LangGraph e framework per agenti AI: quale scegliere nel 2026

Scegli LangGraph per un workflow che conserva lo stato, CrewAI per un team di agenti con ruoli davvero distinti, Mastra per integrare un agente in un’app TypeScript e OpenAI Agents SDK per un ciclo di esecuzione compatto gestito dall’applicazione. Tra questi 8 framework per agenti AI, la scelta dipende da chi gestisce stato, approvazioni e ripristino.

I framework open source per agenti AI eliminano dal budget l’abbonamento alla libreria. Restano da pagare le chiamate ai modelli, l’hosting, lo storage e il lavoro operativo. La documentazione, le licenze dei repository e i listini dei produttori citati qui sono stati verificati il 7 ottobre 2026.

Claude Agent SDK richiede una valutazione a sé: incorpora nell’applicazione il runtime di Claude Code, capace di usare strumenti. Pydantic AI è adatto a servizi Python con tipizzazione; Vercel AI SDK a un’interfaccia web con risposte in streaming; Google ADK a un sistema di agenti nell’ecosistema Google. Un semplice ciclo basato sull’SDK del provider resta una buona scelta se nessuna di queste funzionalità aggiuntive risolve un problema concreto.

LangGraph e gli altri framework per agenti AI a confronto

La colonna dedicata ai servizi gestiti indica cosa puoi acquistare dal produttore. Un servizio di osservabilità registra le esecuzioni; un runtime gestito le esegue. Sono acquisti diversi, anche quando entrambi affiancano una libreria gratuita.

La scelta cambia quando il lavoro incompiuto deve proseguire oltre la richiesta che lo ha avviato. Se un operatore può approvare un’azione domani, o un worker può arrestarsi dopo una scrittura, valuta persistenza e ripresa prima dell’interfaccia di chat. MCP, il Model Context Protocol che espone strumenti e risorse agli agenti, da solo non offre questa garanzia di ripristino.

Come sono stati selezionati i framework per agenti IA

Le raccomandazioni confrontano architetture documentate, ambito delle licenze e prezzi attuali. Non derivano da misurazioni delle prestazioni ottenute eseguendo i framework.

La selezione si basa su sei domande:

• Modalità di esecuzione: La sequenza è definita dal codice, il modello sceglie lo strumento successivo oppure gli specialisti si delegano il lavoro?
• Gestione dello stato: Cosa viene conservato: messaggi, posizione nel workflow, memoria condivisa, decisioni in sospeso o tutti questi elementi?
• Ripristino: Cosa succede quando il processo si riavvia, uno strumento va in timeout o l’utente torna in un secondo momento?
• Confini degli strumenti: Puoi esporre funzioni applicative dal perimetro ristretto e i server MCP necessari?
• Revisione umana: Una persona può esaminare l’azione proposta prima che venga eseguita? Dopo la decisione, il processo riprende correttamente?
• Costi operativi e licenza: Quali funzionalità rientrano nel nucleo gratuito, quali richiedono un accordo commerciale e quali consumi misura il servizio gestito?

Le otto sezioni sono ordinate in base a impieghi concreti in produzione. LangGraph è la raccomandazione di partenza per il workflow con stato descritto nell’articolo; non è sempre preferibile a un ciclo più semplice. Un prodotto TypeScript che si limita soprattutto a trasmettere risposte in streaming non dovrebbe adottare un runtime a grafo solo per seguire questa indicazione.

La selezione dei framework esclude i builder no-code ospitati e i prodotti di osservabilità. Logfire compare come acquisto facoltativo accanto a Pydantic AI, non come nono framework. Altri ecosistemi specializzati potrebbero adattarsi a uno stack esistente; aggiungerli senza la stessa analisi di stato, approvazioni e prezzi renderebbe più difficile scegliere.

Orchestrare gli agenti AI: stato e revisione umana

Per stato intendiamo le informazioni che servono a un altro worker per proseguire correttamente lo stesso processo aziendale. Un framework di orchestrazione coordina i passaggi, ma devi comunque stabilire quali dati conservare per riprendere il lavoro in sicurezza.

Considera un assistente per i rimborsi. La sua cronologia registra la conversazione e la consultazione delle regole. La sua posizione indica che l’idoneità è stata verificata e che il rimborso è ancora in sospeso. Il registro della revisione identifica l’importo e l’azione approvati da un responsabile. La ricevuta registra se il sistema di pagamento ha accettato l’operazione.

Questi dati rispondono a domande diverse. Una trascrizione che dice «rimborso approvato» non dimostra che un responsabile abbia approvato l’importo attuale. Un checkpoint del workflow che riporta «chiamata completata» non sostituisce la ricevuta del sistema di pagamento. Anche la ricevuta salvata deve avere un identificativo stabile dell’operazione, così un nuovo tentativo può riconoscere la stessa scrittura prevista.

Per un assistente di ricerca che lavora in sola lettura, salvare la cronologia può bastare. Per un onboarding che si interrompe in attesa di documenti, conservare la posizione di esecuzione diventa utile. Per un rimborso o una modifica all’account, approvazione e ricevuta esterna devono entrare nel progetto prima del lancio.

È qui che vanno esaminate con attenzione anche le promesse sulla revisione umana. Un prompt che chiede prudenza al modello è un’istruzione. Un blocco che attende una decisione prima di eseguire lo strumento è un controllo. Una schermata di approvazione diventa utile sul piano operativo quando mostra gli argomenti esatti, autentica il revisore, salva la decisione e permette di riprendere dopo un riavvio.

L’SDK può esporre la pausa o la richiesta di approvazione. Spetta comunque al prodotto verificare l’autorità del revisore e la validità dell’azione. Se l’importo richiesto cambia dopo l’approvazione, la decisione precedente non deve autorizzare implicitamente quello nuovo. Tratta questo requisito come un contratto dell’applicazione, qualunque sia il framework scelto.

Quale framework per agenti AI scegliere in produzione

1. LangGraph: per workflow con stato e più passaggi

LangGraph è il punto di partenza più solido quando l’agente è un workflow e conta sapere a che punto si trova l’esecuzione. È un runtime a grafo di basso livello: definisci i nodi, il lavoro di ogni nodo e le transizioni tra di essi. Alcuni nodi possono eseguire codice ordinario; altri possono chiedere a un modello di scegliere il passo successivo. I componenti LangChain sono facoltativi, quindi adottare LangGraph non obbliga a inserire ogni operazione applicativa dietro un’ulteriore astrazione.

Linguaggio e licenza: Python e TypeScript/JavaScript; nucleo con licenza MIT.
Ideale per: Una pratica, un processo di onboarding o un workflow di ricerca con diramazioni, pause e riprese.
Punto di forza: Stato del workflow esplicito, checkpoint dei thread e archivio separato condiviso tra thread.
Prezzi: Libreria di base gratuita. LangSmith Developer costa $0/posto/mese; Plus $39/posto/mese; Enterprise è su preventivo. Ogni piano gestito ha proprie regole di consumo.
Prova gratuita: Developer è un piano gratuito continuativo; l’accesso al deployment a pagamento parte da Plus.

Per un fondatore con competenze tecniche che sviluppa l’onboarding dei fornitori, l’unità utile è la singola pratica del fornitore. Un nodo di estrazione documentale può proporre i campi; il codice deterministico può validarli; un agente può richiedere le prove mancanti; un revisore può approvare il record finale. Il grafo mostra all’operatore quale transizione è in attesa, senza dover dedurre l’avanzamento da una conversazione.

Stato: I checkpointer salvano lo stato del grafo di un thread. Gli archivi conservano informazioni definite dall’applicazione e condivise tra thread, come il profilo stabile di un fornitore. Un checkpointer in memoria perde i dati al riavvio del processo: in produzione serve quindi uno storage persistente. Mantieni i file di grandi dimensioni che contengono le prove fuori dal checkpoint e salvane i riferimenti. Altrimenti un record di controllo compatto diventa una copia sempre più grande di ogni artefatto. Queste distinzioni sono documentate nella guida alla persistenza di LangGraph.

Strumenti, MCP e revisione umana: I nodi possono chiamare il codice della tua applicazione. Gli adattatori MCP di LangChain espongono al grafo strumenti locali via stdio o remoti via Streamable HTTP. interrupt() di LangGraph sospende l’esecuzione; il chiamante fornisce una decisione tramite Command(resume=...). Il dettaglio decisivo è che, alla ripresa, il nodo interrotto ricomincia dall’inizio. Una scrittura esterna collocata prima della pausa può quindi essere eseguita di nuovo. La guida alle interruzioni descrive esplicitamente questo comportamento.

La difficoltà sta nel lavoro che resta a tuo carico attorno a un runtime di basso livello: schemi dello stato, conservazione dei checkpoint, deployment dei worker, modifiche al grafo e regole di ripristino. L’esecuzione durevole è una capacità da configurare e integrare nel progetto. Non garantisce che un pagamento o un’email avvengano esattamente una volta, a prescindere da come hai implementato lo strumento.

Costi dei servizi gestiti, verificati il 7 ottobre 2026: Developer include un posto e 5k tracce base/mese. Plus include 10k tracce base/mese per l’intera organizzazione e un deployment Serverless Small gratuito. I deployment serverless o dedicati aggiuntivi consumano risorse; il produttore consiglia quelli dedicati per gli agenti rivolti ai clienti. Enterprise ha prezzi su preventivo e opzioni self-hosted/ibride. L’unità attuale è la LSU, a $1.00/LSU. I consumi pubblicati per il deployment comprendono il calcolo del runtime a 0.0675 LSU/vCPU-hour, la memoria del runtime a 0.0090 LSU/GiB-hour, il calcolo del database a 0.177 LSU/vCPU-hour e la memoria del database a 0.025 LSU/GiB-hour. Il listino LangSmith è la fonte di questi piani e parametri di consumo.

Usa questo mini tutorial come primo esercizio di progettazione, prima di collegare uno strumento capace di scrivere:

1. 1

   Assegna al processo un’identità durevole

   Usa un identificativo di thread per ogni pratica del fornitore, richiesta del cliente o altro risultato da ottenere. Riutilizzalo quando il lavoro riprende; il cambio di worker non è un motivo per creare un nuovo thread.

2. 2

   Separa le decisioni dagli artefatti

   Nel contratto dello stato conserva la fase attuale, i riferimenti alle prove, l’azione proposta e lo stato dell’approvazione. Documenti e output di grandi dimensioni devono avere il proprio storage.

3. 3

   Configura checkpoint persistenti

   Sostituisci il sistema di salvataggio in memoria prima che il progetto pilota abbia bisogno di riprendersi da un riavvio. Definisci i tempi di conservazione e rendi lo stesso thread accessibile a un worker sostitutivo.

4. 4

   Inserisci la pausa prima della scrittura

   Usa un’interruzione per presentare l’azione proposta. Dopo l’approvazione, chiama uno strumento applicativo dal perimetro ristretto, con un identificativo stabile dell’operazione, e salvane il risultato.

5. 5

   Metti alla prova il ripristino

   Riavvia il worker durante una chiamata al modello, mentre attende l’approvazione e dopo la scrittura esterna. Verifica che il processo prosegua senza duplicare l’azione prevista.

Il verdetto: Scegli LangGraph quando salvare la posizione nel workflow e ripristinare l’esecuzione sono requisiti del prodotto. Puoi farne a meno per una richiesta breve che l’applicazione esistente riesce a completare e ritentare correttamente.

2. CrewAI: per team di agenti con ruoli davvero distinti

CrewAI è adatto a lavori che richiedono specialisti con ruoli separati e passaggi di consegne. La sua astrazione Python raggruppa gli agenti in Crews, con ruoli, obiettivi e compiti; i Flows definiscono il processo circostante, guidato dagli eventi. In produzione, il modello utile consiste nell’affidare a una Crew una parte circoscritta del lavoro collaborativo e lasciare a un Flow la gestione delle fasi che la circondano.

Linguaggio e licenza: Python; MIT.
Ideale per: Ricerca, analisi e stesura di documenti con responsabilità o accessi agli strumenti differenti.
Punto di forza: Collaborazione per ruoli all’interno di Flows strutturati.
Prezzi: Libreria open source gratuita. Il piano gestito Basic è gratuito e include 50 esecuzioni di workflow/mese; Enterprise è su preventivo.
Prova gratuita: Basic è un piano gratuito. Enterprise permette di richiedere una prova; il listino non ne pubblica la durata.

Un fondatore che prepara dossier sui clienti può affidare a un ricercatore l’accesso alle prove, a un analista l’individuazione dei segnali d’acquisto rilevanti e a un redattore il dossier finale. Questi ruoli sono utili quando hanno input, autorizzazioni o criteri di accettazione diversi. Assegnare allo stesso modello tre biografie e gli stessi strumenti non crea, di per sé, tre specialisti utili.

Stato: Lo stato di un Flow può essere un dizionario o un modello Pydantic, cioè uno schema Python che valida i campi previsti. Il meccanismo @persist salva snapshot dello stato; SQLite è il backend di persistenza predefinito ed è supportata anche un’implementazione personalizzata. Lo stato salvato può essere ripristinato con un’identità esistente o usato come punto di partenza per un’esecuzione distinta. Tieni separato lo stato del Flow dalle informazioni ricordate dall’agente: «il dossier è in attesa di revisione» è stato del processo; «questo cliente vende agli ospedali» è conoscenza. La documentazione di CrewAI Flows descrive questi controlli e il feedback umano.

Strumenti e MCP: Il supporto MCP attuale permette di configurare gli agenti tramite mcps, con trasporti locali stdio, HTTP e SSE, oltre alla possibilità di usare un adattatore. Filtrare gli strumenti conta più del numero di integrazioni collegate. Un ricercatore dovrebbe ricevere strumenti di consultazione; un agente che scrive un dossier non dovrebbe ereditare il permesso di modificare l’account del cliente solo perché lo stesso server MCP espone entrambe le operazioni.

Revisione umana: Il feedback umano dei Flows può sospendere il lavoro in attesa di approvazione o revisione. Provider di feedback asincroni personalizzati permettono al prodotto di raccogliere una decisione fuori dal processo interattivo originale. Modella l’esito della revisione come una decisione aziendale esplicita, registrando sia l’artefatto proposto sia il revisore. Un ruolo chiamato «revisore» all’interno della Crew resta un modello; non è il controllo umano su cui l’operatore farà affidamento.

I problemi emergono quando la collaborazione cresce più rapidamente dei contratti dei singoli compiti. Se il ricercatore cambia il formato delle prove, l’analista può interpretarle diversamente senza segnalarlo; il redattore può poi trasformare questa deriva in un documento finale dall’apparenza sicura. Richiedi un passaggio strutturato delle prove e una regola concreta di accettazione a ogni confine. Mantieni le scritture finali fuori da una discussione libera tra agenti.

Costi dei servizi gestiti, verificati il 7 ottobre 2026: Il listino attuale di CrewAI indica Basic gratuito, con editor visuale, copilota AI, integrazione GitHub e 50 esecuzioni di workflow/mese. Enterprise è su preventivo e offre governance e deployment su CrewAI Cloud, nel tuo VPC o sulla tua infrastruttura. Non sono pubblicati né un piano intermedio con prezzo fisso in dollari né una tariffa per le esecuzioni eccedenti. Un carico di 51 esecuzioni ospitate supera la quota indicata per Basic: serve una trattativa commerciale o una diversa soluzione di deployment. I costi di modelli e infrastruttura della libreria open source restano separati.

Il verdetto: Scegli CrewAI quando il lavoro richiede responsabilità affidate a specialisti. Per un processo prestabilito di validazione e approvazione, lascia il controllo al Flow e usa solo i ruoli che giustificano le chiamate al modello.

3. OpenAI Agents SDK: per un ciclo dell’agente gestito dall’applicazione

OpenAI Agents SDK è adatto quando deployment e dati devono restare sotto il controllo dell’applicazione, mentre un runner leggero gestisce chiamate ai modelli, strumenti e passaggi tra agenti. La definizione di un agente riunisce istruzioni e capacità disponibili; il runner prosegue finché l’agente non produce una risposta finale, passa il lavoro a un altro agente o si ferma. È un livello di struttura utile per un prodotto che ha già backend, autenticazione e storage.

Linguaggio e licenza: Python e TypeScript; SDK open source con licenza MIT.
Ideale per: Un’applicazione basata su OpenAI che richiede un ciclo di strumenti, passaggi a specialisti e controlli di revisione.
Punto di forza: Runner compatto, strumenti gestiti dall’SDK e tracciamento integrato.
Prezzi: Nessun piano SDK a pagamento per posto. Le chiamate ai modelli e gli strumenti ospitati applicabili sono a consumo; i costi del tuo runtime sono separati.
Prova gratuita: Non c’è un abbonamento SDK da provare; non dare per scontato che l’uso dell’API sia gratuito.

Immagina un agente di assistenza agli account all’interno di un SaaS esistente. Il backend conosce già l’account dell’utente autenticato e i suoi diritti di accesso. L’agente può consultare il contesto dell’account, chiedere un dettaglio mancante e chiamare uno strumento circoscritto per richiedere una cancellazione. L’astrazione utile è un ciclo controllato attorno a queste operazioni, non una seconda piattaforma che cerca di diventare il database dell’applicazione.

Stato: La documentazione ufficiale propone una cronologia locale da riprodurre, sessioni SDK basate sul tuo storage, un identificativo della Conversations API oppure la continuazione tra risposte tramite l’ID di una risposta precedente. Scegli una strategia coerente. Caricare tutta la cronologia locale e chiedere contemporaneamente all’API di proseguire la stessa conversazione salvata può duplicare il contesto. Il record della conversazione, inoltre, non registra automaticamente il ciclo di vita di un’operazione di fatturazione indipendente: conservalo nell’applicazione.

Strumenti, MCP e revisione umana: L’SDK supporta strumenti basati su funzioni, strumenti ospitati e MCP, compresi server locali/privati gestiti dall’SDK via stdio o Streamable HTTP. Le interruzioni per approvazione restituiscono uno stato ripristinabile. L’applicazione può approvare o rifiutare la chiamata proposta, serializzare quello stato per una revisione differita e riprendere la stessa esecuzione. I guardrail sono controlli automatici; l’approvazione umana è una decisione distinta. Nella guida ufficiale alla revisione umana, i guardrail di input si applicano al primo agente, quelli di output all’agente che produce la risposta finale. Colloca i controlli accanto allo strumento che genera l’effetto esterno.

La parte impegnativa è l’orchestrazione che resta da gestire. Servono l’adattatore di storage, il ciclo di vita dei processi, l’interfaccia di revisione e un modo per riprendere il lavoro su un altro worker. La possibilità di restituire un’esecuzione ripristinabile non significa che l’SDK gestisca il registro delle transazioni aziendali. Questa divisione è vantaggiosa se tali sistemi esistono già; richiede più lavoro se ti aspettavi un servizio di agenti interamente gestito.

Costi, verificati il 7 ottobre 2026: Come esempio della spesa per il modello, il listino OpenAI indica per gpt-6.1-sol Standard con contesto breve $2.00 per 1M token di input e $10.00 per 1M token di output. Un compito ipotetico completato con 20,000 token di input non in cache e 2,000 token di output, sommando tutte le chiamate, costa $0.06 di utilizzo del modello. Con 5,000 compiti/mese, il totale è $300 prima di strumenti, hosting, storage e osservabilità. È un esempio aritmetico, non un carico di agenti misurato; altri contesti, modalità e sistemi di cache hanno tariffe diverse.

OpenAI offre anche una distinta Agents API che esegue un ambiente operativo Codex gestito. Non è un piano di hosting per codice arbitrario scritto con Agents SDK. Per quel percorso gestito, considera i costi di modelli, strumenti, sandbox e terze parti, senza attribuirgli un piano mensile inventato. Il confronto tra OpenAI Agents API e Agents SDK approfondisce la distinzione.

Il verdetto: Sceglilo se il backend deve mantenere il controllo del sistema e il runner elimina la gestione del ciclo che altrimenti dovresti mantenere. Dopo aver deciso chi gestisce cosa, parti dalla guida per creare un agente AI.

4. Claude Agent SDK: per un runtime che lavora con file e comandi

Claude Agent SDK è la scelta da valutare quando l’agente deve lavorare con file, comandi e codice usando il runtime alla base di Claude Code. Lo incorpora in un processo Python o TypeScript che gestisci tu. È una decisione molto più ampia rispetto all’installazione di una libreria client per inviare un prompt a Claude.

Linguaggio e licenza: Python e TypeScript. La licenza del wrapper Python è MIT; la documentazione SDK di Anthropic precisa che l’uso è regolato dai suoi Commercial Terms, salvo i componenti con licenza separata.
Ideale per: Un assistente per repository, un worker che elabora file o un agente di coding che richiede un runtime già pronto a usare strumenti.
Punto di forza: Strumenti integrati per file e comandi, gestione del contesto, sessioni, hook e subagenti.
Prezzi: Nessun abbonamento SDK separato; l’uso dell’API è a consumo. Il servizio distinto Claude Managed Agents aggiunge $0.08 per ora di sessione in esecuzione ai costi dei token del modello.
Prova gratuita: Non serve una prova di abbonamento SDK. Accesso ai modelli e uso del runtime ospitato hanno una fatturazione propria.

Per chi sviluppa un servizio di manutenzione dei repository, il runtime integrato può leggere l’albero delle directory, esaminare i file rilevanti ed eseguire comandi. Per un chatbot di assistenza che consulta un account e restituisce una bozza, la stessa superficie di esecuzione può superare le necessità del prodotto. Scegli questo ambiente operativo perché serve al lavoro, non perché entrambi i prodotti usano Claude.

Stato: L’SDK salva automaticamente su disco le sessioni di conversazione e supporta continuazione, ripresa esplicita e creazione di diramazioni. La documentazione distingue la persistenza della conversazione da quella del filesystem: riprendere una trascrizione non annulla né ripristina i file modificati dall’agente. Per spostare il lavoro su un altro host servono anche i file di sessione necessari, non basta un identificativo. L’operatore deve definire una politica di storage e workspace che mantenga allineati prove e file di lavoro. La guida alle sessioni del Claude SDK chiarisce questo confine.

Strumenti, MCP e revisione umana: Le capacità integrate comprendono lettura, scrittura e modifica dei file, esecuzione di comandi e collegamento di strumenti MCP. Regole e modalità dei permessi controllano l’esecuzione automatica; canUseTool gestisce le chiamate che raggiungono il callback di approvazione del runtime. Un’approvazione automatica precedente può evitare quel callback. Usa un hook PreToolUse quando un controllo deve applicarsi a ogni chiamata di strumento e lascia all’applicazione il controllo dei confini di accesso all’ambiente effettivo. Sono controlli del runtime, non un sostituto dell’isolamento dei workspace dei clienti.

Il vincolo è il legame con l’ambiente di esecuzione e con il runtime Claude. L’SDK può gestire la propria conversazione, ma il prodotto deve occuparsi della creazione dei workspace, degli artefatti conservati, delle credenziali e del flusso di revisione. Se il processo di un tenant riprende in un container nuovo, privo dei suoi file, la trascrizione della sessione non ricostruirà il filesystem.

Costi e condizioni, verificati il 7 ottobre 2026: La panoramica dell’SDK distingue esplicitamente l’Agent SDK incorporato, il client SDK diretto di Claude e Claude Managed Agents. Per i prodotti commerciali indica l’autenticazione con chiave API; non puoi presumere che l’abbonamento claude.ai di un utente includa una quota di agenti ospitati per i tuoi clienti. Il wrapper Python MIT non rende l’intero runtime distribuito un framework MIT indipendente dal provider.

Il listino Claude indica per Claude Sonnet 5.5 un prezzo base di $2/MTok per l’input e $10/MTok per l’output, con tariffe separate per la cache e altri correttivi. Managed Agents fattura i token alle tariffe standard del modello più $0.08 per ora di sessione quando lo stato è running; sono esclusi i periodi in cui la sessione è inattiva, viene riprogrammata o è terminata. Un totale ipotetico di 100 ore di sessione in esecuzione aggiunge $8 di runtime, prima dei costi di modelli e strumenti. È un ambiente operativo ospitato separato, con una modalità di deployment diversa dall’esecuzione autonoma dell’Agent SDK.

Il verdetto: Sceglilo per lavori che richiedono le capacità del runtime di Claude Code. Per un ciclo leggero di strumenti Claude, usa il client SDK del provider e mantieni strumenti e stato nell’applicazione.

5. Mastra: per integrare un agente in un’app TypeScript

Mastra è più adatto quando un prodotto TypeScript richiede qualcosa in più di una risposta del modello in streaming: agenti, memoria salvata, strumenti e workflow ripristinabili in un unico framework applicativo. Offre queste funzionalità insieme a un’interfaccia di sviluppo, Mastra Studio. È una soluzione intermedia utile tra un piccolo ciclo esposto sul web e un runtime di workflow volutamente di basso livello.

Linguaggio e licenza: TypeScript. Il nucleo e gran parte del repository sono sotto licenza Apache 2.0; il codice nelle directory ee/ usa la Mastra Enterprise License.
Ideale per: Un agente SaaS TypeScript che richiede memoria applicativa e fasi del workflow in background.
Punto di forza: Agenti, memoria, snapshot dei workflow e supporto client/server MCP nello stesso stack.
Prezzi: Platform Starter $0/mese più consumi; Teams $250/mese più consumi; Enterprise su preventivo. Self-hosted Free costa $0/mese; self-hosted Enterprise è su preventivo.
Prova gratuita: Starter è un piano continuativo a $0 con eccedenze a consumo, non un servizio gratuito illimitato.

Immagina un’applicazione di customer success che raccoglie le prove per un rinnovo, prepara una raccomandazione e attende la revisione del responsabile dell’account. Frontend e backend sono già in TypeScript. Mastra permette di definire l’agente e il workflow circostante senza rendere un altro linguaggio un prerequisito del processo.

Stato: La memoria dell’agente richiede un provider di storage configurato. Cronologia dei messaggi, memoria di lavoro e gestione del contesto su tempi più lunghi rispondono a esigenze diverse dalla posizione nel workflow. suspend() acquisisce uno snapshot dell’esecuzione del workflow; resume() fornisce i dati attesi e prosegue il lavoro sospeso. Gli snapshot sopravvivono a deployment e riavvii quando vengono salvati tramite il provider configurato. La guida a sospensione e ripresa è la lettura importante per un workflow di approvazione, più di una semplice demo della memoria di chat.

Strumenti, MCP e revisione umana: MCPClient usa strumenti esterni; MCPServer può esporre agenti, strumenti e workflow Mastra ad altri client. Entrambi supportano stdio e Streamable HTTP. Il prodotto può ricevere eventi di approvazione degli strumenti e sospensione, mentre un workflow può fermarsi per la revisione e validare i dati di ripresa. Mantieni stabile l’identità della proposta durante quella pausa. Quando un responsabile approva una bozza di azione per il rinnovo, deve riprendere la proposta registrata, non una nuova alternativa generata dal modello.

La difficoltà sta nella distanza tra funzionalità disponibili e applicazione configurata per la produzione. Storage, isolamento dei tenant, conservazione, autenticazione e strumenti sicuri da rieseguire richiedono ancora una progettazione esplicita. Esamina anche i confini della licenza prima di basarti sui controlli enterprise: la licenza Apache del nucleo non copre ogni funzionalità ee/ alle stesse condizioni.

Costi dei servizi gestiti, verificati il 7 ottobre 2026: Il listino attuale di Mastra indica per Starter 100K eventi di osservabilità, poi $10/100K; 24 ore CPU, poi $0.35/ora; e conservazione per 15 giorni. Teams costa $250/mese e include 1M eventi, poi $8/100K; 250 ore CPU, poi $0.25/ora; e conservazione per sei mesi. Entrambi prevedono utenti, deployment e progetti illimitati. Enterprise è su preventivo, con volumi, conservazione e supporto negoziati.

Un Persistent Server per operatività 24/7 è indicato a $100/progetto su Starter e Teams. Il gateway dei modelli applica la tariffa di mercato più il 5.5%; memoria, recupero delle informazioni, database e traffico in uscita hanno ulteriori parametri di consumo. Self-hosted Free ha un prezzo del framework di $0; self-hosted Enterprise con licenza è su preventivo, con quota annuale fissa. Se ospiti il sistema autonomamente, uso dei modelli e infrastruttura restano costi separati.

In un mese ipotetico con 100 ore CPU e 300K eventi, le eccedenze di calcolo ed eventi di Starter sono $26.60 più $20, cioè $46.60 prima degli altri consumi. La base di $250 di Teams non è automaticamente la soluzione più economica per quel carico. Scegli Teams per le funzionalità e il profilo di utilizzo che cambia davvero; non passare al piano superiore solo perché l’agente è entrato in produzione.

Il verdetto: Scegli Mastra quando l’app richiede insieme comportamento dell’agente e struttura del workflow. Scegli Vercel AI SDK quando il lavoro principale è un’interfaccia web attorno a un ciclo più leggero.

6. Google ADK: per un sistema di agenti nell’ecosistema Google

Google ADK, l’Agent Development Kit, è adatto a un sistema che trae vantaggio dagli strumenti e dal percorso di deployment di Google, mantenendo agenti e workflow definiti nel codice. Supporta Python, TypeScript, Go, Java e Kotlin. Il framework può funzionare sulla tua infrastruttura; adottarlo non richiede, di per sé, l’acquisto di un runtime ospitato.

Linguaggio e licenza: Python, TypeScript, Go, Java e Kotlin; nucleo Apache 2.0, verificato nel repository Python.
Ideale per: Un sistema di agenti il cui stack operativo esistente è su Google Cloud.
Punto di forza: Servizi di sessione, stato con ambiti distinti, composizione dei workflow e percorso di deployment gestito.
Prezzi: Framework gratuito. Agent Runtime è a consumo, con calcolo standard on demand a $0.085/vCPU-hour e RAM a $0.009/GiB-hour dopo le rispettive quote gratuite.
Prova gratuita: Sono previste quote mensili di risorse ospitate; token dei modelli e altri consumi di risorse restano separati.

Per un assistente operativo in un’applicazione Google Cloud, il vantaggio concreto è la coerenza con l’ambiente già conosciuto dall’operatore. L’applicazione può mantenere identità dell’utente e confini di accesso nel backend esistente, mentre ADK coordina strumenti e specialisti. Questo può valere più dell’adozione della console cloud di un altro framework per il solo agente.

Stato: Le sessioni contengono eventi, cronologia della conversazione e stato. I prefissi dello stato distinguono valori globali dell’applicazione, valori dell’utente e valori temporanei; le chiavi senza prefisso appartengono alla sessione. Il servizio di sessione in memoria non offre persistenza al riavvio. I servizi di sessione Database e Vertex AI sono alternative persistenti. Aggiorna lo stato tramite contesto ed eventi tracciati, invece di modificare un oggetto di sessione recuperato e presumere che sia stato salvato. I nomi del prodotto cloud sono cambiati, ma la domanda sulla gestione resta la stessa: da dove il worker sostitutivo recupererà il lavoro?

Strumenti e MCP: ADK supporta strumenti personalizzati e set di strumenti MCP per server locali o remoti. Verifica l’implementazione nel linguaggio scelto, senza presumere che ogni esempio valga per tutti e cinque. La guida attuale al deployment nativo di Agent Runtime elenca Python e Go; l’esistenza di un SDK per un linguaggio non dimostra che il deployment gestito offra lo stesso supporto.

Revisione umana: La funzionalità sperimentale Tool Confirmation può sospendere uno strumento in attesa di un utente o di un sistema di supervisione. Le limitazioni note attuali precisano che DatabaseSessionService e VertexAiSessionService non sono supportati. TypeScript richiede inoltre una logica di conferma manuale all’interno dell’esecuzione dello strumento. È una verifica di compatibilità decisiva per un processo in produzione che deve attendere una revisione e sopravvivere al riavvio del processo. Non scegliere separatamente un servizio di sessione persistente e Tool Confirmation dando per scontato che funzionino insieme. Se questa combinazione è centrale nel progetto, usa un altro meccanismo di approvazione che puoi validare oppure un framework la cui combinazione documentata di pausa e storage soddisfi i requisiti.

Il limite è la parità delle funzionalità e la compatibilità dei backend. Un elenco ampio di linguaggi può nascondere un percorso più ristretto per la specifica funzione di deployment o revisione che ti serve. Verifica la combinazione completa, compresi servizio di sessione e tipo di strumento, invece di approvare lo stack sulla base di spunte separate.

Costi dei servizi gestiti, verificati il 7 ottobre 2026: Il listino Agent Platform di Google usa parametri di consumo delle risorse condivisi. Agent Compute standard on demand include 50 ore vCPU gratuite/mese/account, poi $0.085/vCPU-hour. Agent Memory include 100 GiB-ora gratuiti/mese/account, poi $0.009/GiB-hour. Agent Storage prevede una quota gratuita di 1 GiB-mese; Sessions e Memory Bank indicano lo storage a $0.30/GiB-month. I token dei modelli sono separati.

Il listino indica anche tariffe agevolate, dove applicabili, di $0.0765/vCPU-hour e $0.0081/GiB-hour con impegno annuale, e di $0.068/vCPU-hour e $0.0072/GiB-hour con impegno triennale. Sono opzioni con impegno di spesa, non livelli del framework gratuito. Anche le operazioni su sessioni e memoria consumano Agent Compute: un’ora vCPU a $0.085 corrisponde a 3 milioni di letture o 1 milione di scritture. Includile nella stima del servizio gestito.

In un mese ipotetico limitato al runtime, con 100 ore vCPU e 200 GiB-ora, i costi di calcolo e RAM dopo le quote gratuite sono $5.15. La cifra esclude l’uso dei modelli, lo storage, le operazioni sulle sessioni e qualsiasi altro consumo delle risorse gratuite condivise dell’account. È una stima di una componente, non il conto completo di un agente ospitato.

Il verdetto: Scegli ADK quando è documentato che la combinazione di linguaggio, deployment e revisione richiesta funziona. Per un’approvazione umana persistente, una preferenza generica per Google Cloud deve lasciare spazio alle prove di compatibilità.

7. Pydantic AI: per servizi Python con contratti tipizzati

Pydantic AI è adatto a un backend Python il cui agente deve restituire dati validati e usare dipendenze applicative esplicite. Gli schemi Pydantic descrivono i campi e i tipi attesi dal sistema; il framework applica questa disciplina agli output degli agenti e alle interfacce degli strumenti. È particolarmente utile quando il passo successivo richiede una decisione strutturata, anziché un paragrafo dal contenuto plausibile.

Linguaggio e licenza: Python; MIT.
Ideale per: Un agente integrato in un servizio Python con contratti rigorosi di input e output.
Punto di forza: Dipendenze tipizzate e output validati, con backend facoltativi per l’esecuzione durevole.
Prezzi: Libreria gratuita. Logfire, facoltativo, offre Personal gratuito, Team a $49/mese, Growth a $249/mese ed Enterprise su preventivo.
Prova gratuita: Logfire Personal è gratuito per sempre; dà accesso all’osservabilità, non all’esecuzione gratuita dei modelli.

Considera un servizio di acquisizione delle richieste che restituisce a un’applicazione esistente la categoria della pratica, i riferimenti alle prove e un’azione successiva consigliata. Un output validato facilita il rifiuto di campi mancanti o malformati prima che l’operatore veda il risultato. Non dimostra che la raccomandazione sia corretta. Servono comunque regole aziendali, controlli delle prove e revisione dell’azione stessa.

Stato: La cronologia dei messaggi può essere trasferita tra esecuzioni e serializzata nell’archivio scelto. Questo garantisce continuità alla conversazione. Per avanzamenti che devono sopravvivere a errori e riavvii, Pydantic AI documenta integrazioni esterne di esecuzione durevole, tra cui Temporal, DBOS, Prefect e Restate. Questi sistemi conservano l’avanzamento dell’esecuzione; installare la sola libreria dell’agente non fornisce quel runtime. Un servizio Python esistente con un sistema di processi durevoli dovrebbe valutare l’integrazione prima di sostituire la propria orchestrazione.

Strumenti e MCP: La documentazione attuale usa MCPToolset, che racchiude un client FastMCP per server stdio, Streamable HTTP e SSE. Identità del server e credenziali per utente spettano all’applicazione. Una connessione condivisa al server con un’unica identità non crea automaticamente un confine di autorizzazione separato per ogni utente che interroga l’agente.

Revisione umana: Gli strumenti differiti possono attendere un’approvazione o un risultato di esecuzione esterno. Un gestore inline può risolvere le richieste nella stessa esecuzione. Per un revisore esterno, l’agente può restituire DeferredToolRequests; l’applicazione salva cronologia e chiamate in sospeso, raccoglie una decisione e avvia poi un’esecuzione successiva con DeferredToolResults. Questa continuazione esterna è una nuova esecuzione dell’agente: collegala alla conversazione originale, senza presumere che l’identificativo dell’esecuzione sia rimasto lo stesso. La guida agli strumenti differiti documenta la distinzione.

La difficoltà sta nell’infrastruttura che circonda un agente con tipizzazione forte. Lo schema rende più facile ragionare sulle interfacce; non fornisce l’interfaccia del revisore, una coda durevole o la correttezza semantica della decisione. Se un documento riporta l’identificativo del cliente sbagliato in un campo stringa valido, la validazione dei tipi può accettarlo. Verifica identità e prove in modo indipendente prima di qualsiasi scrittura.

Costi dei servizi gestiti, verificati il 7 ottobre 2026: Il listino Logfire riguarda un’offerta gestita di osservabilità e valutazione. Personal include 10M record di telemetria/mese, con limite rigido di spesa a $0, un posto e due ospiti in sola lettura, tre progetti e conservazione per 30 giorni. Team costa $49/mese con 10M record inclusi, poi $2 per milione. Include cinque posti, ne consente fino a dodici e addebita $25 per ogni posto aggiuntivo. Growth costa $249/mese con posti, ospiti e progetti illimitati, conservazione fino a 90 giorni, lo stesso numero di record inclusi e un’eccedenza di $2/milione. Enterprise è su preventivo, nelle varianti Cloud, Dedicated e Self-hosted.

Con sei posti Team, la base è $74/mese. Con dodici posti è $224/mese. Il tredicesimo supera il limite di Team; Growth costa $249/mese, appena $25 in più rispetto alla base Team con dodici posti, e offre funzionalità aggiuntive per conservazione e organizzazione. Nessuno di questi prezzi include l’hosting dell’agente Pydantic AI o le sue chiamate ai modelli. Tratta il budget della telemetria come una voce separata, non come il costo del runtime dell’agente.

Il verdetto: Scegli Pydantic AI quando il centro del prodotto è un servizio Python con tipizzazione. Aggiungi l’esecuzione durevole solo se il processo la richiede e confronta separatamente i requisiti operativi di quel motore.

8. Vercel AI SDK: per un agente web con risposte in streaming

Vercel AI SDK è adatto a un’applicazione TypeScript o JavaScript in cui il prodotto immediato è l’interfaccia utente, con risposte in streaming e ciclo di strumenti. La parte Core standardizza le chiamate a modelli e strumenti; la parte UI collega queste interazioni a un’interfaccia web. Puoi usare la libreria senza distribuire l’applicazione su Vercel.

Linguaggio e licenza: TypeScript/JavaScript; Apache 2.0.
Ideale per: Un’interfaccia di chat o di agente all’interno di un prodotto web esistente.
Punto di forza: Funzionalità per interfacce in streaming e cicli di strumenti riutilizzabili con più provider.
Prezzi: Libreria gratuita. Hosting Vercel facoltativo: Hobby $0/mese, Pro $20/mese più consumi, Enterprise su preventivo. AI Gateway ha crediti separati.
Prova gratuita: Hobby è un piano gratuito per uso personale; il listino dell’hosting offre una prova di Pro.

Un fondatore che aggiunge un assistente per gli account a un’applicazione web può trasmettere una risposta in streaming, mostrare l’avanzamento di uno strumento e chiedere all’utente di approvare una modifica nella stessa interfaccia. Se la maggior parte del lavoro si conclude durante quell’interazione, questo perimetro è utile. Un processo che deve attendere un altro reparto fino a domani richiede un ciclo di vita e una persistenza che vadano oltre un componente del browser.

Stato: I cicli riutilizzabili degli agenti non trasformano automaticamente una chat in un processo aziendale durevole. Il modello documentato di persistenza dei messaggi salva quelli dell’interfaccia in un archivio gestito dall’applicazione; in produzione puoi usare un database o uno storage cloud. Mantieni identificativi stabili dei messaggi e valida quelli degli strumenti ripristinati rispetto agli schemi attuali. Decidi separatamente cosa succede quando il browser si chiude mentre il backend continua a lavorare. La guida alla persistenza dei messaggi del chatbot spiega l’integrazione, senza affermare che l’SDK fornisca il database.

Strumenti, MCP e revisione umana: Il client MCP espone gli strumenti del server al ciclo del modello. L’API attuale per approvare gli strumenti locali è toolApproval; la precedente proprietà needsApproval è deprecata. L’approvazione manuale restituisce gli elementi della richiesta; l’interfaccia raccoglie una decisione e una chiamata successiva usa la risposta di approvazione. Il punto decisivo è che questa impostazione locale non controlla gli strumenti eseguiti dal provider. Configura separatamente i controlli sul lato del provider. La documentazione sulle chiamate agli strumenti descrive sia il ciclo di vita sia questo confine.

L’ostacolo nasce quando si presume che una buona interfaccia conversazionale sia un motore di workflow. L’SDK offre controlli utili sul ciclo e il codice ordinario può esprimere una sequenza nota. Non fa attendere indefinitamente una funzione di hosting per un revisore, non conserva la ricevuta di una transazione esterna e non verifica l’autorità di chi ha cliccato su Approva. Mantieni l’interfaccia come vista sullo stato dell’applicazione, invece di affidarle l’intera gestione del processo.

Costi dei servizi gestiti, verificati il 7 ottobre 2026: Il listino dell’hosting Vercel indica Hobby a $0/mese, Pro a $20/mese ed Enterprise su preventivo. Hobby è limitato all’uso personale non commerciale. I dettagli del prezzo di Pro precisano che la quota della piattaforma include un posto abilitato al deployment e $20 di credito mensile per i consumi; ogni posto aggiuntivo abilitato al deployment costa $20/mese, mentre gli utenti in sola visualizzazione sono gratuiti. Tre posti abilitati al deployment partono quindi da $60/mese prima dei consumi on demand. Il credito appartiene al piano; aggiungere un posto non lo moltiplica.

Il listino di AI Gateway, facoltativo, prevede un livello gratuito con $5/mese di credito per i modelli idonei e un livello a pagamento basato su crediti acquistati a consumo. Le tariffe dei token seguono i listini dei provider senza ricarico. L’acquisto di crediti porta l’account al livello a pagamento e interrompe la quota gratuita ricorrente; l’accesso con chiave propria è nel livello a pagamento. Questi crediti del gateway sono distinti dal credito per i consumi del piano di hosting e le funzionalità facoltative del gateway possono avere costi propri.

Il verdetto: Scegli Vercel AI SDK per il ciclo esposto nell’interfaccia web. Scegli Mastra quando agenti e workflow salvati richiedono un framework comune più ampio, oppure aggiungi un sistema separato di processi durevoli quando il compito prosegue oltre l’interazione.

Quale scegliere in base al progetto

Per un workflow con stato e più passaggi, parti da LangGraph. Il criterio non è il numero di prompt: conta se posizione salvata, diramazioni e revisione differita fanno parte del risultato. Usa un grafo esplicito quando l’operatore deve sapere a che punto è la pratica e quale passo può essere eseguito in sicurezza.

Per un team di agenti con ruoli distinti, scegli CrewAI. Assegna a ogni ruolo un compito, un contratto sulle prove o un confine di accesso agli strumenti separato. Se tutti i ruoli usano lo stesso input e producono lo stesso tipo di risposta, semplifica il progetto prima di scegliere un framework di collaborazione.

Per un agente in un’app web TypeScript, valuta Mastra e Vercel AI SDK. L’ambito più ampio di Mastra si giustifica quando memoria salvata e sospensione dei workflow fanno parte del prodotto. Vercel AI SDK è adatto quando streaming e interazione con gli strumenti sono centrali e il backend gestisce già il resto. L’infrastruttura applicativa esistente può ribaltare la scelta: un motore di processi maturo riduce il motivo per introdurre un altro livello di workflow.

Per un ciclo compatto legato a un provider, scegli OpenAI Agents SDK o il client SDK del provider. Il runner di OpenAI aggiunge strumenti, passaggi tra agenti e stato delle approvazioni dentro l’applicazione. Per Claude, scegli l’Agent SDK quando contano gli strumenti integrati per file e comandi; per un ciclo personalizzato più piccolo, scegli il client SDK.

Per un sistema nell’ecosistema Google, valuta ADK dopo aver verificato l’intera combinazione di funzionalità. Le limitazioni attuali di Tool Confirmation possono bastare a cambiare un’architettura con revisione persistente. Il solo supporto del linguaggio non dovrebbe decidere la scelta.

Quali framework per agenti AI valutare con Python?

LangGraph è adatto a una posizione esplicita nel workflow; Pydantic AI a un servizio tipizzato con output validati; CrewAI a ruoli distinti che collaborano. OpenAI Agents SDK offre un runner più piccolo gestito dall’applicazione. La disponibilità in Python è il vincolo iniziale; il modello di stato e approvazione determina la scelta finale.

Quando la sequenza è già nota, lascia il controllo al codice ordinario o a un workflow deterministico. Il confronto tra agenti e workflow in n8n sviluppa lo stesso confine: il modello sceglie dove il giudizio è utile, mentre il workflow gestisce le azioni che puoi definire in anticipo.

Quando conviene creare un agente senza framework?

Usa un semplice ciclo basato sull’SDK del provider quando bastano un solo provider di modelli, pochi strumenti e un compito circoscritto. Consultare un account in sola lettura, classificare documenti o produrre un testo breve sono attività che spesso possono restare nel backend già in uso.

Il ciclo di base invia la richiesta, valida gli eventuali argomenti degli strumenti, chiama una funzione applicativa consentita, restituisce il risultato dello strumento e prosegue finché il modello non termina o raggiunge la regola di arresto. Se la sequenza è fissa, l’applicazione può chiamare direttamente le funzioni necessarie e chiedere al modello solo il giudizio o il testo che deve fornire.

Questa scelta è interessante se l’applicazione gestisce già autenticazione, processi durevoli, politica dei tentativi, storage e telemetria. Un framework che si limita a rivestire questi componenti crea un’altra interfaccia da mantenere. Diventa utile quando elimina un onere ricorrente preciso, come la posizione ripristinabile nel workflow, passaggi di consegne coerenti o il ciclo di vita dello stato di approvazione.

Definisci un limite al lavoro eseguibile, conserva la cronologia necessaria e registra l’esito. Anche «senza framework» richiede un responsabile esplicito degli errori. Se ti ritrovi a scrivere ripetutamente transizioni dei checkpoint, gestione delle approvazioni differite o orchestrazione degli specialisti, rivaluta la libreria che offre quella funzionalità mancante. Adottala per un problema ricorrente che sai identificare.

Framework open source per agenti AI: licenze e costi operativi

La scelta della libreria gratuita e quella della piattaforma gestita dovrebbero avere approvazioni di budget separate. LangGraph, CrewAI, OpenAI Agents SDK e Pydantic AI hanno nuclei MIT; Vercel AI SDK, il nucleo Python verificato di Google ADK e quello di Mastra usano Apache 2.0. Le directory enterprise di Mastra e il runtime Claude introducono condizioni separate. Il wrapper Python MIT di Claude è un componente, non una descrizione complessiva di tutto ciò che esegue.

Tieni separati nella stima uso dei modelli, risorse del runtime, storage persistente, osservabilità e attività di revisione. Una quota gratuita di tracce non è una quota gratuita di agenti. Un credito per il gateway dei modelli non è un credito di hosting. Un prezzo per posto non è il prezzo completo del deployment. Gli esempi nelle schede mostrano le conseguenze senza attribuire un totale inventato a un carico non specificato.

Per l’operatore, l’ambiguità più costosa può essere un’azione il cui esito resta sconosciuto dopo un timeout. Salva l’operazione prevista, ottieni l’approvazione necessaria, eseguila tramite uno strumento applicativo dal perimetro ristretto e conserva la ricevuta esterna. Una chiave di idempotenza permette a una richiesta ripetuta di identificare la stessa operazione prevista, invece di crearne implicitamente un’altra; il comportamento dipende dall’applicazione e dal servizio di destinazione.

Un checkpoint può ripristinare la posizione nel workflow. Da solo non può dimostrare se un servizio esterno abbia confermato una scrittura subito prima di un guasto di rete. Progetta la ricerca della ricevuta insieme allo strumento, invece di lasciare che il modello deduca l’esito dal suo ultimo messaggio.

È anche il confine pratico per una migrazione. Mantieni schemi aziendali, contratti degli strumenti e registri delle azioni esterne in codice applicativo che conosci. Cambiare framework può comunque richiedere modifiche allo stato di esecuzione e ai messaggi salvati, ma l’operazione aziendale centrale non dovrebbe dover essere ricostruita dalla trascrizione di un agente.

Quando evitare questi framework

Evita LangGraph per un semplice classificatore se il backend chiama già il modello, valida il risultato e lo salva. Un grafo non migliora quel lavoro solo perché ne allunga il diagramma.

Evita CrewAI per personalità di facciata. Ricercatore, stratega e redattore devono avere responsabilità o confini delle prove distinti. Altrimenti le etichette dei ruoli nascondono un ciclo più grande attorno allo stesso compito.

Evita Claude Agent SDK per una chat di base se non servono file, comandi o il suo runtime legato all’ambiente. Il client SDK diretto è il punto di partenza più leggero per un ciclo personalizzato del provider.

Evita Google ADK Tool Confirmation insieme a un servizio di sessione persistente non supportato. La limitazione documentata attuale riguarda DatabaseSessionService e VertexAiSessionService. Un requisito centrale di approvazione in produzione non dovrebbe basarsi su una combinazione presunta.

Evita di considerare Logfire o un AI Gateway come hosting per agenti. Il primo osserva il lavoro, il secondo instrada l’accesso ai modelli. Nessuna delle due scelte stabilisce chi gestisce il processo applicativo e lo riprende dopo un errore.

Come scegliere il framework per agenti AI questa settimana

Scegli la soluzione più piccola capace di soddisfare i requisiti effettivi di ripristino e revisione. Per decidere basta un processo aziendale rappresentativo, anziché una vetrina di tutte le possibili funzionalità degli agenti.

1. 1

   Definisci il risultato e i suoi confini

   Indica il risultato da completare, le prove necessarie, le azioni consentite e quelle che richiedono revisione. Stabilisci cosa deve sapere l’operatore quando un’esecuzione si ferma a metà.

2. 2

   Seleziona per linguaggio e modalità di esecuzione

   Scegli il framework in base al workflow durevole, ai ruoli collaborativi, al servizio tipizzato o al ciclo esposto sul web che stai costruendo. Mantieni nel confronto un semplice ciclo del provider se soddisfa il contratto.

3. 3

   Prova i percorsi interrotti

   Riavvia il worker, fai restituire un errore a uno strumento, rifiuta un’approvazione e invia un evento duplicato. Esamina lo stato salvato e le ricevute esterne. Una risposta finale corretta, da sola, non dimostra che il ripristino funzioni.

4. 4

   Misura il costo del processo completato

   Conta tutte le chiamate ai modelli e le operazioni degli strumenti, compresi nuovi tentativi e attività delegate. Aggiungi gli esatti consumi ospitati utilizzati, poi separa le quote fisse della piattaforma dagli addebiti che dipendono dal carico.

5. 5

   Assegna le responsabilità operative

   Individua chi gestisce storage, deployment, processi falliti, approvazioni in sospeso e avvisi di costo. Scegli la soluzione le cui lacune riesci a gestire questa settimana.

Domande frequenti

Quali sono i 5 tipi di agenti AI?

Gli elenchi di cinque tipi sono classificazioni didattiche, con definizioni variabili. Non stabiliscono quale framework possa rendere persistente il workflow o imporre una revisione. Per scegliere, specifica modalità di esecuzione, stato, accesso agli strumenti e livello di autonomia consentito.

Quali sono i 4 principali agenti AI?

Non esiste un gruppo universale e autorevole di quattro leader. LangGraph, CrewAI, OpenAI Agents SDK e Google ADK rispondono a esigenze di sviluppo diverse; considerarli una classifica fissa di qualità nasconde il requisito di produzione che dovrebbe guidare la scelta.

Quali framework si usano per creare agenti AI?

Questo confronto comprende LangGraph, CrewAI, OpenAI Agents SDK, Claude Agent SDK, Mastra, Google ADK, Pydantic AI e Vercel AI SDK. Si va dai runtime di workflow alle librerie per agenti tipizzati, fino agli SDK per cicli di strumenti esposti sul web: parti quindi dal lavoro che devi costruire.

Quali sono i 7 tipi di agenti AI?

Anche gli elenchi di sette tipi cambiano secondo la fonte e non sono un modello standard per scegliere un framework. Una lista di categorie di agenti non dimostra il ripristino dopo un riavvio, i confini dei permessi degli strumenti o la compatibilità tra funzionalità di approvazione e storage.

ChatGPT è un agente o un LLM?

ChatGPT è un prodotto rivolto all’utente. Un LLM è il modello linguistico sottostante; un’applicazione agente combina un modello con strumenti, stato e un ciclo capace di agire per svolgere un compito. Sono livelli diversi e il nome del prodotto non determina il runtime della tua applicazione.

Quali sono i 5 migliori agenti AI?

Una selezione legata al compito è più utile di una classifica universale dei migliori cinque. Parti da LangGraph per workflow con stato, CrewAI per team di specialisti, Mastra per workflow TypeScript, Pydantic AI per servizi Python tipizzati e OpenAI Agents SDK per un ciclo compatto gestito dall’applicazione. Altre modalità di lavoro cambiano la selezione.

Qual è l’agente AI più recente?

Non c’è un’unica risposta utile che valga per modelli, prodotti ospitati e framework di sviluppo. Per un progetto da realizzare questa settimana, leggi la documentazione attuale delle capacità richieste e verificane la compatibilità con deployment e storage. Una versione più recente non dimostra una maggiore adeguatezza.

ChatGPT è il miglior agente AI?

Dipende dal compito dell’utente e dai controlli richiesti. È una domanda diversa dalla scelta del codice da integrare nel proprio prodotto. A uno sviluppatore serve una risposta su gestione dello stato, esecuzione degli strumenti, deployment, revisione e costi operativi.

Quali sono i migliori framework per agenti AI nel 2026?

Le scelte concrete dipendono dal compito: LangGraph per workflow durevoli espliciti; CrewAI per collaborazione basata sui ruoli; Mastra o Vercel AI SDK per esigenze diverse nelle applicazioni TypeScript; Pydantic AI per Python tipizzato; OpenAI Agents SDK per un runner gestito dall’applicazione; Claude Agent SDK per il runtime con file e comandi; Google ADK quando la combinazione richiesta è supportata.

Usa la AI Business Workflow Audit Checklist per definire il perimetro del primo processo con un agente, il confine della revisione e il responsabile operativo prima di scegliere il framework.