Saltar al contenido principal

Frameworks de código abierto para agentes de IA

Avanzado

Una vez que has construido unos cuantos agentes a mano, la misma fontanería reaparece una y otra vez: un bucle que llama al modelo, ejecuta la herramienta que pidió, le devuelve el resultado y se detiene cuando el trabajo está hecho. Los frameworks de agentes empaquetan esa fontanería — además de estado, memoria y coordinación multi-agente — para que escribas menos código de pegamento. Esta página es un mapa duradero y neutral respecto al proveedor de las principales opciones de código abierto, lo que realmente te ofrecen y cómo elegir. Casi todas son independientes del modelo: funcionan con Claude, GPT, Gemini y modelos locales de pesos abiertos.

What you'll learn
  • Saber qué te da un framework de agentes frente a un bucle hecho a mano — y qué no
  • Reconocer los tres arquetipos: grafos con estado, equipos basados en roles y bucles mínimos
  • Usar un procedimiento repetible para elegir uno — cambiando complejidad por control
  • Recordar que la mayoría son independientes del modelo — el framework rara vez te ata a un solo proveedor

Qué te da realmente un framework de agentes​

Quita la marca de encima y un framework te ofrece algún subconjunto de cuatro cosas:

  • Orquestación — el bucle de control. Pasos secuenciales, ramas, reintentos, bucles-hasta-terminar y (cada vez más) ejecución duradera que sobrevive a una caída y reanuda desde donde se detuvo.
  • Herramientas — una forma estándar de declarar una función que el modelo puede llamar, validar sus argumentos, ejecutarla y devolver el resultado. El mismo bucle describir→llamar→ejecutar→devolver que ya conoces del uso de herramientas.
  • Memoria y estado — un lugar donde guardar el historial de la conversación, hechos de borrador y documentos recuperados a lo largo de los turnos, para que el agente no sea amnésico entre pasos.
  • Multi-agente — patrones para varios agentes especializados que se pasan el trabajo entre sí: un supervisor que delega en trabajadores, o iguales que colaboran en una tarea. (Conceptualmente la misma idea que los subagentes de Claude Code.)

Un framework vale la pena cuando de otro modo escribirías y mantendrías a mano las cuatro cosas. No vale la pena cuando tu tarea es "llamar al modelo, ejecutar una o dos herramientas, devolver una respuesta" — ahí el framework es un sobrecoste contra el que perderás tiempo luchando.

Los tres arquetipos​

Los frameworks difieren menos de lo que sugiere su marketing. En realidad hay tres formas, y la mayoría de los proyectos son una variación de una de ellas:

  • Grafo / flujo de trabajo con estado. Modelas el agente como un grafo explícito de nodos y aristas (o pasos y transiciones). Máximo control, estado inspeccionable, bueno para flujos de larga duración y con humano en el bucle. Más que aprender de entrada. → LangGraph, LlamaIndex Workflows.
  • Equipo basado en roles. Describes a los agentes por rol ("investigador", "redactor", "revisor") y dejas que colaboren o ejecuten un proceso. Rápido para expresar un equipo multi-agente; cambias algo de control fino por la abstracción de alto nivel. → CrewAI, y el estilo conversacional multi-agente de AutoGen.
  • Bucle mínimo / pocas abstracciones. Una capa fina sobre la llamada nativa a herramientas del modelo, con traspasos entre unos pocos agentes y poco más. Fácil de leer de principio a fin, fácil de descartar. → OpenAI Agents SDK (el sucesor de producción del experimental Swarm), y el bucle simple que escribes tú mismo.
Pro tip
  • Empieza por lo más simple que funcione — a menudo un simple bucle de llamada a herramientas supera a un framework pesado.

Un recorrido rápido (verifica el posicionamiento antes de comprometerte)​

Estos son los proyectos abiertos que vale la pena conocer. Nombrados solo porque el repo real de cada uno fue verificado; todo lo volátil vive detrás del VerifyNote de arriba.

  • LangGraph — un framework de orquestación de bajo nivel para agentes con estado y de larga duración modelados como grafos; la ejecución duradera y el humano en el bucle son de primera clase. Utilizable de forma independiente o con el ecosistema más amplio de LangChain. Independiente del modelo.
  • LlamaIndex — empezó como un framework de datos/RAG (conectores, índices, recuperación) y ahora también incluye una capa Workflows basada en eventos para agentes. Fuerte cuando tu agente es fundamentalmente recuperación sobre tus documentos.
  • Microsoft AutoGen — un framework para sistemas conversacionales multi-agente. A mediados de 2026 está en modo mantenimiento; Microsoft dirige los nuevos proyectos a un sucesor unificado (Microsoft Agent Framework, que fusiona AutoGen + Semantic Kernel). Comprueba el estado actual antes de empezar.
  • CrewAI — un framework basado en roles: define agentes por rol y objetivo, organízalos en Crews (colaboración autónoma) o Flows (control basado en eventos). Camino rápido hacia un equipo multi-agente.
  • OpenAI Agents SDK — un framework deliberadamente ligero, de pocas abstracciones, para flujos de trabajo multi-agente con traspasos. Pese al nombre es independiente del proveedor (sus docs señalan soporte para más de 100 LLMs), y es el sucesor listo para producción del experimental Swarm.
  • El bucle de agente simple — sin framework alguno: tu propio bucle while alrededor de la llamada nativa a herramientas del modelo. El valor por defecto correcto para agentes simples, y lo que en último término envuelve cada framework de arriba.

Cómo elegir un framework​

Guided walkthrough1 of 6
  1. Una frase sobre lo que hace el agente, más los innegociables: latencia, tope de coste, privacidad de datos, si las ejecuciones deben sobrevivir a una caída y si un humano debe aprobar pasos.

Lo que envuelve cada framework​

Antes de echar mano de cualquier librería, ayuda ver el bucle sobre el que todas están construidas. Esta es la idea entera — el modelo decide, tú ejecutas, se repite hasta terminar:

# Provider-neutral agent loop — the core every framework wraps.
# `model_call` and `run_tool` are yours; swap in Claude, GPT, Gemini, or a local model.

def agent_loop(task, tools, max_steps=10):
    messages = [{"role": "user", "content": task}]

    for _ in range(max_steps):
        # 1. Ask the model what to do next (it sees the tool schemas).
        response = model_call(messages, tools=tools)

        # 2. No tool requested → the model is done. Return its answer.
        if not response.tool_calls:
            return response.text

        # 3. Run each requested tool and feed results back in.
        messages.append(response.as_message())
        for call in response.tool_calls:
            result = run_tool(call.name, call.arguments)
            messages.append({
                "role": "tool",
                "tool_call_id": call.id,
                "content": result,
            })

    return "Stopped: hit max_steps without finishing."

Si sabes leer esto, entiendes lo que hace bajo el capó cada framework de esta página. Los grafos añaden estado explícito y ramificación; los equipos añaden roles y delegación; los SDK mínimos añaden traspasos pulcros — pero el latido es siempre este bucle.

Prompt de sistema para un agente mínimo (combina con el bucle de arriba)

You are a task-completing agent with access to tools.

Loop:
1. Think briefly about the next single step toward the goal.
2. If a tool would help, call exactly ONE tool with valid arguments.
3. When you have enough to answer, stop calling tools and give the final answer.

Rules:
- Prefer the fewest tool calls that get the job done.
- If a tool fails, read the error and adjust — do not repeat the same call.
- Never invent tool results; use only what tools actually returned.
- If the goal is impossible with the available tools, say so and stop.

Goal: {one-sentence task}

Una nota sobre el bombo​

Ninguno de los frameworks de aquí es "el mejor" — esa pregunta está mal planteada. Los frameworks de grafo ganan en control y durabilidad; los de equipo ganan en expresar un equipo rápidamente; los mínimos ganan en legibilidad y bajo bloqueo; y un bucle simple gana más a menudo de lo que admiten los README de los frameworks. La elección correcta es la herramienta más pequeña que hace claro tu paso más difícil. Como al elegir un modelo, deja que tu propia tarea — no un número de estrellas — decida. La misma disciplina que aplicarías con las evaluaciones aplica aquí: prototipa, mide en casos reales, mantén una vía de salida.

Ponte a prueba

0/3
  1. Tu agente hace una llamada al modelo, ejecuta una única herramienta de búsqueda y devuelve una respuesta. ¿Cuál es el punto de partida correcto?
  2. Necesitas un agente que se ejecute durante mucho tiempo, deba sobrevivir a una caída y reanudarse, y permita que un humano apruebe ciertos pasos. ¿Qué arquetipo encaja mejor?
  3. Un compañero dice 'el OpenAI Agents SDK significa que estamos atados a GPT'. ¿Es correcto?
Frameworks de agentes — ideas clave
Pulsa Intro o Espacio para girar la tarjeta. Usa las flechas izquierda y derecha para moverte entre las tarjetas.Término mostrado.
1 / 6
Key takeaways
  • Un framework de agentes empaqueta orquestación, herramientas, memoria y coordinación multi-agente — adopta uno solo cuando de otro modo construirías las cuatro por tu cuenta.
  • Tres arquetipos cubren el campo: grafos con estado (control/durabilidad), equipos basados en roles (equipos rápidos) y bucles mínimos (legibilidad, bajo bloqueo).
  • Casi todos son independientes del modelo — corren sobre Claude, GPT, Gemini y modelos locales; verifica por proyecto en lugar de asumirlo.
  • Ningún framework es universalmente 'el mejor'; elige la herramienta más pequeña que hace claro TU paso más difícil, y mantén una vía de salida.
  • El simple bucle de llamada a herramientas es el valor por defecto honesto — y es exactamente lo que envuelve cada framework.
  • El estado de mantenimiento cambia (p. ej. AutoGen → un sucesor); confirma que un proyecto se mantiene activamente en su propio repo antes de comprometerte.

Fuentes y lecturas adicionales​

Siguiente​