Agentes de IA: como escolher entre 8 frameworks em 2026

Para criar agentes de IA, escolha LangGraph quando precisar de um workflow com estado persistente, CrewAI para uma equipe de agentes com funções distintas, Mastra para integrar um agente a uma aplicação TypeScript e o Agents SDK da OpenAI para um loop de execução enxuto, controlado pela própria aplicação. Entre estes 8 frameworks, a escolha depende de quem cuida do estado, das aprovações e da recuperação após falhas.

Frameworks de agentes de IA de código aberto tiram do orçamento a assinatura da biblioteca. As chamadas ao modelo, a hospedagem, o armazenamento e o trabalho de operação continuam tendo custo. A documentação, as licenças dos repositórios e as páginas de preços dos desenvolvedores citadas abaixo foram verificadas em 7 de outubro de 2026.

O Claude Agent SDK merece uma avaliação própria: ele incorpora à sua aplicação o ambiente de execução do Claude Code, com suas ferramentas. Pydantic AI atende serviços Python com tipagem; Vercel AI SDK, interfaces web com streaming; e Google ADK, sistemas de agentes voltados ao ecossistema Google. Um loop simples com o SDK do provedor continua sendo uma boa opção quando nenhum desses recursos adicionais resolve um problema que você tem.

Agentes de IA: comparação rápida dos frameworks

A coluna de serviços hospedados mostra o que pode ser contratado de cada desenvolvedor. Um serviço de observabilidade hospedado registra as execuções; um ambiente de execução hospedado realiza o trabalho. São contratações diferentes, mesmo quando ambos acompanham uma biblioteca gratuita.

A escolha muda quando o trabalho pendente precisa continuar existindo depois da requisição que o iniciou. Se um operador puder aprovar uma ação amanhã, ou se um processo de execução puder falhar depois de uma gravação, avalie a persistência e a retomada antes da interface de chat. O MCP, Model Context Protocol usado para expor ferramentas e recursos aos agentes, não oferece essa garantia de recuperação por si só.

Quais critérios usamos para selecionar os frameworks de agentes de IA?

As recomendações comparam a arquitetura documentada, o alcance das licenças e os preços vigentes. Não são medições de desempenho obtidas ao executar os frameworks.

A seleção se baseia em seis perguntas:

• Modelo de execução: Seu código define a sequência, um modelo escolhe a próxima ferramenta ou especialistas delegam trabalho?
• Responsabilidade pelo estado: O que fica salvo: mensagens, posição no workflow, memória compartilhada, decisões pendentes ou tudo isso?
• Recuperação: O que acontece quando o processo reinicia, uma ferramenta excede o tempo limite ou o usuário volta mais tarde?
• Limites das ferramentas: É possível expor funções específicas da aplicação e os servidores MCP necessários?
• Revisão humana: Uma pessoa consegue inspecionar a ação proposta antes da execução? A decisão permite retomar o trabalho corretamente?
• Custo de operação e licença: Quais recursos fazem parte do núcleo gratuito, quais exigem um acordo comercial e o que o serviço hospedado mede para cobrar?

As oito seções seguem os tipos de trabalho que fazem sentido em produção. LangGraph é a recomendação padrão para o workflow com estado considerado neste comparativo; isso não o torna melhor que um loop menor em qualquer situação. Um produto TypeScript que basicamente entrega respostas por streaming não precisa adotar um ambiente de execução em grafo só para seguir essa recomendação.

Construtores no-code hospedados e produtos de observabilidade ficaram fora da seleção de frameworks. Logfire aparece como uma contratação opcional junto ao Pydantic AI, não como um nono framework. Ecossistemas especializados fora desta lista podem atender uma infraestrutura já existente; incluí-los sem a mesma análise de estado, aprovação e preço dificultaria a escolha.

Orquestração de agentes de IA: estado e revisão humana

Uma definição útil de estado é o conjunto de informações de que outro processo de execução precisa para continuar corretamente o mesmo trabalho de negócio. Um framework de orquestração coordena as etapas, mas ainda cabe a você definir quais registros tornam essa continuidade segura.

Pense em um assistente de reembolsos. O histórico registra a conversa e a consulta à política. A posição registra que a elegibilidade foi verificada e o reembolso continua pendente. O registro de revisão identifica o valor e a ação aprovados por um gestor. O comprovante registra se o sistema de pagamentos aceitou a operação.

Cada registro responde a uma pergunta diferente. Uma conversa com a frase “reembolso aprovado” não comprova que um gestor aprovou o valor atual. Um checkpoint do workflow com “chamada concluída” não substitui o comprovante do sistema de pagamentos. O comprovante armazenado também precisa de um identificador estável da operação, para que uma nova tentativa reconheça a mesma gravação pretendida.

Para um assistente de pesquisa que só faz consultas, salvar o histórico pode bastar. Para um processo de cadastro que fica parado à espera de documentos, salvar a posição de execução passa a ser valioso. Para um reembolso ou uma alteração de conta, a aprovação e o comprovante externo precisam entrar no projeto antes do lançamento.

É aqui também que as promessas de revisão humana merecem atenção. Um prompt que pede cuidado ao modelo é uma instrução. Um bloqueio de ferramenta que espera uma decisão antes de executar é um controle. Uma tela de aprovação se torna útil na operação quando mostra os argumentos exatos, autentica o revisor, armazena a decisão e permite recuperar o trabalho após um reinício.

O SDK pode disponibilizar a pausa ou a solicitação de aprovação. A autoridade do revisor e a validade da ação continuam sendo responsabilidades do produto. Se o valor solicitado mudar depois da aprovação, a decisão anterior não deve autorizar silenciosamente o novo valor. Trate isso como um contrato da aplicação, qualquer que seja o framework.

Qual framework de agentes de IA escolher para cada trabalho em produção?

1. LangGraph: para workflows com várias etapas e estado persistente

LangGraph é o ponto de partida mais forte quando seu agente é um workflow cuja posição de execução importa. É um ambiente de execução em grafo de baixo nível: você define os nós, o trabalho realizado por cada um e as transições entre eles. Alguns nós podem executar código convencional; outros podem pedir a um modelo que escolha o próximo passo. Os componentes do LangChain são opcionais, portanto escolher LangGraph não exige colocar toda operação da aplicação atrás de outra abstração.

Linguagem e licença: Python e TypeScript/JavaScript; núcleo com licença MIT.
Indicado para: Casos, processos de cadastro ou workflows de pesquisa com ramificações, pausas e retomadas.
Destaque: Estado explícito do workflow, checkpoints por thread e um armazenamento separado entre threads.
Preços: Biblioteca principal gratuita. LangSmith Developer custa $0/usuário/mês; Plus, $39/usuário/mês; Enterprise tem preço sob consulta. Cada plano hospedado possui regras próprias de consumo.
Teste gratuito: Developer é um plano gratuito contínuo; o acesso pago à implantação começa no Plus.

Para um fundador com perfil técnico que está criando um cadastro de fornecedores, a unidade útil é o processo de cada fornecedor. Um nó de extração de documentos pode sugerir campos; código determinístico pode validá-los; um agente pode pedir evidências que faltam; e um revisor pode aprovar o registro final. O grafo permite ao operador ver qual transição está pendente, em vez de deduzir o progresso a partir da conversa.

Estado: Checkpointers salvam o estado do grafo de uma thread. Stores guardam informações definidas pela aplicação entre threads, como o perfil estável de um fornecedor. Um checkpointer em memória perde seu conteúdo quando o processo reinicia, então um projeto para produção precisa de armazenamento persistente. Mantenha arquivos grandes de evidências fora do checkpoint e salve as referências. Caso contrário, um registro compacto de controle vira uma cópia cada vez maior de todos os artefatos. Essas diferenças estão documentadas no guia de persistência do LangGraph.

Ferramentas, MCP e revisão humana: Os nós podem chamar código da própria aplicação. Os adaptadores MCP do LangChain expõem ao grafo ferramentas locais via stdio ou remotas via Streamable HTTP. O interrupt() do LangGraph pausa a execução; quem faz a chamada fornece uma decisão por Command(resume=...). O detalhe decisivo é que, na retomada, o nó interrompido volta ao início. Uma gravação externa colocada antes dessa pausa pode ser executada de novo. O guia de interrupções deixa esse comportamento explícito.

O limite está no trabalho que você precisa assumir ao redor de um ambiente de execução de baixo nível: schemas de estado, retenção de checkpoints, implantação dos processos de execução, mudanças no grafo e regras de recuperação. A execução durável é uma capacidade que exige configuração e projeto. Ela não garante que um pagamento ou e-mail acontecerá exatamente uma vez, independentemente da implementação da ferramenta.

Custos dos serviços hospedados, verificados em 7 de outubro de 2026: Developer inclui um usuário e 5k traces básicos/mês. Plus inclui 10k traces básicos/mês para toda a organização e uma implantação Serverless Small gratuita. Implantações adicionais serverless ou dedicadas consomem recursos; o desenvolvedor recomenda implantações dedicadas para agentes voltados aos clientes. Enterprise tem preço sob consulta e opções em infraestrutura própria ou híbrida. A unidade atual é a LSU, a $1.00/LSU. As tarifas publicadas de implantação incluem computação do runtime a 0.0675 LSU/vCPU-hora, memória do runtime a 0.0090 LSU/GiB-hora, computação de banco de dados a 0.177 LSU/vCPU-hora e memória de banco de dados a 0.025 LSU/GiB-hora. A página de preços do LangSmith é a fonte desses planos e medidores.

Use este minitutorial como primeiro exercício de projeto, antes de conectar uma ferramenta capaz de gravar dados:

1. 1

   Dê ao trabalho uma identidade durável

   Use um identificador de thread por processo de fornecedor, solicitação de cliente ou outro resultado. Reutilize-o quando o trabalho for retomado; a troca do processo de execução não justifica criar outra thread.

2. 2

   Separe decisões de artefatos

   Guarde a etapa atual, as referências das evidências, a ação proposta e o status de aprovação no contrato de estado. Mantenha documentos e saídas grandes em armazenamento próprio.

3. 3

   Configure checkpoints persistentes

   Substitua o salvamento em memória antes de o piloto precisar se recuperar de reinícios. Defina a retenção e disponibilize a mesma thread para um processo substituto.

4. 4

   Pause antes da gravação

   Use uma interrupção para apresentar a ação proposta. Depois da aprovação, chame uma ferramenta específica da aplicação com um identificador estável da operação e salve o resultado.

5. 5

   Teste a recuperação

   Reinicie o processo durante uma chamada ao modelo, enquanto aguarda aprovação e depois da gravação externa. Confirme que o trabalho continua e que a ação pretendida não é duplicada.

Veredito: Escolha LangGraph quando salvar a posição do workflow e recuperar o trabalho forem requisitos do produto. Dispense-o quando a tarefa for uma requisição curta que sua aplicação atual já consegue concluir e repetir sem problemas.

2. CrewAI: para equipes de agentes com funções de fato distintas

CrewAI atende trabalhos com especialistas e passagens de responsabilidade bem definidos. Sua abstração em Python reúne agentes em Crews, com funções, objetivos e tarefas; os Flows cuidam do processo orientado a eventos ao redor deles. Um padrão útil em produção é deixar uma Crew executar um trecho delimitado de trabalho colaborativo e atribuir ao Flow o controle das etapas que o cercam.

Linguagem e licença: Python; MIT.
Indicado para: Pesquisa, análise e redação com responsabilidades ou acessos a ferramentas diferentes.
Destaque: Colaboração por funções dentro de Flows estruturados.
Preços: Biblioteca de código aberto gratuita. O Basic hospedado é gratuito e inclui 50 execuções de workflow/mês; Enterprise tem preço sob consulta.
Teste gratuito: Basic é um plano gratuito. Enterprise oferece solicitação de teste; a página de preços não informa publicamente sua duração.

Um fundador que prepara relatórios sobre contas de clientes pode dar ao pesquisador acesso às evidências, ao analista a tarefa de identificar sinais relevantes de intenção de compra e ao redator a responsabilidade pelo relatório final. Essas funções se justificam quando têm entradas, permissões ou critérios de aceitação distintos. Dar ao mesmo modelo três biografias e as mesmas ferramentas não cria, por si só, três especialistas úteis.

Estado: O estado de um Flow pode ser um dicionário ou um modelo Pydantic, um schema Python que valida os campos esperados. O mecanismo @persist salva snapshots do estado; SQLite é o backend padrão de persistência, e implementações próprias são aceitas. É possível restaurar o estado persistido com uma identidade existente ou criar uma execução derivada. Separe o status do Flow dos fatos lembrados pelo agente: “o relatório aguarda revisão” é estado do processo; “esta conta vende para hospitais” é conhecimento. A documentação de Flows do CrewAI descreve esses controles e o feedback humano.

Ferramentas e MCP: A interface MCP atual permite configurar agentes por mcps, com transportes locais stdio, HTTP e SSE, além da opção de adaptador. Filtrar ferramentas importa mais do que a quantidade de integrações conectadas. Um pesquisador deve receber ferramentas de consulta; um agente que redige um relatório não deve herdar permissão para alterar a conta do cliente só porque o mesmo servidor MCP expõe as duas operações.

Revisão humana: O feedback humano em Flows pode pausar o trabalho para aprovação ou revisão. Provedores personalizados de feedback assíncrono permitem ao produto coletar uma decisão fora do processo interativo original. Modele o resultado da revisão como uma decisão explícita de negócio, registrando o artefato proposto e o revisor. Uma função chamada “revisor” dentro da Crew continua sendo um modelo; não é o controle humano de que o operador vai depender.

O limite aparece quando a colaboração cresce mais rápido que os contratos das tarefas. Se um pesquisador mudar o formato das evidências, um analista pode interpretá-las de outra forma sem perceber, e o redator pode transformar esse desvio em um documento final cheio de convicção. Exija evidências estruturadas na passagem de responsabilidade e uma regra concreta de aceitação em cada fronteira. Mantenha as gravações finais fora de discussões irrestritas entre agentes.

Custos dos serviços hospedados, verificados em 7 de outubro de 2026: A página de preços do CrewAI lista o Basic gratuito, com editor visual, copiloto de IA, integração com GitHub e 50 execuções de workflow/mês. Enterprise tem preço sob consulta e oferece governança e implantação no CrewAI Cloud, na sua VPC ou na sua infraestrutura. Não há plano intermediário com preço fixo em dólares nem tarifa pública por execução excedente para citar. Uma carga de trabalho que exija 51 execuções hospedadas ultrapassa a cota publicada do Basic; será necessário negociar uma contratação ou escolher outro plano de implantação. A conta de modelos e infraestrutura da biblioteca de código aberto continua separada.

Veredito: Escolha CrewAI quando a divisão de responsabilidades entre especialistas fizer parte do trabalho. Em um processo fixo de validação e aprovação, deixe o Flow no controle e use apenas as funções de agente que justifiquem suas chamadas ao modelo.

3. OpenAI Agents SDK: para um loop de agente controlado pela aplicação

OpenAI Agents SDK é uma boa opção quando sua aplicação deve controlar a implantação e os dados, enquanto um executor enxuto gerencia chamadas ao modelo, ferramentas e delegações. A definição de um agente reúne instruções e capacidades disponíveis; o executor continua até que o agente produza uma resposta final, delegue o trabalho ou pause. É uma quantidade útil de estrutura para um produto que já tem backend, autenticação e armazenamento.

Linguagem e licença: Python e TypeScript; SDK de código aberto com licença MIT.
Indicado para: Aplicações voltadas à OpenAI que precisam de um loop de ferramentas, delegação a especialistas e controles de revisão.
Destaque: Executor enxuto, com ferramentas gerenciadas pelo SDK e tracing integrado.
Preços: O SDK não tem planos pagos por usuário. Chamadas ao modelo e ferramentas hospedadas aplicáveis são cobradas por uso; os custos do seu ambiente de execução são separados.
Teste gratuito: Não há assinatura do SDK para testar; não presuma que o uso da API é gratuito.

Imagine um agente de suporte à conta dentro de um SaaS existente. Seu backend já conhece a conta e os direitos de acesso do usuário autenticado. O agente pode consultar o contexto da conta, pedir uma informação que falta e chamar uma ferramenta específica de solicitação de cancelamento. A abstração útil é um loop controlado em torno dessas operações, não outra plataforma que tente assumir o banco de dados da aplicação.

Estado: A documentação oficial oferece histórico local para reexecução, sessões do SDK apoiadas no seu armazenamento, um identificador da Conversations API ou continuidade entre respostas pelo ID de uma resposta anterior. Escolha uma estratégia consistente. Carregar todo o histórico local e, ao mesmo tempo, pedir à API que continue a mesma conversa armazenada pode duplicar o contexto. Um registro de conversa também não registra automaticamente o ciclo de vida de uma operação de cobrança independente; guarde isso na sua aplicação.

Ferramentas, MCP e revisão humana: O SDK aceita ferramentas de função, ferramentas hospedadas e MCP, incluindo servidores locais/privados gerenciados pelo SDK via stdio ou Streamable HTTP. Interrupções para aprovação retornam um estado que pode ser retomado. Sua aplicação pode aprovar ou rejeitar a chamada proposta, serializar o estado para revisão posterior e retomar a mesma execução. Guardrails são verificações automatizadas; aprovação humana é uma decisão separada. No guia oficial de revisão humana, os guardrails de entrada se aplicam ao primeiro agente e os de saída ao agente que produz o resultado final. Posicione as verificações junto à ferramenta que gera o efeito externo.

O limite está na orquestração que você ainda precisa operar. São necessários um adaptador de armazenamento, o ciclo de vida do trabalho, a interface de revisão e uma forma de retomar a execução em outro processo. Retornar uma execução retomável não faz o SDK assumir o registro das transações de negócio. Essa divisão é atraente quando tais sistemas já existem; dá mais trabalho quando a expectativa era um serviço de agentes totalmente hospedado.

Custos, verificados em 7 de outubro de 2026: Como exemplo da conta de modelos, a página de preços da OpenAI lista, para gpt-6.1-sol no modo Standard com contexto curto, entrada a $2.00 por 1M tokens e saída a $10.00 por 1M tokens. Uma tarefa concluída hipotética que use 20,000 tokens de entrada sem cache e 2,000 tokens de saída, somando todas as chamadas, custa $0.06 em uso de modelos. Com 5,000 tarefas/mês, são $300 antes de ferramentas, hospedagem, armazenamento ou observabilidade. É um exemplo aritmético, não uma carga de agente medida; outros contextos, modos e configurações de cache têm tarifas diferentes.

A OpenAI também oferece uma Agents API separada, que executa um ambiente gerenciado do Codex. Ela não é um plano de hospedagem para código arbitrário do Agents SDK. Considere as cobranças de modelo, ferramentas, sandbox e terceiros dessa opção gerenciada, em vez de atribuir a ela um plano mensal inventado. O comparativo OpenAI Agents API vs Agents SDK detalha essa diferença.

Veredito: Escolha-o quando o backend deva controlar o sistema e o executor elimine a infraestrutura de loop que você teria de manter. Depois de decidir quem assume essas responsabilidades, comece pelo guia de como criar um agente de IA.

4. Claude Agent SDK: para agentes que trabalham com arquivos e comandos

Claude Agent SDK é a escolha pertinente quando o agente precisa trabalhar com arquivos, comandos e código usando o ambiente de execução por trás do Claude Code. Ele incorpora esse ambiente a um processo Python ou TypeScript que você opera. É uma decisão bem mais ampla do que instalar uma biblioteca cliente para enviar um prompt ao Claude.

Linguagem e licença: Python e TypeScript. A LICENSE do wrapper Python é MIT; a documentação do SDK da Anthropic informa que o uso está sujeito aos Commercial Terms, exceto os componentes com licença própria.
Indicado para: Assistentes de repositório, processos de tratamento de arquivos ou agentes de programação que precisam de um ambiente pronto para usar ferramentas.
Destaque: Ferramentas integradas de arquivos e comandos, gestão de contexto, sessões, hooks e subagentes.
Preços: Não há assinatura separada do SDK; o uso da API é medido. O serviço separado Claude Managed Agents acrescenta $0.08 por hora de sessão em execução aos tokens do modelo.
Teste gratuito: Não é necessário testar uma assinatura do SDK. O acesso ao modelo e o uso do ambiente hospedado têm cobranças próprias.

Para um desenvolvedor que cria um serviço de manutenção de repositórios, o ambiente integrado pode ler a árvore de diretórios, inspecionar arquivos relevantes e executar comandos. Para um chatbot de suporte que consulta uma conta e devolve um rascunho, essa mesma capacidade de execução pode ser maior do que o produto precisa. Escolha esse ambiente porque o trabalho se beneficia dele, não porque ambos os produtos usam Claude.

Estado: O SDK grava automaticamente as sessões de conversa em disco e permite continuidade, retomada explícita e criação de sessões derivadas. A documentação diferencia persistência da conversa de persistência do sistema de arquivos: retomar uma conversa não reverte nem restaura os arquivos editados pelo agente. Transferir o trabalho para outra máquina também exige os arquivos necessários da sessão, não apenas um identificador. O operador precisa de uma política de armazenamento e workspace que mantenha as evidências alinhadas aos arquivos de trabalho. O guia de sessões do Claude SDK explica essa fronteira.

Ferramentas, MCP e revisão humana: As capacidades integradas incluem ler, gravar e editar arquivos, executar comandos e conectar ferramentas MCP. Regras e modos de permissão controlam a execução automática; canUseTool trata as chamadas que chegam ao callback de aprovação do runtime. Uma aprovação automática anterior pode pular esse callback. Use um hook PreToolUse quando uma verificação precisar valer para toda chamada de ferramenta e mantenha os limites de acesso do ambiente real sob controle da aplicação. Esses controles do runtime não substituem o isolamento dos workspaces dos clientes.

O limite está no acoplamento ao ambiente de execução e ao runtime do Claude. O SDK pode gerenciar a conversa, mas o produto precisa cuidar do provisionamento de workspaces, da retenção de artefatos, das credenciais e do encaminhamento da revisão. Se o trabalho de um cliente for retomado em um contêiner novo sem seus arquivos, o histórico da sessão não reconstruirá o sistema de arquivos.

Custos e termos, verificados em 7 de outubro de 2026: A visão geral do SDK diferencia explicitamente o Agent SDK incorporado, o SDK cliente direto do Claude e o Claude Managed Agents. Para produtos comerciais, orienta os desenvolvedores a usar autenticação por chave de API; a assinatura claude.ai de um usuário não é uma cota de agentes hospedados que você possa presumir disponível para seus clientes. O wrapper Python MIT não transforma todo o runtime distribuído com ele em um framework MIT independente de provedor.

A página de preços do Claude lista a entrada básica do Claude Sonnet 5.5 a $2/MTok e a saída a $10/MTok, com tarifas próprias para cache e outros modificadores. Managed Agents cobra os tokens padrão do modelo mais $0.08 por hora de sessão enquanto o status é running; tempo ocioso, de reagendamento e após o encerramento fica de fora. Em um exemplo hipotético, 100 horas de sessão em execução acrescentam $8 de runtime, antes das cobranças de modelo e ferramentas. Esse é um ambiente hospedado separado, não o mesmo modo de implantação de quem executa o Agent SDK por conta própria.

Veredito: Escolha-o para trabalhos que precisam das capacidades do ambiente de execução do Claude Code. Para um loop enxuto de ferramentas com Claude, use o SDK cliente do provedor e mantenha as ferramentas e o estado na própria aplicação.

5. Mastra: para integrar um agente a uma aplicação TypeScript

Mastra se encaixa melhor quando um produto TypeScript precisa de mais do que uma resposta do modelo em streaming: agentes, memória armazenada, ferramentas e workflows retomáveis no mesmo framework de aplicação. Ele oferece esses recursos junto a uma interface de desenvolvimento, o Mastra Studio. É um meio-termo útil entre um pequeno loop voltado à web e um ambiente de execução de workflows deliberadamente de baixo nível.

Linguagem e licença: TypeScript. O núcleo e a maior parte do repositório usam Apache 2.0; o código nos diretórios ee/ usa a Mastra Enterprise License.
Indicado para: Agentes em SaaS TypeScript que precisam de memória da aplicação e etapas de workflow em segundo plano.
Destaque: Agentes, memória, snapshots de workflow e suporte a cliente/servidor MCP na mesma stack.
Preços: Platform Starter a $0/mês mais consumo; Teams a $250/mês mais consumo; Enterprise sob consulta. O plano Free em infraestrutura própria custa $0/mês; Enterprise em infraestrutura própria tem preço sob consulta.
Teste gratuito: Starter é um plano contínuo de $0 com cobrança dos excedentes, não uma operação gratuita ilimitada.

Imagine uma aplicação de sucesso do cliente que reúne evidências para renovação, redige uma recomendação e espera a revisão do responsável pela conta. Frontend e backend já são TypeScript. Mastra permite expressar o agente e o workflow ao redor dele sem exigir outra linguagem para o processo.

Estado: A memória do agente exige um provedor de armazenamento configurado. Histórico de mensagens, memória de trabalho e gestão de contexto de maior duração atendem necessidades diferentes da posição no workflow. O suspend() de um workflow captura um snapshot da execução; resume() fornece os dados esperados e continua o trabalho suspenso. Esses snapshots persistem entre implantações e reinícios quando são armazenados pelo provedor configurado. O guia de suspensão e retomada é a leitura importante para um workflow de aprovação, além de uma demonstração de memória de chat.

Ferramentas, MCP e revisão humana: MCPClient consome ferramentas externas; MCPServer pode expor agentes, ferramentas e workflows do Mastra a outros clientes. Ambos aceitam stdio e Streamable HTTP. Eventos de aprovação de ferramentas e suspensão podem ser apresentados pelo produto, enquanto um workflow pode suspender a execução para revisão e validar os dados de retomada. Mantenha estável a identidade da proposta durante essa pausa. O responsável que aprova um rascunho de ação de renovação deve retomar a proposta registrada, não uma substituta recém-gerada pelo modelo.

O limite está na diferença entre ter recursos disponíveis e ter uma aplicação de produção configurada. Armazenamento, isolamento entre clientes, retenção, autenticação e ferramentas seguras para reexecução ainda precisam de um projeto deliberado. Verifique também as fronteiras das licenças antes de depender de controles empresariais: a licença Apache do núcleo não cobre todos os recursos de ee/ sob os mesmos termos.

Custos dos serviços hospedados, verificados em 7 de outubro de 2026: A página de preços do Mastra lista Starter com 100K eventos de observabilidade, depois $10/100K; 24 horas de CPU, depois $0.35/hora; e retenção de 15 dias. Teams custa $250/mês, com 1M eventos, depois $8/100K; 250 horas de CPU, depois $0.25/hora; e retenção de seis meses. Ambos informam usuários, implantações e projetos ilimitados. Enterprise tem preço sob consulta, com volume, retenção e suporte negociados.

Um Persistent Server para disponibilidade 24/7 aparece a $100/projeto no Starter e no Teams. O gateway de modelos informa preço de mercado mais 5.5%; memória, recuperação de informações, bancos de dados e tráfego de saída têm cobranças adicionais. O plano Free em infraestrutura própria tem preço de framework de $0; o Enterprise licenciado para infraestrutura própria tem preço sob consulta e taxa anual fixa. Quando você hospeda por conta própria, o uso de modelos e de infraestrutura continua separado.

Em um mês hipotético com 100 horas de CPU e 300K eventos, os excedentes de computação e eventos do Starter custam $26.60 mais $20, ou $46.60 antes das outras cobranças. A base de $250 do Teams não é automaticamente a opção mais barata para essa carga. Escolha Teams pelos recursos e pelo perfil de consumo que ele de fato altera; não faça upgrade só porque o agente entrou em produção.

Veredito: Escolha Mastra quando a aplicação precisar de comportamento de agente e estrutura de workflow juntos. Escolha Vercel AI SDK quando o trabalho principal for uma interface web em torno de um loop menor.

6. Google ADK: para sistemas de agentes no ecossistema Google

Google ADK, o Agent Development Kit, atende sistemas que se beneficiam das ferramentas de agentes e do caminho de implantação do Google, mantendo agentes e workflows definidos em código. Ele oferece suporte a Python, TypeScript, Go, Java e Kotlin. O framework pode rodar na sua infraestrutura; usá-lo não exige, por si só, contratar um runtime hospedado.

Linguagem e licença: Python, TypeScript, Go, Java e Kotlin; núcleo Apache 2.0, verificado no repositório Python.
Indicado para: Sistemas de agentes cuja stack operacional já está no Google Cloud.
Destaque: Serviços de sessão, estado com escopo definido, composição de workflows e opção de implantação gerenciada.
Preços: Framework gratuito. Agent Runtime é cobrado por uso, com computação padrão sob demanda a $0.085/vCPU-hora e RAM a $0.009/GiB-hora após as respectivas cotas gratuitas.
Teste gratuito: Há cotas mensais de recursos hospedados; tokens de modelo e outras cobranças de recursos continuam separados.

Para um assistente de operações em uma aplicação Google Cloud, o atrativo prático é a consistência com o ambiente que o operador já conhece. A aplicação pode manter a identidade do usuário e os limites de acesso no backend existente, enquanto o ADK coordena ferramentas e especialistas. Isso pode valer mais do que adotar o console de nuvem de outro framework apenas para esse agente.

Estado: As sessões contêm eventos, histórico de conversa e estado. Prefixos de estado diferenciam valores de toda a aplicação, valores de usuário e valores temporários; chaves sem prefixo têm escopo de sessão. O serviço de sessões em memória não oferece persistência após reinício. Serviços de sessão com banco de dados e Vertex AI oferecem alternativas persistentes. Atualize o estado por meio de contexto/eventos rastreados, em vez de alterar um objeto de sessão recuperado e presumir que a mudança foi salva. Os nomes do produto de nuvem mudaram, mas a pergunta sobre responsabilidade continua: de onde o processo substituto carregará o trabalho?

Ferramentas e MCP: ADK aceita ferramentas próprias e conjuntos de ferramentas MCP para servidores locais ou remotos. Confira a implementação na linguagem escolhida, em vez de presumir que todos os exemplos se aplicam às cinco. O guia atual de implantação nativa no Agent Runtime lista Python e Go; existir um SDK para uma linguagem não comprova suporte idêntico à implantação gerenciada.

Revisão humana: O recurso experimental Tool Confirmation pode pausar uma ferramenta para um usuário ou sistema supervisor. Suas limitações conhecidas atuais informam que DatabaseSessionService e VertexAiSessionService não são compatíveis. TypeScript também exige lógica manual de confirmação dentro da execução da ferramenta. Essa verificação de compatibilidade é decisiva para um trabalho de produção que precise esperar revisão e sobreviver ao reinício do processo. Não escolha separadamente um serviço de sessão persistente e o Tool Confirmation presumindo que a combinação funciona. Se essa combinação for central no projeto, use outro mecanismo de aprovação que consiga validar ou escolha um framework cuja combinação documentada de pausa e armazenamento atenda à necessidade.

O limite está na paridade dos recursos e na compatibilidade dos backends. Uma lista ampla de linguagens pode esconder um caminho mais restrito para o recurso específico de implantação ou revisão de que você precisa. Verifique a combinação completa, incluindo serviço de sessão e tipo de ferramenta, em vez de aprovar a stack com base em marcações isoladas de suporte.

Custos dos serviços hospedados, verificados em 7 de outubro de 2026: A página de preços do Agent Platform do Google usa medidores de recursos compartilhados. Agent Compute padrão sob demanda inclui 50 vCPU-horas gratuitas/mês/conta, depois $0.085/vCPU-hora. Agent Memory inclui 100 GiB-horas gratuitas/mês/conta, depois $0.009/GiB-hora. Agent Storage tem cota gratuita de 1 GiB-mês; Sessions e Memory Bank descrevem armazenamento a $0.30/GiB-mês. Tokens de modelo são separados.

A página de preços também lista tarifas elegíveis de economia com compromisso de um ano a $0.0765/vCPU-hora e $0.0081/GiB-hora, e de três anos a $0.068/vCPU-hora e $0.0072/GiB-hora. São opções de compromisso, não planos do framework gratuito. Operações de sessão e memória também consomem Agent Compute: uma vCPU-hora a $0.085 corresponde a 3 milhões de leituras ou 1 milhão de gravações. Inclua-as na estimativa de hospedagem.

Um mês hipotético de runtime isolado com 100 vCPU-horas e 200 GiB-horas gera $5.15 em cobranças de computação/RAM após essas cotas. Isso exclui uso de modelos, armazenamento, operações de sessão e qualquer outro consumo dos recursos gratuitos compartilhados da conta. É uma estimativa de componentes, não a conta completa de um agente hospedado.

Veredito: Escolha ADK quando houver documentação de que a combinação necessária de linguagem, implantação e revisão funciona. A aprovação humana persistente é o ponto em que uma preferência genérica por Google Cloud deve dar lugar à evidência de compatibilidade.

7. Pydantic AI: para serviços Python com tipagem

Pydantic AI atende backends Python cujo agente precisa retornar dados validados e usar dependências explícitas da aplicação. Schemas Pydantic descrevem os campos e tipos esperados pelo sistema; o framework aplica essa disciplina às saídas do agente e às interfaces de ferramentas. Isso é especialmente útil quando a etapa seguinte consome uma decisão estruturada, em vez de um parágrafo de texto plausível.

Linguagem e licença: Python; MIT.
Indicado para: Agentes incorporados a serviços Python com contratos rigorosos de entrada e saída.
Destaque: Dependências tipadas e saída validada, com backends opcionais de execução durável.
Preços: Biblioteca gratuita. Logfire opcional: Personal gratuito, Team a $49/mês, Growth a $249/mês e Enterprise sob consulta.
Teste gratuito: Logfire Personal é gratuito para sempre; isso dá acesso à observabilidade, não à execução gratuita de modelos.

Considere um serviço de triagem que devolve a categoria de um caso, referências de evidências e uma recomendação de próxima ação a uma aplicação existente. Uma saída validada facilita rejeitar campos ausentes ou malformados antes que o operador veja o resultado. Ela não prova que a recomendação é verdadeira. Ainda são necessárias regras de negócio, verificações de evidências e revisão da própria ação.

Estado: O histórico de mensagens pode ser levado de uma execução a outra e serializado no armazenamento escolhido. Isso dá continuidade à conversa. Para preservar o progresso após falhas e reinícios, Pydantic AI documenta integrações externas de execução durável, incluindo Temporal, DBOS, Prefect e Restate. Esses sistemas preservam o progresso da execução; instalar apenas a biblioteca de agentes não fornece esse runtime. Um serviço Python existente com um sistema de tarefas duráveis deve avaliar essa integração antes de substituir sua orquestração.

Ferramentas e MCP: A documentação atual usa MCPToolset, que encapsula um cliente FastMCP para servidores stdio, Streamable HTTP e SSE. Trate a identidade do servidor e as credenciais por usuário como responsabilidades da aplicação. Uma conexão compartilhada com o servidor sob uma única identidade não vira automaticamente uma fronteira de autorização separada para cada usuário que pergunta algo ao agente.

Revisão humana: Ferramentas com execução adiada podem esperar aprovação ou um resultado de execução externa. Um handler inline pode resolver solicitações na mesma execução. Para um revisor externo, o agente pode retornar DeferredToolRequests; a aplicação armazena o histórico e as chamadas pendentes, coleta uma decisão e inicia uma execução posterior com DeferredToolResults. Essa continuidade externa é uma nova execução do agente, então relacione-a à conversa original em vez de presumir que o identificador da execução continuou igual. O guia de ferramentas com execução adiada documenta a diferença.

O limite está na infraestrutura ao redor de um agente com tipagem forte. O schema facilita entender as interfaces; não fornece a interface do revisor, uma fila durável nem a correção semântica da decisão. Se um documento trouxer o identificador errado de cliente em um campo de string válido, a validação de tipo pode aceitá-lo. Valide identidade e evidências separadamente antes de qualquer gravação.

Custos dos serviços hospedados, verificados em 7 de outubro de 2026: Os preços do Logfire correspondem a um serviço hospedado de observabilidade e avaliação. Personal inclui 10M registros de telemetria/mês, com gasto limitado a $0, um usuário e dois convidados somente para leitura, três projetos e retenção de 30 dias. Team custa $49/mês com 10M registros incluídos, depois $2 por milhão. Inclui cinco usuários, permite até doze e cobra $25 por usuário extra. Growth custa $249/mês com usuários, convidados e projetos ilimitados, retenção de até 90 dias, a mesma quantidade de registros incluídos e excedentes de $2/milhão. Enterprise tem preço sob consulta, com variantes Cloud, Dedicated e Self-hosted.

Com seis usuários no Team, a base é $74/mês. Com doze, é $224/mês. O décimo terceiro ultrapassa o limite de usuários do Team; Growth custa $249/mês, apenas $25 acima da base do Team com doze usuários, com retenção e recursos de organização adicionais. Nenhum desses preços inclui hospedar seu agente Pydantic AI ou suas chamadas ao modelo. Trate o orçamento de telemetria como uma rubrica separada, não como o custo do ambiente de execução do agente.

Veredito: Escolha Pydantic AI quando um serviço Python com tipagem estiver no centro do produto. Acrescente execução durável apenas quando o trabalho precisar dela e compare separadamente as exigências operacionais desse sistema.

8. Vercel AI SDK: para agentes com streaming em aplicações web

Vercel AI SDK atende aplicações TypeScript ou JavaScript em que a interface, a resposta em streaming e o loop de ferramentas são o produto imediato. A camada Core padroniza chamadas a modelos e ferramentas; a camada UI conecta essas interações a uma interface web. É possível usar a biblioteca sem implantar a aplicação na Vercel.

Linguagem e licença: TypeScript/JavaScript; Apache 2.0.
Indicado para: Interfaces de chat ou agente dentro de produtos web existentes.
Destaque: Recursos de interface com streaming e loops de ferramentas reutilizáveis entre provedores.
Preços: Biblioteca gratuita. Hospedagem opcional na Vercel: Hobby a $0/mês, Pro a $20/mês mais consumo e Enterprise sob consulta. AI Gateway tem créditos separados.
Teste gratuito: Hobby é um plano gratuito para uso pessoal; a página de preços de hospedagem oferece um teste do Pro.

Um fundador que adiciona um assistente de conta a uma aplicação web pode transmitir a resposta por streaming, mostrar o progresso de uma ferramenta e pedir ao usuário que aprove uma alteração na mesma interface. Se a maior parte do trabalho termina nessa interação, o escopo faz sentido. Um processo que precisa esperar outro departamento até amanhã exige um ciclo de vida e persistência além de um componente do navegador.

Estado: Loops reutilizáveis de agente não transformam automaticamente um chat em um processo de negócio durável. O padrão documentado de persistência de mensagens guarda as mensagens da interface em armazenamento controlado pela aplicação; em produção, pode usar banco de dados ou armazenamento em nuvem. Mantenha identificadores estáveis das mensagens e valide as mensagens de ferramentas restauradas com os schemas atuais. Decida separadamente o que acontece quando o navegador fecha enquanto o backend ainda trabalha. O guia de persistência de mensagens de chatbot explica a integração, sem afirmar que o SDK fornece seu banco de dados.

Ferramentas, MCP e revisão humana: O cliente MCP expõe ferramentas do servidor ao loop do modelo. A API atual de aprovação de ferramentas locais é toolApproval; a propriedade anterior, needsApproval, está obsoleta. A aprovação manual retorna partes de solicitação, a interface coleta uma decisão e uma chamada posterior consome a resposta de aprovação. Um ponto decisivo: ferramentas executadas pelo provedor não são controladas por essa configuração de aprovação local. Configure os controles do lado do provedor separadamente. A documentação de chamadas de ferramentas descreve tanto o ciclo de vida quanto essa fronteira.

O limite está em presumir que uma interface de conversa bem acabada seja um motor de workflow. O SDK oferece controles úteis de loop, e código convencional pode expressar uma sequência conhecida. Ele não faz sua função hospedada esperar indefinidamente por um revisor, não preserva o comprovante de uma transação externa nem autoriza a pessoa que clicou em Aprovar. Mantenha a interface como uma visão do estado da aplicação, em vez de torná-la a única responsável pelo trabalho.

Custos dos serviços hospedados, verificados em 7 de outubro de 2026: Os preços de hospedagem da Vercel listam Hobby a $0/mês, Pro a $20/mês e Enterprise sob consulta. Hobby é restrito a uso pessoal não comercial. Os detalhes de preços do plano Pro especificam que a taxa da plataforma inclui um usuário com permissão de implantação e $20 de crédito mensal de consumo; usuários adicionais com essa permissão custam $20/mês, enquanto visualizadores são gratuitos. Assim, três usuários com permissão de implantação começam em $60/mês antes do consumo sob demanda. O crédito pertence ao plano; adicionar um usuário não o multiplica.

Os preços do AI Gateway opcional listam um plano gratuito com crédito de $5/mês para modelos elegíveis e um plano pago com créditos comprados conforme o uso. As tarifas de tokens seguem os preços de tabela dos provedores, sem acréscimo. Comprar créditos move a conta para o plano pago e encerra a cota gratuita recorrente; o acesso com chave própria está no plano pago. Esses créditos do gateway são distintos do crédito de consumo do plano de hospedagem, e recursos opcionais do gateway podem ter cobranças próprias.

Veredito: Escolha Vercel AI SDK para o loop voltado à web. Escolha Mastra quando agentes e workflows armazenados precisarem de um framework compartilhado mais amplo, ou acrescente um sistema separado de tarefas duráveis quando o trabalho durar mais que a interação.

Qual opção faz sentido para cada equipe?

Para um workflow com várias etapas e estado persistente, comece por LangGraph. O critério não é a quantidade de prompts, mas se posição salva, ramificações e revisão posterior fazem parte do resultado. Use um grafo explícito quando o operador precisar saber em que ponto o processo está e o que pode rodar com segurança em seguida.

Para uma equipe de agentes com funções distintas, escolha CrewAI. Dê a cada função uma tarefa própria, um contrato de evidências ou um limite de ferramentas. Se todas usam a mesma entrada e produzem o mesmo tipo de resposta, simplifique o projeto antes de escolher um framework de colaboração.

Para um agente dentro de uma aplicação web TypeScript, considere Mastra e Vercel AI SDK. O escopo maior do Mastra se justifica quando memória armazenada e suspensão de workflow fazem parte do produto. Vercel AI SDK se justifica quando streaming e interação com ferramentas são centrais e o backend já cuida do restante. A infraestrutura existente pode mudar essa escolha: um sistema maduro de tarefas reduz a necessidade de adotar outra camada de workflow.

Para um loop enxuto voltado a um provedor, escolha OpenAI Agents SDK ou o SDK cliente do provedor. O executor de agentes da OpenAI acrescenta ferramentas, delegações e estado de aprovação dentro da aplicação. No caso do Claude, escolha o Agent SDK especificamente quando o trabalho integrado com arquivos e comandos for relevante; escolha o SDK cliente para um loop personalizado menor.

Para um sistema voltado ao Google, considere ADK depois de verificar a combinação completa de recursos. As limitações atuais do Tool Confirmation já bastam para alterar uma arquitetura de revisão persistente. O suporte à linguagem, sozinho, não deve decidir a escolha.

Quais frameworks considerar para agentes de IA em Python?

LangGraph atende a posição explícita no workflow; Pydantic AI, serviços com tipagem e saídas validadas; CrewAI, funções distintas em colaboração. OpenAI Agents SDK atende um executor menor controlado pela aplicação. A disponibilidade em Python é o requisito inicial; o modelo de estado e aprovação determina a escolha final.

Quando a sequência já é conhecida, mantenha código convencional ou um workflow determinístico no controle. O comparativo entre agentes e workflows no n8n desenvolve essa mesma fronteira: o modelo escolhe onde o julgamento ajuda, enquanto o workflow controla as ações que você consegue definir antecipadamente.

Quando um loop simples com o provedor é melhor que um framework?

Use um loop simples com o SDK do provedor quando um único provedor de modelos, poucas ferramentas e uma tarefa delimitada cobrirem o trabalho. Uma consulta de conta sem alterações, uma classificação de documentos ou um pedido curto de redação muitas vezes cabem no backend que você já opera.

O loop básico envia a solicitação, valida os argumentos de ferramentas, chama uma função permitida da aplicação, devolve o resultado da ferramenta e continua até o modelo terminar ou atingir sua regra de parada. Se a sequência for fixa, a aplicação pode chamar diretamente as funções necessárias e pedir ao modelo apenas o julgamento ou o texto que ele fornece.

Essa escolha é atraente quando a aplicação já cuida de autenticação, tarefas duráveis, política de novas tentativas, armazenamento e telemetria. Um framework que apenas envolve essas peças existentes cria mais uma interface para manter. Ele se torna valioso quando elimina um trabalho recorrente específico, como posição retomável no workflow, delegações consistentes ou o ciclo de vida do estado de aprovação.

Defina um limite de trabalho, preserve o histórico necessário e registre o resultado. “Sem framework” ainda exige um responsável claro pelas falhas. Quando você começar a implementar repetidamente transições de checkpoint, aprovações posteriores ou orquestração de especialistas, reavalie a biblioteca que fornece o recurso ausente. Adote-a para o problema recorrente que você consegue nomear.

Frameworks de agentes de IA de código aberto: licenças e custos de operação

A decisão sobre a biblioteca gratuita e a decisão sobre a plataforma hospedada devem ter aprovações de orçamento separadas. LangGraph, CrewAI, OpenAI Agents SDK e Pydantic AI têm núcleos MIT; Vercel AI SDK, o núcleo Python verificado do Google ADK e o núcleo do Mastra usam Apache 2.0. Os diretórios empresariais do Mastra e o runtime do Claude introduzem termos próprios. O wrapper Python MIT do Claude é um componente, não uma descrição geral de tudo o que ele executa.

Mantenha uso de modelos, recursos de execução, armazenamento persistente, observabilidade e operações de revisão como rubricas distintas da estimativa. Uma cota gratuita de traces não é uma cota gratuita de agentes. Crédito de gateway de modelos não é crédito de hospedagem. Preço por usuário não é o preço completo da implantação. Os exemplos nas fichas acima mostram essas consequências sem inventar um total para uma carga de trabalho não especificada.

Para o operador, a ambiguidade mais cara pode ser uma ação cujo resultado ficou desconhecido após um timeout. Salve a operação pretendida, obtenha a aprovação necessária, execute-a por uma ferramenta específica da aplicação e guarde o comprovante externo. Uma chave de idempotência permite que uma solicitação repetida identifique a mesma operação pretendida, em vez de criar outra silenciosamente; seu comportamento depende da aplicação e do serviço de destino.

Um checkpoint pode restaurar a posição no workflow. Sozinho, não comprova se um serviço externo confirmou uma gravação imediatamente antes de a rede falhar. Projete essa consulta ao comprovante junto com a ferramenta, em vez de fazer o modelo adivinhar a partir da última mensagem.

Essa também é a fronteira prática da migração. Mantenha schemas de negócio, contratos de ferramentas e registros de ações externas em código de aplicação que você entende. Trocar de framework ainda pode exigir mudanças no estado de execução e nas mensagens persistidas, mas a operação central de negócio não deveria precisar ser redescoberta em uma conversa de agente.

Combinações que vale evitar

Evite LangGraph para um classificador simples quando o backend já chama o modelo, valida o resultado e o armazena. Um grafo não melhora esse trabalho apenas por alongar o diagrama.

Evite CrewAI para personas decorativas. Pesquisador, estrategista e redator precisam de responsabilidades ou fronteiras de evidência distintas. Caso contrário, os rótulos das funções escondem um loop maior em torno da mesma tarefa.

Evite Claude Agent SDK para chat básico quando você não precisar de seu runtime de arquivos, comandos ou ambiente de execução. O SDK cliente direto é o ponto de partida menor para um loop personalizado com o provedor.

Evite Google ADK Tool Confirmation junto a um serviço de sessão persistente sem suporte. A limitação documentada atual se aplica a DatabaseSessionService e VertexAiSessionService. Um requisito central de aprovação em produção não deve depender de uma combinação presumida.

Evite tratar Logfire ou um AI Gateway como hospedagem de agentes. Um observa o trabalho, o outro encaminha o acesso aos modelos. Nenhuma dessas escolhas responde quem opera o trabalho da aplicação e o retoma após falhas.

Como escolher seu framework de agentes de IA nesta semana

Escolha o menor candidato capaz de cumprir seu contrato real de recuperação e revisão. Dá para decidir com um trabalho de negócio representativo, em vez de uma demonstração de todos os recursos possíveis de agentes.

1. 1

   Defina o resultado e seus limites

   Nomeie o resultado concluído, as evidências necessárias, as ações permitidas e as que precisam de revisão. Identifique o que o operador deve saber quando uma execução parar pela metade.

2. 2

   Selecione por linguagem e modelo de execução

   Escolha o framework para o workflow durável, as funções em colaboração, o serviço com tipagem ou o loop voltado à web que você está criando. Mantenha um loop simples com o provedor na comparação se ele cumprir o contrato.

3. 3

   Teste os caminhos interrompidos

   Reinicie o processo de execução, provoque um erro de ferramenta, rejeite uma aprovação e entregue um evento duplicado. Inspecione o estado armazenado e os comprovantes externos. Uma resposta final bem-sucedida, sozinha, não comprova recuperação.

4. 4

   Meça a conta do trabalho concluído

   Conte todas as chamadas ao modelo e o trabalho de ferramentas, incluindo novas tentativas e atividades delegadas. Acrescente os medidores exatos de hospedagem que você usou e separe taxas fixas de plataforma de cobranças dependentes da carga de trabalho.

5. 5

   Defina os responsáveis pela operação

   Nomeie quem cuida de armazenamento, implantação, trabalhos com falha, aprovações pendentes e alertas de custo. Adote o candidato cujas lacunas você consegue administrar nesta semana.

Perguntas frequentes

Quais são os 5 tipos de agentes de IA?

Listas de cinco tipos são classificações didáticas, e suas definições variam. Elas não determinam qual framework consegue persistir seu workflow ou exigir revisão. Para essa escolha, especifique o modelo de execução, o estado, o acesso a ferramentas e o nível de autonomia permitido.

Quais são os 4 principais agentes de IA?

Não existe um grupo universal e oficial dos quatro principais. LangGraph, CrewAI, OpenAI Agents SDK e Google ADK atendem trabalhos de desenvolvimento diferentes; tratá-los como um ranking fixo de qualidade esconde o requisito de produção que deveria orientar a escolha.

Quais são os frameworks para agentes de IA?

Este comparativo cobre LangGraph, CrewAI, OpenAI Agents SDK, Claude Agent SDK, Mastra, Google ADK, Pydantic AI e Vercel AI SDK. Eles vão de runtimes de workflow a bibliotecas de agentes com tipagem e SDKs de loops de ferramentas voltados à web. Comece, portanto, pelo trabalho que você está criando.

Quais são os 7 tipos de agentes de IA?

Listas de sete tipos também variam conforme a fonte e não são um modelo padrão para contratar frameworks. Uma lista de categorias de agentes não comprova recuperação após reinício, limites de permissão de ferramentas ou compatibilidade entre recursos de aprovação e armazenamento.

ChatGPT é um agente ou um LLM?

ChatGPT é um produto voltado ao usuário. Um LLM é o modelo de linguagem subjacente; uma aplicação de agente combina um modelo com ferramentas, estado e um loop que pode agir para realizar uma tarefa. São camadas diferentes, e o nome do produto não escolhe o runtime da sua aplicação.

Quais são os 5 melhores agentes de IA?

Uma seleção específica para a tarefa é mais útil que um top cinco universal. Comece por LangGraph para workflows com estado, CrewAI para equipes de especialistas, Mastra para workflows TypeScript, Pydantic AI para serviços Python com tipagem e OpenAI Agents SDK para um loop enxuto controlado pela aplicação. Outros modelos de trabalho mudam a seleção.

Qual é o agente de IA mais novo?

Não há uma resposta única e útil que cubra modelos, produtos hospedados e frameworks de desenvolvimento. Para criar algo nesta semana, leia a documentação atual das capacidades necessárias e verifique a compatibilidade com implantação e armazenamento. Um lançamento mais recente não comprova uma escolha melhor.

ChatGPT é o melhor agente de IA?

Depende da tarefa do usuário e dos controles necessários. É uma pergunta diferente da escolha do código a incorporar ao seu produto. Um desenvolvedor precisa saber quem controla o estado, a execução de ferramentas, a implantação, a revisão e os custos de operação.

Quais são os principais frameworks de agentes de IA em 2026?

As escolhas práticas dependem da tarefa: LangGraph para workflows explícitos e duráveis; CrewAI para colaboração por funções; Mastra ou Vercel AI SDK para necessidades diferentes de aplicações TypeScript; Pydantic AI para Python com tipagem; OpenAI Agents SDK para um executor controlado pela aplicação; Claude Agent SDK para seu runtime de arquivos e comandos; e Google ADK quando a combinação necessária tiver suporte.

Use o checklist de auditoria de workflows de IA para negócios para definir o escopo do primeiro trabalho do agente, os limites da revisão e o responsável pela operação antes de se comprometer com o framework.