlo o pedir cambios. Los proveedores personalizados de intervención asíncrona permiten que el producto recoja una decisión fuera del proceso interactivo original. Diseña el resultado de la revisión como una decisión de negocio explícita, registrando tanto el documento o resultado propuesto como a la persona que lo revisa. Un rol llamado «revisor» dentro del Crew sigue siendo un modelo; no es la barrera humana en la que se apoyará quien opera el sistema.

Las dificultades aparecen cuando la colaboración crece más rápido que los contratos de las tareas. Si el investigador cambia el formato de su evidencia, el analista puede interpretarla de otra manera sin advertirlo, y el redactor puede convertir esa desviación en un documento final que suene convincente. Exige una entrega estructurada de evidencia y una regla concreta de aceptación en cada límite entre tareas. Mantén las escrituras finales fuera de una conversación sin restricciones entre agentes.

Costos de servicios alojados, verificados el 7 de octubre de 2026: La página de precios de CrewAI presenta Basic como gratuito, con editor visual, copiloto de IA, integración con GitHub y 50 ejecuciones de flujos/mes. Enterprise tiene precio personalizado e incluye gobernanza y despliegue en CrewAI Cloud, tu VPC o tu infraestructura. No hay un nivel intermedio con precio fijo publicado ni una tarifa pública por ejecución adicional que se pueda citar. Un trabajo que requiera 51 ejecuciones alojadas supera el cupo anunciado de Basic; exige negociar las condiciones comerciales o elegir otro esquema de despliegue. La factura de modelos e infraestructura de la biblioteca de código abierto sigue siendo independiente.

Veredicto: Elige CrewAI cuando el trabajo requiera que distintos especialistas asuman responsabilidades. Para un proceso fijo de validación y aprobación, deja el control en manos del Flow y utiliza solo los roles que justifiquen sus llamadas al modelo.

3. OpenAI Agents SDK: para un bucle de agente controlado por la aplicación

OpenAI Agents SDK encaja cuando tu aplicación debe controlar el despliegue y los datos, mientras un pequeño ejecutor gestiona llamadas al modelo, herramientas y delegaciones. La definición del agente reúne instrucciones y capacidades disponibles; el ejecutor continúa hasta que el agente produce una respuesta final, delega o se pausa. Es un alcance útil para un producto que ya cuenta con backend, autenticación y almacenamiento.

Lenguaje y licencia: Python y TypeScript; SDK de código abierto con licencia MIT.
Uso más indicado: Aplicaciones orientadas a OpenAI que necesitan un bucle con herramientas, delegaciones a especialistas y controles de revisión.
Lo más destacado: Un ejecutor compacto con herramientas gestionadas por el SDK y trazas integradas.
Precios: El SDK no tiene niveles de pago por puesto. Las llamadas al modelo y las herramientas alojadas que correspondan se cobran por consumo; los costos de tu entorno de ejecución son independientes.
Prueba gratuita: No hay una suscripción al SDK que probar; no supongas que el uso de la API es gratuito.

Imagina un agente de soporte de cuentas dentro de un producto SaaS existente. Tu backend ya conoce la cuenta del usuario autenticado y sus derechos de acceso. El agente puede consultar el contexto de la cuenta, pedir un dato que falte y llamar a una herramienta de alcance acotado para solicitar una cancelación. La abstracción útil es un bucle controlado alrededor de esas operaciones, no una segunda plataforma que intente convertirse en la base de datos de tu aplicación.

Estado: La documentación oficial ofrece un historial local para reconstruir el contexto, sesiones del SDK respaldadas por tu almacenamiento, un identificador de Conversations API o la continuación entre respuestas mediante el ID de una respuesta anterior. Elige una estrategia coherente. Cargar todo el historial local y, a la vez, pedir a la API que continúe la misma conversación almacenada puede duplicar el contexto. Un registro de conversación tampoco conserva automáticamente el ciclo de vida de una operación de facturación ajena a esa conversación; guárdalo en tu aplicación.

Herramientas, MCP y revisión humana: El SDK admite herramientas de funciones, herramientas alojadas y MCP, incluidos servidores locales o privados gestionados por el SDK mediante stdio o Streamable HTTP. Las interrupciones para aprobación devuelven un estado que puede reanudarse. Tu aplicación puede aprobar o rechazar la llamada propuesta, serializar ese estado para una revisión diferida y retomar la misma ejecución. Los guardrails son comprobaciones automatizadas; la aprobación humana es una decisión aparte. Según la guía oficial de revisión humana, los guardrails de entrada se aplican al primer agente y los de salida al agente que produce la respuesta final. Coloca las comprobaciones junto a la herramienta que genera el efecto externo.

La orquestación sigue siendo responsabilidad tuya. Necesitas el adaptador de almacenamiento, el ciclo de vida del trabajo, la interfaz de revisión y una forma de reanudarlo en otro proceso. Que el SDK pueda devolver una ejecución reanudable no significa que asuma el registro de transacciones de negocio. Esa división resulta atractiva si esos sistemas ya existen; exige más trabajo si esperabas un servicio de agentes completamente alojado.

Costos, verificados el 7 de octubre de 2026: Como ejemplo de la factura del modelo, la página de precios de OpenAI sitúa la entrada de contexto corto Standard de gpt-6.1-sol en $2.00 por 1M tokens y la salida en $10.00 por 1M tokens. Una tarea hipotética completada con 20,000 tokens de entrada sin caché y 2,000 tokens de salida, sumando todas sus llamadas, cuesta $0.06 en uso del modelo. Con 5,000 tareas/mes, serían $300 antes de herramientas, alojamiento, almacenamiento u observabilidad. Es un ejemplo aritmético, no una carga de trabajo de agente medida; otros contextos, modos y usos de caché tienen tarifas diferentes.

OpenAI también ofrece una Agents API independiente que ejecuta un entorno gestionado de Codex. No es un nivel de alojamiento para código arbitrario de Agents SDK. Calcula los cargos de modelo, herramientas, sandbox y terceros de esa vía gestionada, en lugar de atribuirle un plan mensual inventado. La comparativa entre OpenAI Agents API y Agents SDK desarrolla esta diferencia.

Veredicto: Elígelo cuando tu backend deba controlar el sistema y el ejecutor te ahorre mantener la lógica del bucle. Una vez decidida esa responsabilidad, empieza por la guía para crear un agente de IA.

4. Claude Agent SDK: para agentes que trabajan con archivos y comandos

Claude Agent SDK es la opción relevante cuando el agente debe trabajar con archivos, comandos y código mediante el entorno de ejecución que utiliza Claude Code. Lo integra en un proceso Python o TypeScript que tú operas. Es una decisión de alcance mucho mayor que instalar una biblioteca cliente para enviar un prompt a Claude.

Lenguaje y licencia: Python y TypeScript. La licencia del componente de integración Python es MIT; la documentación del SDK de Anthropic indica que el uso se rige por sus Commercial Terms, salvo los componentes con licencia independiente.
Uso más indicado: Asistentes de repositorios, procesos de tratamiento de archivos o agentes de programación que necesitan un entorno listo para usar herramientas.
Lo más destacado: Herramientas integradas de archivos y comandos, gestión del contexto, sesiones, hooks y subagentes.
Precios: Sin nivel de suscripción independiente al SDK; el uso de la API se factura por consumo. El servicio separado Claude Managed Agents añade $0.08 por hora de sesión en ejecución al costo de los tokens del modelo.
Prueba gratuita: No hace falta una prueba de suscripción al SDK. El acceso a modelos y el uso del entorno alojado tienen su propia facturación.

Para quien desarrolla un servicio de mantenimiento de repositorios, el entorno integrado puede leer el árbol de archivos, inspeccionar los archivos relevantes y ejecutar comandos. En un chatbot de soporte que consulta una cuenta y devuelve un borrador, esa misma capacidad de ejecución puede exceder las necesidades del producto. Elige ese entorno porque el trabajo se beneficia de él, no porque ambos productos usan Claude.

Estado: El SDK guarda automáticamente las sesiones de conversación en disco y admite continuación, reanudación explícita y bifurcaciones. La documentación distingue la persistencia de la conversación de la del sistema de archivos: reanudar una transcripción no revierte ni restaura los archivos que el agente editó. Trasladar el trabajo a otro host también requiere los archivos de sesión necesarios, no solo un identificador. Quien opera el sistema necesita una política de almacenamiento y espacios de trabajo que mantenga alineadas la evidencia y los archivos de trabajo. La documentación de sesiones de Claude SDK explica ese límite.

Herramientas, MCP y revisión humana: Las capacidades integradas incluyen leer, escribir y editar archivos, ejecutar comandos y conectar herramientas MCP. Las reglas y los modos de permisos controlan la ejecución automática; canUseTool gestiona las llamadas que llegan al callback de aprobación del entorno. Una aprobación automática previa puede evitar que se invoque ese callback. Usa un hook PreToolUse cuando una comprobación deba aplicarse a todas las llamadas a herramientas y mantén bajo el control de la aplicación los límites de acceso del entorno real. Son controles de ejecución; no sustituyen el aislamiento entre los espacios de trabajo de los clientes.

El límite es la dependencia del entorno de ejecución y del runtime de Claude. El SDK puede gestionar su conversación, pero tu producto debe encargarse de crear los espacios de trabajo, conservar archivos y resultados, gestionar credenciales y hacer llegar las revisiones. Si el trabajo de un cliente se reanuda en un contenedor nuevo sin sus archivos, la transcripción de sesión no reconstruirá el sistema de archivos.

Costos y condiciones, verificados el 7 de octubre de 2026: La presentación del SDK distingue expresamente el Agent SDK integrado, el SDK cliente directo de Claude y Claude Managed Agents. Para productos comerciales, remite a la autenticación mediante clave de API; no puedes asumir que la suscripción de un usuario a claude.ai incluye un cupo de agentes alojados para tus clientes. La licencia MIT del componente Python no convierte todo el entorno incluido en un framework MIT independiente del proveedor.

La página de precios de Claude sitúa la entrada base de Claude Sonnet 5.5 en $2/MTok y la salida en $10/MTok, con ajustes separados por caché y otros conceptos. Managed Agents cobra los tokens del modelo a tarifa estándar más $0.08 por hora de sesión mientras su estado sea running; excluye el tiempo inactivo, de reprogramación y posterior a la finalización. Un caso hipotético con 100 horas de sesión en ejecución añade $8 por el entorno, antes de los cargos por modelo y herramientas. Es un entorno alojado independiente, con una modalidad de despliegue distinta de ejecutar Agent SDK por tu cuenta.

Veredicto: Elígelo para trabajos que necesitan las capacidades del entorno de Claude Code. Para un bucle sencillo de herramientas con Claude, usa el SDK cliente del proveedor y conserva las herramientas y el estado propios de la aplicación.

5. Mastra: para integrar un agente en una aplicación TypeScript

Mastra encaja mejor cuando un producto TypeScript necesita algo más que una respuesta del modelo en streaming: agentes, memoria almacenada, herramientas y flujos reanudables dentro de un mismo framework de aplicación. Ofrece esas capacidades junto con una interfaz de desarrollo, Mastra Studio. Es un punto intermedio útil entre un bucle pequeño de cara a la web y un motor de flujos deliberadamente de bajo nivel.

Lenguaje y licencia: TypeScript. El núcleo y la mayor parte del repositorio usan Apache 2.0; el código de los directorios ee/ utiliza Mastra Enterprise License.
Uso más indicado: Agentes de un SaaS TypeScript que necesitan memoria de aplicación y etapas de flujo en segundo plano.
Lo más destacado: Agentes, memoria, instantáneas de flujos y soporte de cliente y servidor MCP en una misma plataforma.
Precios: Platform Starter: $0/mes más consumo; Teams: $250/mes más consumo; Enterprise: precio personalizado. Free con alojamiento propio cuesta $0/mes; Enterprise con alojamiento propio tiene precio personalizado.
Prueba gratuita: Starter es un plan permanente de $0 con excedentes facturados, no operación gratuita ilimitada.

Imagina una aplicación de éxito del cliente que reúne evidencia para una renovación, redacta una recomendación y espera la revisión del responsable de la cuenta. El frontend y el backend ya están en TypeScript. Mastra permite definir el agente y el flujo que lo rodea sin exigir otro lenguaje para ese proceso.

Estado: La memoria del agente necesita un proveedor de almacenamiento configurado. El historial de mensajes, la memoria de trabajo y la gestión de contextos prolongados cubren necesidades distintas de la posición dentro del flujo. La función suspend() de un flujo captura una instantánea de ejecución; resume() aporta los datos esperados y continúa el trabajo suspendido. Esas instantáneas sobreviven a despliegues y reinicios cuando se almacenan mediante el proveedor configurado. Para un flujo de aprobación, la lectura importante es la guía de suspensión y reanudación, no solo una demostración de memoria de chat.

Herramientas, MCP y revisión humana: MCPClient consume herramientas externas; MCPServer puede exponer agentes, herramientas y flujos de Mastra a otros clientes. Ambos admiten stdio y Streamable HTTP. Tu producto puede mostrar eventos de aprobación de herramientas y suspensión, mientras que un flujo puede suspenderse para revisión y validar los datos con los que se reanuda. Mantén estable la identidad de la propuesta durante esa pausa. Cuando un responsable aprueba un borrador de acción de renovación, debe reanudar la propuesta registrada, no una sustituta recién generada por el modelo.

El límite está entre disponer de las capacidades y tener una aplicación de producción configurada. El almacenamiento, el aislamiento entre clientes, la retención, la autenticación y las herramientas que admitan repetición segura siguen exigiendo un diseño deliberado. Revisa también los límites de licencia antes de apoyarte en controles empresariales: la licencia Apache del núcleo no cubre todas las funciones de ee/ con las mismas condiciones.

Costos de servicios alojados, verificados el 7 de octubre de 2026: La página de precios de Mastra anuncia Starter con 100K eventos de observabilidad y después $10/100K; 24 horas de CPU y después $0.35/hora; y retención de 15 días. Teams cuesta $250/mes, con 1M eventos y después $8/100K; 250 horas de CPU y después $0.25/hora; y retención de seis meses. Ambos indican usuarios, despliegues y proyectos ilimitados. Enterprise tiene precio personalizado, con volumen, retención y soporte negociados.

Un Persistent Server para disponibilidad 24/7 figura a $100/proyecto en Starter y Teams. El gateway de modelos cobra la tarifa de mercado más 5.5%; la memoria, la recuperación de información, las bases de datos y el tráfico de salida tienen cargos adicionales por consumo. Free con alojamiento propio tiene un precio de framework de $0; Enterprise con alojamiento propio y licencia ofrece precio personalizado con una cuota anual fija. Si lo alojas por tu cuenta, el uso de modelos y de infraestructura se paga aparte.

En un mes hipotético con 100 horas de CPU y 300K eventos, los excedentes de cómputo y eventos de Starter suman $26.60 más $20, es decir, $46.60 antes de otros conceptos. La base de $250 de Teams no es automáticamente la opción más barata para esa carga. Elige Teams por las funciones y el perfil de uso que realmente cambian; no subas de plan solo porque el agente ya esté en producción.

Veredicto: Elige Mastra cuando la aplicación necesite comportamiento de agente y estructura de flujo juntos. Elige Vercel AI SDK cuando el trabajo principal sea una interfaz web alrededor de un bucle más pequeño.

6. Google ADK: para sistemas de agentes orientados a Google

Google ADK, el Agent Development Kit, encaja en sistemas que se benefician de las herramientas de agentes y la vía de despliegue de Google, manteniendo agentes y flujos definidos en código. Admite Python, TypeScript, Go, Java y Kotlin. El framework puede ejecutarse en tu infraestructura; usarlo no obliga por sí mismo a contratar un entorno alojado.

Lenguaje y licencia: Python, TypeScript, Go, Java y Kotlin; núcleo Apache 2.0, verificado en el repositorio Python.
Uso más indicado: Sistemas de agentes cuya infraestructura operativa ya está en Google Cloud.
Lo más destacado: Servicios de sesión, estado con distintos ámbitos, composición de flujos y una vía de despliegue gestionado.
Precios: Framework gratuito. Agent Runtime cobra por consumo, con cómputo estándar bajo demanda a $0.085/vCPU-hora y RAM a $0.009/GiB-hora una vez agotados sus cupos gratuitos.
Prueba gratuita: Hay cupos mensuales de recursos alojados; los tokens de modelos y otros recursos se facturan aparte.

Para un asistente operativo dentro de una aplicación Google Cloud, la ventaja práctica es la coherencia con el entorno que ya conoce quien opera el sistema. Tu aplicación puede mantener la identidad del usuario y los límites de acceso en el backend existente, mientras ADK coordina herramientas y especialistas. Eso puede aportar más valor que adoptar la consola en la nube de otro framework solo para este agente.

Estado: Las sesiones contienen eventos, historial de conversación y estado. Los prefijos de estado distinguen valores de toda la aplicación, del usuario y temporales; las claves sin prefijo pertenecen al ámbito de la sesión. El servicio de sesiones en memoria no conserva los datos tras un reinicio. Los servicios de sesión de base de datos y Vertex AI ofrecen alternativas persistentes. Actualiza el estado mediante el contexto o los eventos registrados, en lugar de modificar un objeto de sesión recuperado y asumir que se ha guardado. Los nombres del producto en la nube han cambiado, pero la pregunta sobre la responsabilidad sigue siendo la misma: ¿de dónde cargará el trabajo el proceso de reemplazo?

Herramientas y MCP: ADK admite herramientas propias y conjuntos de herramientas MCP para servidores locales o remotos. Comprueba la implementación del lenguaje elegido; no supongas que cada ejemplo sirve para los cinco. La guía actual de despliegue nativo en Agent Runtime incluye Python y Go; que exista un SDK para un lenguaje no demuestra que tenga el mismo soporte de despliegue gestionado.

Revisión humana: La función experimental Tool Confirmation puede pausar una herramienta a la espera de un usuario o sistema supervisor. Sus limitaciones conocidas actuales indican que DatabaseSessionService y VertexAiSessionService no son compatibles. TypeScript también requiere lógica de confirmación manual dentro de la ejecución de la herramienta. Es una comprobación decisiva de compatibilidad para un trabajo en producción que deba esperar una revisión y sobrevivir a un reinicio del proceso. No elijas por separado un servicio de sesión persistente y Tool Confirmation dando por hecho que funcionan juntos. Si esa combinación es central para tu diseño, usa otro mecanismo de aprobación que puedas validar o elige un framework cuya combinación documentada de pausa y almacenamiento encaje.

El límite es la equivalencia de funciones y la compatibilidad con los backends. Una lista amplia de lenguajes puede ocultar un soporte más limitado para el despliegue o la revisión que necesitas. Verifica la combinación completa, incluidos el servicio de sesión y el tipo de herramienta, en lugar de aprobar la plataforma basándote en casillas de compatibilidad independientes.

Costos de servicios alojados, verificados el 7 de octubre de 2026: La página de precios de Agent Platform de Google utiliza tarifas de recursos compartidos. Agent Compute estándar bajo demanda incluye 50 vCPU-horas gratuitas/mes/cuenta y después cobra $0.085/vCPU-hora. Agent Memory incluye 100 GiB-horas gratuitas/mes/cuenta y después cobra $0.009/GiB-hora. Agent Storage tiene un cupo gratuito de 1 GiB-mes; Sessions y Memory Bank describen el almacenamiento a $0.30/GiB-mes. Los tokens de modelos se pagan aparte.

La página también publica tarifas de ahorro aplicables a compromisos de un año de $0.0765/vCPU-hora y $0.0081/GiB-hora, y de tres años de $0.068/vCPU-hora y $0.0072/GiB-hora. Son opciones de compromiso, no niveles del framework gratuito. Las operaciones de sesión y memoria también consumen Agent Compute: una vCPU-hora a $0.085 equivale a 3 millones de lecturas o 1 millón de escrituras. Inclúyelas en la estimación del servicio alojado.

Un mes hipotético de uso aislado del entorno con 100 vCPU-horas y 200 GiB-horas genera $5.15 en cargos de cómputo y RAM tras aplicar esos cupos. Quedan fuera el uso de modelos, el almacenamiento, las operaciones de sesión y cualquier otro consumo de los recursos gratuitos compartidos por la cuenta. Es una estimación parcial, no la factura completa de un agente alojado.

Veredicto: Elige ADK cuando esté documentado que funciona la combinación de lenguaje, despliegue y revisión que necesitas. La aprobación humana persistente es el punto en el que una preferencia general por Google Cloud debe ceder ante la evidencia de compatibilidad.

7. Pydantic AI: para servicios Python con tipos explícitos

Pydantic AI encaja en un backend Python cuyo agente debe devolver datos validados y utilizar dependencias explícitas de la aplicación. Los esquemas Pydantic describen los campos y tipos que espera el sistema; el framework aplica esa disciplina a las salidas de los agentes y a las interfaces de herramientas. Es especialmente útil cuando el siguiente paso consume una decisión estructurada, en lugar de un párrafo de texto plausible.

Lenguaje y licencia: Python; MIT.
Uso más indicado: Agentes integrados en servicios Python con contratos estrictos de entrada y salida.
Lo más destacado: Dependencias con tipos definidos y salidas validadas, con backends opcionales de ejecución duradera.
Precios: Biblioteca gratuita. Logfire es opcional: Personal es gratuito, Team cuesta $49/mes, Growth $249/mes y Enterprise tiene precio personalizado.
Prueba gratuita: Logfire Personal es gratuito para siempre; ofrece acceso a observabilidad, no ejecución gratuita de modelos.

Piensa en un servicio de recepción de solicitudes que devuelve a una aplicación existente una categoría de caso, referencias a la evidencia y la siguiente acción recomendada. Una salida validada facilita rechazar campos ausentes o mal formados antes de mostrar el resultado a quien opera el sistema. No demuestra que la recomendación sea cierta. Sigues necesitando reglas de negocio, comprobaciones de evidencia y revisión de la propia acción.

Estado: El historial de mensajes puede pasar entre ejecuciones y serializarse en el almacén que elijas. Eso aporta continuidad conversacional. Para que el progreso sobreviva a fallos y reinicios, Pydantic AI documenta integraciones externas de ejecución duradera, entre ellas Temporal, DBOS, Prefect y Restate. Esos sistemas conservan el progreso de la ejecución; instalar únicamente la biblioteca de agentes no proporciona ese entorno. Un servicio Python que ya tenga un sistema de trabajos duraderos debería evaluar esa integración antes de sustituir su orquestación.

Herramientas y MCP: La documentación actual utiliza MCPToolset, que envuelve un cliente FastMCP para servidores stdio, Streamable HTTP y SSE. La identidad del servidor y las credenciales de cada usuario son responsabilidades de la aplicación. Una conexión compartida al servidor con una sola identidad no crea automáticamente un límite de autorización independiente para cada usuario que consulta al agente.

Revisión humana: Las herramientas diferidas pueden esperar una aprobación o un resultado de ejecución externo. Un manejador integrado puede resolver las solicitudes dentro de la misma ejecución. Con un revisor externo, el agente puede devolver DeferredToolRequests; tu aplicación guarda el historial y las llamadas pendientes, recoge la decisión y comienza otra ejecución con DeferredToolResults. Esa continuación externa es una nueva ejecución del agente: relaciónala con la conversación original, en lugar de asumir que conserva el mismo identificador de ejecución. La guía de herramientas diferidas documenta esta diferencia.

El límite está en la infraestructura que rodea a un agente con tipos estrictos. El esquema facilita razonar sobre las interfaces; no aporta la pantalla del revisor, la cola duradera ni la corrección semántica de la decisión. Si un documento proporciona un identificador de cliente equivocado en un campo de texto válido, la validación de tipos puede aceptarlo. Comprueba la identidad y la evidencia por separado antes de cualquier escritura.

Costos de servicios alojados, verificados el 7 de octubre de 2026: Los precios de Logfire corresponden a observabilidad y evaluación alojadas. Personal incluye 10M registros de telemetría/mes con un límite estricto de $0, un puesto y dos invitados de solo lectura, tres proyectos y retención de 30 días. Team cuesta $49/mes e incluye 10M registros; después cobra $2 por millón. Incluye cinco puestos, admite hasta doce y cobra $25 por puesto adicional. Growth cuesta $249/mes, con puestos, invitados y proyectos ilimitados, hasta 90 días de retención y la misma cantidad de registros incluidos y excedente de $2/millón. Enterprise tiene precio personalizado, con variantes Cloud, Dedicated y Self-hosted.

Para seis puestos Team, la base es $74/mes. Con doce puestos asciende a $224/mes. El decimotercero supera el límite de Team; Growth cuesta $249/mes, solo $25 más que esa base de Team con doce puestos, y añade retención y funciones de organización. Ninguno de esos precios incluye alojar tu agente Pydantic AI ni sus llamadas al modelo. Presupuesta la telemetría en una partida propia, no como costo del entorno de ejecución del agente.

Veredicto: Elige Pydantic AI cuando el centro del producto sea un servicio Python con tipos explícitos. Añade ejecución duradera solo si el trabajo la necesita y compara por separado los requisitos operativos de ese motor.

8. Vercel AI SDK: para agentes con streaming en aplicaciones web

Vercel AI SDK encaja en una aplicación TypeScript o JavaScript cuyo producto inmediato es la interfaz, la respuesta en streaming y el bucle de herramientas. Su capa Core estandariza las llamadas a modelos y herramientas; su capa UI conecta esas interacciones con una interfaz web. Puedes utilizar la biblioteca sin desplegar la aplicación en Vercel.

Lenguaje y licencia: TypeScript/JavaScript; Apache 2.0.
Uso más indicado: Interfaces de chat o de agentes dentro de un producto web existente.
Lo más destacado: Componentes de interfaz con streaming y bucles de herramientas reutilizables entre proveedores.
Precios: Biblioteca gratuita. El alojamiento en Vercel es opcional: Hobby cuesta $0/mes; Pro, $20/mes más consumo; Enterprise tiene precio personalizado. AI Gateway utiliza créditos separados.
Prueba gratuita: Hobby es un plan gratuito para uso personal; la página de precios de alojamiento ofrece una prueba de Pro.

Un fundador que añade un asistente de cuentas a una aplicación web puede transmitir la respuesta, mostrar el progreso de una herramienta y pedir al usuario que apruebe un cambio dentro de la misma interfaz. Si la mayor parte del trabajo termina durante esa interacción, el alcance resulta útil. Un proceso que deba esperar a otro departamento hasta mañana necesita un ciclo de vida del trabajo y persistencia más allá de un componente del navegador.

Estado: Los bucles reutilizables de agentes no convierten automáticamente un chat en un proceso de negocio duradero. El patrón documentado de persistencia de mensajes guarda los mensajes de la interfaz en un almacén controlado por la aplicación; en producción puede ser una base de datos o almacenamiento en la nube. Conserva identificadores estables de mensajes y valida los mensajes de herramientas restaurados frente a los esquemas actuales. Decide por separado qué sucede si el navegador se cierra mientras el backend sigue trabajando. La guía de persistencia de mensajes del chatbot explica cómo integrarlo, sin afirmar que el SDK aporte tu base de datos.

Herramientas, MCP y revisión humana: El cliente MCP expone las herramientas del servidor al bucle del modelo. La API actual de aprobación de herramientas locales es toolApproval; la propiedad anterior needsApproval está obsoleta. La aprobación manual devuelve partes de solicitud, tu interfaz recoge la decisión y una llamada posterior consume la respuesta de aprobación. El límite clave es que las herramientas ejecutadas por el proveedor no se controlan mediante esta configuración local. Configura esos controles por separado en el proveedor. La documentación de llamadas a herramientas describe tanto el ciclo de vida como ese límite.

El riesgo está en asumir que una interfaz de conversación pulida equivale a un motor de flujos. El SDK ofrece controles útiles para el bucle, y el código convencional puede definir una secuencia conocida. No hace que tu función alojada espere indefinidamente a un revisor, ni conserva el comprobante de una transacción externa, ni autoriza a la persona que pulsó «Aprobar». Mantén la interfaz como una vista del estado de la aplicación, en lugar de hacerla responsable única del trabajo.

Costos de servicios alojados, verificados el 7 de octubre de 2026: Los precios de alojamiento de Vercel sitúan Hobby en $0/mes, Pro en $20/mes y Enterprise con precio personalizado. Hobby se limita al uso personal no comercial. Los detalles de precios de Pro especifican que la cuota de plataforma incluye un puesto con permiso de despliegue y $20 de crédito mensual de consumo; los puestos adicionales con ese permiso cuestan $20/mes, mientras que los usuarios que solo consultan son gratuitos. Por tanto, tres puestos con permiso de despliegue parten de $60/mes antes del consumo bajo demanda. El crédito de uso pertenece al plan; añadir un puesto no lo multiplica.

Los precios de AI Gateway, un servicio opcional, incluyen un nivel gratuito con $5/mes de crédito para modelos elegibles y un nivel de pago con créditos comprados para consumo bajo demanda. Las tarifas de tokens siguen los precios de lista de los proveedores, sin recargo. Comprar créditos mueve la cuenta al nivel de pago y termina el cupo gratuito recurrente; el acceso con tu propia clave pertenece al nivel de pago. Esos créditos del gateway son distintos del crédito de consumo del plan de alojamiento, y las funciones opcionales del gateway pueden tener sus propios cargos.

Veredicto: Elige Vercel AI SDK para el bucle que se presenta en la web. Elige Mastra cuando los agentes y los flujos almacenados necesiten un framework común más amplio, o añade un sistema independiente de trabajos duraderos si la tarea supera la duración de la interacción.

Qué elegir según tu proyecto

Para un flujo de varios pasos con estado, empieza por LangGraph. Lo que marca la diferencia no es cuántos prompts tienes, sino si la posición guardada, las bifurcaciones y la revisión diferida forman parte del resultado. Usa un grafo explícito cuando quien opera el sistema necesite saber dónde está el caso y qué puede ejecutarse después con seguridad.

Para un equipo de agentes con roles distintos, elige CrewAI. Asigna a cada rol un trabajo propio, un contrato de evidencia o un límite de herramientas. Si todos reciben la misma entrada y producen el mismo tipo de respuesta, simplifica el diseño antes de seleccionar un framework de colaboración.

Para un agente dentro de una aplicación web TypeScript, considera Mastra y Vercel AI SDK. El mayor alcance de Mastra se justifica cuando la memoria almacenada y la suspensión de flujos forman parte del producto. Vercel AI SDK encaja cuando el streaming y la interacción con herramientas son centrales y tu backend ya controla el resto. La infraestructura existente puede cambiar la elección: un motor de trabajos maduro reduce los motivos para adoptar otra capa de flujos.

Para un bucle compacto orientado a un proveedor, elige OpenAI Agents SDK o el SDK cliente del proveedor. El ejecutor de agentes de OpenAI añade herramientas, delegaciones y estado de aprobación dentro de tu aplicación. En Claude, elige Agent SDK específicamente cuando importen las capacidades integradas de archivos y comandos; usa el SDK cliente para un bucle propio más pequeño.

Para un sistema orientado a Google, considera ADK después de comprobar la combinación completa de funciones. Las limitaciones actuales de Tool Confirmation bastan para cambiar una arquitectura de revisión persistente. La compatibilidad con un lenguaje, por sí sola, no debería decidir la elección.

Frameworks de agentes de IA que conviene evaluar si trabajas con Python

LangGraph encaja con una posición explícita del flujo; Pydantic AI, con servicios de tipos definidos y salidas validadas; CrewAI, con roles distintos que colaboran. OpenAI Agents SDK encaja con un ejecutor más pequeño controlado por la aplicación. La disponibilidad en Python es la restricción inicial; el modelo de estado y aprobación determina la decisión final.

Cuando la secuencia ya se conoce, deja el control al código convencional o a un flujo determinista. La comparativa de agentes y flujos en n8n desarrolla ese mismo límite: el modelo decide donde aporta criterio, mientras el flujo controla las acciones que puedes definir de antemano.

Cuándo conviene usar un bucle del proveedor sin framework

Usa un bucle sencillo con el SDK del proveedor cuando un solo proveedor de modelos, pocas herramientas y una tarea acotada cubran el trabajo. Una consulta de cuenta de solo lectura, la clasificación de documentos o una petición breve de redacción suelen poder quedarse en el backend que ya operas.

El bucle básico envía la solicitud, valida los argumentos de las herramientas, llama a una función permitida de la aplicación, devuelve el resultado y continúa hasta que el modelo termina o alcanza tu regla de parada. Si la secuencia es fija, la aplicación puede llamar directamente a las funciones necesarias y pedir al modelo solo el criterio o el texto que aporta.

Esta opción resulta atractiva cuando tu aplicación ya controla la autenticación, los trabajos duraderos, la política de reintentos, el almacenamiento y la telemetría. Un framework que simplemente envuelve esas piezas existentes crea otra interfaz que mantener. Aporta valor cuando elimina una carga recurrente concreta, como la posición reanudable del flujo, las delegaciones coherentes o el ciclo de vida del estado de aprobación.

Fija un máximo de trabajo, conserva el historial necesario y registra el resultado. Prescindir de un framework sigue exigiendo un responsable claro de los fallos. Cuando te encuentres implementando repetidamente transiciones de puntos de control, gestión de aprobaciones diferidas u orquestación de especialistas, vuelve a considerar la biblioteca que aporta esa capacidad que falta. Adóptala para resolver un problema recurrente que puedas identificar.

Frameworks de código abierto para agentes de IA: licencias y costos de operación

La decisión sobre la biblioteca gratuita y la de la plataforma alojada deberían tener aprobaciones presupuestarias separadas. LangGraph, CrewAI, OpenAI Agents SDK y Pydantic AI tienen núcleos MIT; Vercel AI SDK, el núcleo Python verificado de Google ADK y el núcleo de Mastra usan Apache 2.0. Los directorios empresariales de Mastra y el entorno de Claude introducen condiciones independientes. El componente Python MIT de Claude es una pieza, no una descripción general de todo lo que ejecuta.

Separa en la estimación el uso de modelos, los recursos de ejecución, el almacenamiento persistente, la observabilidad y la operación de las revisiones. Un cupo gratuito de trazas no es un cupo gratuito de agentes. Un crédito del gateway de modelos no es crédito de alojamiento. El precio por puesto no es el precio completo de un despliegue. Los ejemplos de cada ficha muestran las consecuencias sin atribuir un total inventado a una carga de trabajo no especificada.

Para quien opera el sistema, la ambigüedad más cara puede ser una acción cuyo resultado queda desconocido tras agotarse el tiempo de espera. Guarda la operación prevista, obtén la aprobación necesaria, ejecútala mediante una herramienta de aplicación de alcance acotado y conserva el comprobante externo. Una clave de idempotencia permite que una solicitud repetida identifique la misma operación prevista, en lugar de crear otra silenciosamente; su comportamiento depende de tu aplicación y del servicio de destino.

Un punto de control puede restaurar la posición dentro del flujo. Por sí solo no demuestra si un servicio externo confirmó una escritura justo antes de que fallara la red. Diseña con la herramienta esa consulta del comprobante, en lugar de dejar que el modelo lo deduzca de su último mensaje.

Este también es el límite práctico para una migración. Conserva los esquemas de negocio, los contratos de herramientas y los registros de acciones externas en código de aplicación que entiendas. Cambiar de framework puede exigir modificar el estado de ejecución y los mensajes persistidos, pero la operación central del negocio no debería tener que reconstruirse a partir de la transcripción de un agente.

Opciones que conviene evitar

Evita LangGraph para un clasificador sencillo si el backend ya llama al modelo, valida el resultado y lo guarda. Un grafo no mejora ese trabajo por alargar el diagrama.

Evita CrewAI para personajes decorativos. Un investigador, un estratega y un redactor necesitan responsabilidades o límites de evidencia distintos. De lo contrario, las etiquetas de roles ocultan un bucle más grande alrededor de la misma tarea.

Evita Claude Agent SDK para un chat básico si no necesitas su entorno de archivos y comandos. El SDK cliente directo es el punto de partida más pequeño para un bucle propio con el proveedor.

Evita combinar Tool Confirmation de Google ADK con un servicio de sesiones persistentes no compatible. La limitación documentada actual se aplica a DatabaseSessionService y VertexAiSessionService. Un requisito central de aprobación en producción no debería depender de una combinación cuya compatibilidad se da por supuesta.

Evita tratar Logfire o un AI Gateway como alojamiento de agentes. Uno observa el trabajo y el otro enruta el acceso a modelos. Ninguno responde a quién opera el trabajo de la aplicación y lo reanuda después de un fallo.

Cómo elegir esta semana un framework para desarrollar agentes de IA

Elige la opción más pequeña capaz de cumplir el contrato real de recuperación y revisión. Puedes decidir con un trabajo de negocio representativo, sin montar una demostración de todas las funciones posibles de un agente.

1. 1

   Define el resultado y sus límites

   Especifica el resultado completo, la evidencia necesaria, las acciones permitidas y las que requieren revisión. Identifica qué necesita saber quien opera el sistema si una ejecución se detiene a mitad de camino.

2. 2

   Filtra por lenguaje y forma de ejecución

   Elige el framework según lo que estés construyendo: flujo duradero, roles que colaboran, servicio con tipos definidos o bucle de cara a la web. Mantén un bucle sencillo del proveedor en la comparativa si cumple el contrato.

3. 3

   Prueba las rutas interrumpidas

   Reinicia el proceso, provoca un error de herramienta, rechaza una aprobación y entrega un evento duplicado. Inspecciona el estado almacenado y los comprobantes externos. Una respuesta final correcta no demuestra por sí sola que la recuperación funcione.

4. 4

   Mide el costo del trabajo completado

   Cuenta todas las llamadas al modelo y el trabajo de herramientas, incluidos los reintentos y la actividad delegada. Añade las tarifas exactas de los servicios alojados utilizados y separa las cuotas fijas de plataforma de los cargos que dependen de la carga de trabajo.

5. 5

   Asigna responsables de operación

   Define quién se encarga del almacenamiento, el despliegue, los trabajos fallidos, las aprobaciones pendientes y las alertas de costos. Elige la opción cuyas carencias puedas gestionar esta semana.

Preguntas frecuentes

¿Cuáles son los 5 tipos de agentes de IA?

Las listas de cinco tipos son clasificaciones educativas y sus definiciones varían. No determinan qué framework puede conservar tu flujo o exigir una revisión. Para elegir, define la forma de ejecución, el estado, el acceso a herramientas y el nivel de autonomía permitido.

¿Cuáles son los 4 grandes agentes de IA?

No existe una lista universal de cuatro grandes agentes con autoridad reconocida. LangGraph, CrewAI, OpenAI Agents SDK y Google ADK resuelven trabajos de desarrollo distintos; presentarlos como una clasificación fija de calidad oculta el requisito de producción que debería orientar la elección.

¿Qué frameworks hay para crear agentes de IA?

Esta comparativa cubre LangGraph, CrewAI, OpenAI Agents SDK, Claude Agent SDK, Mastra, Google ADK, Pydantic AI y Vercel AI SDK. Van desde motores de flujos hasta bibliotecas de agentes con tipos definidos y SDK de bucles de herramientas para interfaces web. Empieza por el trabajo que estás construyendo.

¿Cuáles son los 7 tipos de agentes de IA?

Las listas de siete tipos también cambian según la fuente y no constituyen un modelo estándar para seleccionar frameworks. Una lista de categorías de agentes no demuestra recuperación tras reinicios, límites de permisos de herramientas ni compatibilidad entre aprobación y almacenamiento.

¿ChatGPT es un agente o un LLM?

ChatGPT es un producto de cara al usuario. Un LLM es el modelo de lenguaje subyacente; una aplicación de agente combina un modelo con herramientas, estado y un bucle que puede actuar para completar una tarea. Son capas distintas, y el nombre del producto no decide el entorno de ejecución de tu aplicación.

¿Cuáles son los 5 mejores agentes de IA?

Una selección según la tarea resulta más útil que una lista universal de cinco mejores. Empieza por LangGraph para flujos con estado, CrewAI para equipos de especialistas, Mastra para flujos TypeScript, Pydantic AI para servicios Python con tipos definidos y OpenAI Agents SDK para un bucle compacto controlado por la aplicación. Otras formas de trabajo cambian la selección.

¿Cuál es el agente de IA más reciente?

No hay una respuesta única útil que abarque modelos, productos alojados y frameworks de desarrollo. Para construir algo esta semana, consulta la documentación vigente de las capacidades que necesitas y verifica su compatibilidad con el despliegue y el almacenamiento. Una versión más reciente no demuestra que encaje mejor.

¿ChatGPT es el mejor agente de IA?

Depende de la tarea del usuario y de los controles necesarios. Es una pregunta distinta de elegir código para integrar en tu propio producto. Un desarrollador necesita respuestas sobre quién controla el estado, la ejecución de herramientas, el despliegue, la revisión y los costos operativos.

¿Qué frameworks de IA agéntica destacan en 2026?

Las opciones prácticas dependen de la tarea: LangGraph para flujos duraderos explícitos; CrewAI para colaboración por roles; Mastra o Vercel AI SDK para distintas necesidades de aplicaciones TypeScript; Pydantic AI para Python con tipos definidos; OpenAI Agents SDK para un ejecutor controlado por la aplicación; Claude Agent SDK por su entorno de archivos y comandos; y Google ADK cuando la combinación requerida sea compatible.

Usa la lista de verificación para auditar flujos de negocio con IA para definir el primer trabajo del agente, el límite de revisión y su responsable operativo antes de comprometerte con un framework.