Los mejores marcos de agentes de IA de código abierto 2026: agentes de producción, multiagente, RAG, navegador y complementarios
El mejor marco de agentes de IA de código abierto en 2026 depende menos de las exageraciones de GitHub y más del tipo de agente que esté creando. Un agente de flujo de trabajo de producción, un equipo de investigación basado en roles, un servicio Python escrito, un producto TypeScript/Next.js, un asistente RAG, un agente de automatización del navegador, un agente de codificación y un compañero de juego de roles NSFW no necesitan el mismo marco.
Veredicto rápido
LangGraph es el marco de trabajo de agente de IA de código abierto predeterminado más seguro para flujos de trabajo de producción con estado. Pydantic AI es más limpio para aplicaciones Python escritas, Mastra se adapta a los equipos de TypeScript y CrewAI sigue siendo rápido para prototipos de múltiples agentes basados en roles.
Selecciones rápidas
| Mejor elección | Caso de uso | Por qué encaja |
|---|---|---|
| LangGraph | Agentes de producción con estado y flujos de trabajo de gráficos | Agentes de producción con estado y flujos de trabajo de gráficos. |
| IA pidántica | Aplicaciones de agente de producción mecanografiadas con validación | Aplicaciones de agente de producción escritas con validación. |
| Mastra | Next.js, Node, flujos de trabajo y evaluaciones de TS | Flujos de trabajo y evaluaciones de Next.js, Node, TS. |
| TripulaciónAI | Prototipos multiagente rápidos basados en roles | Prototipos multiagente rápidos basados en roles. |
Key Takeaways
- LangGraph es el valor predeterminado más seguro para agentes de producción con estado, flujos de trabajo de gráficos, sistemas humanos en el circuito y ejecución duradera.
- Pydantic AI es la mejor opción para Python cuando los resultados estructurados, la validación, la inyección de dependencias y la arquitectura limpia de la aplicación son importantes.
- Mastra es el mejor marco basado en TypeScript para Next.js, Node y productos de agentes web modernos.
- CrewAI sigue siendo el camino más rápido para prototipos de múltiples agentes basados en roles, equipos de investigación y automatizaciones de contenido/operaciones.
- LlamaIndex y Haystack son mejores opciones que los marcos de agentes genéricos cuando el problema central es RAG, documentos, recuperación o conocimiento empresarial.
- Browser Use, OpenHands, Goose, Letta y smolagents son herramientas especializadas que vale la pena seguir incluso si no son las principales predeterminadas de producción.
- SillyTavern es la capa frontal de código abierto más relevante para experiencias de acompañante de IA, juegos de rol, novia de IA y chatbot NSFW.
- Para 2027, la elección del marco debe incluir interoperabilidad: MCP, A2A, AGENTS.md y paquetes de estilo de habilidades.
Cómo clasificamos estos marcos
- Preparación para producción: Confiabilidad ponderada, gestión de estado, ejecución de herramientas, patrones de implementación y soporte para flujos de trabajo de agentes complejos.
- Experiencia de desarrollador: Documentación comparada, ejemplos, configuración local, depuración y qué tan rápido los equipos pueden enviar un agente en funcionamiento.
- Integraciones: Marcos preferidos con fuerte soporte de modelo/proveedor, llamadas de herramientas, memoria, recuperación y opciones de orquestación de flujo de trabajo.
- Observabilidad y gobernanza: Se consideró seguimiento, ganchos de evaluación, controles humanos, patrones de seguridad y mantenibilidad.
- Madurez comunitaria: Se analizó la actividad del ecosistema, la adopción, la cadencia de lanzamiento y la disponibilidad de ejemplos de implementación en el mundo real.
- Ajuste de mejor uso: Orquestación separada, colaboración entre múltiples agentes, flujos de trabajo RAG y marcos de aplicaciones de producción en lugar de clasificar solo por popularidad.
¿Qué se considera un marco de agente de IA?
Un marco de agente de IA debería ayudar a los desarrolladores a coordinar llamadas de modelos, herramientas, memoria, estado, flujos de trabajo, recuperación, evaluación o revisión humana. El mejor marco depende de si el agente es un servicio de producción, un equipo de investigación, un trabajador del navegador o un componente de aplicación escrito.
Tabla de comparación rápida
| Marco | Pila | Mejor para | Preparación para la producción | Calificación |
|---|---|---|---|---|
| LangGraph | Python/TypeScript | Agentes de producción con estado y flujos de trabajo de gráficos | Muy alto | 4.9/5 |
| IA pidántica | Python | Aplicaciones de agente de producción mecanografiadas con validación | Alto | 4.8/5 |
| Mastra | Mecanografiado | Next.js, Node, flujos de trabajo y evaluaciones de TS | Alto | 4.8/5 |
| TripulaciónAI | Python | Prototipos multiagente rápidos basados en roles | Medio-alto | 4.6/5 |
| LangChain / Agentes profundos | Python/TypeScript | Tareas de larga duración, planificación y subagentes | Alto | 4.6/5 |
| Agno | Python | Plataformas de agentes, equipos y tiempos de ejecución estilo AgentOS | Medio-alto | 4.5/5 |
| SDK de agentes de OpenAI | Python/TypeScript | Flujos de trabajo multiagente ligeros y fáciles de usar para proveedores | Medio-alto | 4.5/5 |
| Google ADK | Python/TS/Go/Java | Gemini y agentes empresariales de Google Cloud | Alto | 4.5/5 |
| Marco del agente de Microsoft | Python/.NET | Agentes empresariales de Azure, Microsoft y .NET | Alto | 4.5/5 |
| Agentes LlamaIndex | Python/TypeScript | RAG, agentes documentales y del conocimiento | Alto | 4.4/5 |
| Pajar | Python | Canalizaciones de producción de RAG y flujos de trabajo de recuperación | Alto | 4.3/5 |
| AG2 / AutoGen | Python | Conversaciones entre múltiples agentes y flujos de trabajo de investigación | Medio-alto | 4.2/5 |
| Categoría | Valor |
|---|---|
| LangGraph | 95/100 |
| IA pidántica | 91/100 |
| Mastra | 90/100 |
| TripulaciónAI | 84/100 |
| Agentes profundos | 83/100 |
| Agno | 81/100 |
| SDK de OpenAI | 80/100 |
| Google ADK | 82/100 |
| Microsoft AF | 83/100 |
| LlamaIndex | 84/100 |
| Pajar | 82/100 |
| AG2 | 78/100 |
1. LangGraph: mejor marco de trabajo general para agentes de producción
LangGraph es el valor predeterminado serio más seguro para los agentes de IA de nivel de producción en 2026. Su modelo gráfico está diseñado para flujos de trabajo con estado, bucles, ramificaciones, pasos de aprobación humana, ejecución duradera y coordinación de múltiples agentes. Si su agente tiene que sobrevivir más allá de una demostración y ejecutar largos flujos de trabajo con estado recuperable, LangGraph es el marco que debe evaluar primero.
- Pila: Python/TypeScript
- Mejor madurez de producción en el ecosistema de agentes de código abierto
- Modelo de estado sólido para flujos de trabajo de larga duración
- Patrones de ejecución duraderos y humanos en el circuito
- Funciona para sistemas de agente único y multiagente
Pros
- Sólida arquitectura de producción
- Es más fácil razonar sobre los flujos de trabajo de gráficos con estado que los bucles de agentes ad hoc
- Buena opción para la aprobación humana y los flujos de trabajo operativos
- Amplio ecosistema y desarrollo activo
Cons
- Más arquitectura inicial que CrewAI
- Puede resultar pesado para prototipos simples
- Los equipos deben comprender el diseño de flujo de trabajo basado en gráficos
2. Pydantic AI: el mejor marco de trabajo para agentes de producción de Python
Pydantic AI es la mejor opción para los equipos de Python que desean que las aplicaciones de agentes parezcan un software bien diseñado en lugar de un montón de indicaciones. Su valor son las dependencias escritas, las salidas estructuradas, la validación, los reintentos, las evaluaciones y los patrones limpios de aplicaciones de Python. Si la corrección y la mantenibilidad son importantes, Pydantic AI merece estar cerca de la cima.
- Pila: Python
- Salidas estructuradas escritas
- Validación e inyección de dependencia
- Mejor ajuste para la ingeniería limpia de Python
- Sólido para servicios de producción y API
Pros
- Excelente ergonomía para desarrolladores de Python
- El enfoque de validación primero detecta resultados incorrectos del modelo
- Bueno para API de producción y límites de servicio
- Menos mágico que los frameworks de agentes más pesados
Cons
- Solo Python
- Menos orquestación del flujo de trabajo visual que LangGraph
- No es el marco más rápido para quienes no son ingenieros
3. Mastra: el mejor marco de trabajo para agentes TypeScript/Next.js
Mastra es la mejor opción basada en TypeScript para equipos de productos que crean aplicaciones de agentes en Node, Next.js o pilas web modernas. Cubre agentes, flujos de trabajo, evaluaciones, observabilidad y patrones de implementación sin forzar una arquitectura basada en Python. Para los productos web estilo AI Haven, Mastra es uno de los marcos más relevantes para rastrear.
- Pila: Mecanografiado
- La mejor opción para los equipos Next.js y Node
- Flujos de trabajo, evaluaciones y observabilidad en un ecosistema TS
- Ajuste producto-aplicación más limpio que las pilas exclusivas de Python
- Buena historia de implementación para equipos web
Pros
- TypeScript-primero
- Sólida adaptación a los productos web modernos
- Privativas de evaluación y flujo de trabajo útiles
- Buena opción cuando la aplicación ya está en Next.js o Node
Cons
- Ecosistema más joven que LangGraph
- No es ideal para equipos de aprendizaje automático con mucho Python
- Algunos patrones empresariales aún están madurando
4. CrewAI: lo mejor para prototipos rápidos de múltiples agentes basados en roles
CrewAI sigue siendo el camino más rápido para flujos de trabajo de múltiples agentes basados en roles. Es fácil de explicar: cree agentes con roles, objetivos y herramientas, y luego déjeles colaborar en las tareas. Eso hace que CrewAI sea útil para equipos de contenido, flujos de investigación, borradores de atención al cliente, automatizaciones de operaciones y pruebas rápidas de conceptos.
- Pila: Python
- Equipos de agentes basados en roles
- Creación rápida de prototipos
- Bueno para flujos de trabajo de investigación, contenido y delegación
- Modelo mental fácil para no especialistas
Pros
- Muy rápido para crear prototipos
- El modelo basado en roles es intuitivo
- Buen impulso comunitario
- Útil para flujos de trabajo de contenido y operaciones
Cons
- Menos ideal para una ejecución compleja y duradera
- La observabilidad de la producción puede necesitar herramientas adicionales
- Las abstracciones basadas en roles pueden volverse confusas a escala
5. LangChain / Deep Agents: el mejor arnés de agentes de nivel superior
Deep Agents es la capa de tareas de larga duración más obstinada construida alrededor del ecosistema LangChain y LangGraph. Está diseñado para planificación, subagentes, gestión de contexto, estado de estilo de sistema de archivos y trabajos de mayor duración. Úselo cuando desee la base LangGraph pero necesite un aprovechamiento de nivel superior para tareas complejas del agente.
- Pila: Python/TypeScript
- Tareas de larga duración
- Planificación y subagentes
- Estado de estilo de sistema de archivos
- Arnés de nivel superior por encima de LangGraph
Pros
- Abstracciones útiles para tareas largas
- Construido sobre un ecosistema serio
- Buena opción para agentes de codificación y de investigación
- Reduce el texto estándar en comparación con LangGraph sin formato
Cons
- Aún hereda la complejidad del ecosistema LangChain
- Más obstinado que LangGraph puro
- Puede ser demasiado para agentes de aplicaciones simples
6. Agno: Mejor plataforma de agentes/Dirección de AgentOS
Vale la pena seguir a Agno porque se centra menos en un bucle de agente único y más en crear, ejecutar y administrar plataformas de agentes. Es relevante para los equipos que piensan en equipos de múltiples agentes, flujos de trabajo, superficies de tiempo de ejecución y arquitectura de plano de control en lugar de un solo chatbot con herramientas.
- Pila: Python
- Plataformas y equipos de agentes
- Pensamiento en tiempo de ejecución/plano de control
- Flujos de trabajo y gestión multiagente
- Arquitectura estilo AgentOS
Pros
- Buena dirección a nivel de plataforma
- Sólida opción para productos de agentes de creación de equipos
- Útil para operaciones multiagente
- Más ambicioso que las simples bibliotecas de orquestación
Cons
- Más joven que LangGraph
- Puede ser excesivo para agentes simples
- Evaluación de necesidades de madurez del ecosistema por proyecto
7. SDK de agentes OpenAI: el mejor SDK multiagente ligero
El SDK de OpenAI Agents es una opción liviana para equipos que desean flujos de trabajo de múltiples agentes sin una capa de orquestación pesada. Es especialmente útil si ya utiliza modelos OpenAI pero aún desea flexibilidad y una superficie de abstracción más pequeña que LangGraph o Mastra.
- Pila: Python/TypeScript
- Flujos de trabajo ligeros de múltiples agentes
- Baja sobrecarga de abstracción
- Bueno para los primeros equipos OpenAI
- La dirección del proveedor es más amplia de lo que sugiere el nombre
Pros
- Modelo mental simple
- Bueno para flujos de trabajo livianos
- Funciona bien para equipos centrados en OpenAI
- Menos infraestructura que frameworks más pesados
Cons
- No es tan duradero ni tiene estado como LangGraph
- Historia de la plataforma menos completa
- Los equipos de producción pueden necesitar observabilidad personalizada
8. Google ADK: el mejor kit de agente empresarial de Google/Gemini
Google ADK es la opción natural para los equipos que crean agentes orientados a Gemini o con mucho uso de Google Cloud. Su mayor ventaja es la alineación empresarial: soporte en varios idiomas, patrones de implementación en la nube e integración con el ecosistema de IA de Google.
- Pila: Python/TypeScript/Go/Java
- Agentes de Gemini y Google Cloud
- Soporte empresarial en varios idiomas
- Implementación nativa de la nube
- Dirección independiente del modelo/implementación
Pros
- Fuerte respaldo de la plataforma de Google
- Buena alineación empresarial
- Soporte multilingüe
- Útil para equipos con muchos Géminis
Cons
- Lo más atractivo dentro de Google Cloud
- Menos neutral que los marcos OSS más pequeños
- Puede ser más pesado de lo necesario para los prototipos
9. Microsoft Agent Framework/Kernel semántico: la mejor pila empresarial de Microsoft
Microsoft Agent Framework es la nueva dirección unificada para la orquestación de agentes de Microsoft, mientras que Semantic Kernel sigue siendo relevante en los ecosistemas existentes de Azure y .NET. Esta es la pila adecuada para evaluar si su organización ya utiliza Microsoft, Azure, .NET o flujos de trabajo de cumplimiento empresarial.
- Pila: Python/.NET
- Agentes empresariales de Azure y Microsoft
- .Compatibilidad con NET y Python
- Orquestación empresarial
- Continuidad del kernel semántico
Pros
- La mejor opción para organizaciones con gran uso de Microsoft
- Alineación entre empresa y cumplimiento
- Buena integración con Azure
- El kernel semántico todavía tiene valor ecosistémico
Cons
- Menos convincente fuera de los ecosistemas de Microsoft
- Puede parecer muy empresarial
- La dirección del marco ha cambiado y necesita una verificación actual
10. Agentes/flujos de trabajo de LlamaIndex: el mejor marco de trabajo para agentes de datos y RAG
LlamaIndex sigue siendo la opción más sólida cuando el agente se trata principalmente de datos: documentos, bases de conocimiento, recuperación, extracción, indexación y asistentes de conocimiento empresarial. Se trata menos de un teatro general de múltiples agentes y más de conectar los LLM con el contexto adecuado de manera confiable.
- Pila: Python/TypeScript
- RAG y flujos de trabajo de documentos
- Asistentes del conocimiento
- Extracción e indexación de datos
- Búsqueda y recuperación empresarial
Pros
- Excelente para aplicaciones con mucho RAG
- Sólido ecosistema de indexación y documentos
- Buena opción para asistentes de conocimiento
- Historia amplia del conector
Cons
- No es el mejor motor de flujo de trabajo genérico
- Las abstracciones de agentes son secundarias a la fortaleza de los datos
- La recuperación compleja aún necesita ajustes
11. Haystack: mejor marco de canalización RAG de producción
Haystack es otra opción sólida para los oleoductos RAG de producción. Es especialmente útil cuando su sistema necesita recuperación, enrutamiento, memoria, generación y estructura de canalización más que una llamativa capa de agente autónomo.
- Pila: Python
- Producción de oleoductos RAG
- Recuperación y enrutamiento
- Flujos de trabajo de búsqueda y generación
- Tuberías estructuradas
Pros
- Arquitectura de tubería RAG madura
- Bueno para sistemas de producción con mucha recuperación
- Borrar modelo de canalización
- Sólida historia de código abierto
Cons
- Menos rumores sobre marketing de agentes que los marcos más nuevos
- Centrado en Python
- No es ideal para navegadores/codificadores/agentes complementarios
12. AG2 / AutoGen: el mejor marco de conversación entre agentes
AG2 es la continuación activa del linaje AutoGen gobernada por la comunidad. El repositorio AutoGen original de Microsoft debe tratarse con cuidado porque la dirección del ecosistema ha cambiado. AG2 sigue siendo relevante para conversaciones entre múltiples agentes, flujos de trabajo de investigación, patrones de interacción humana y experimentos de colaboración de agentes.
- Pila: Python
- Conversaciones multiagente
- Flujos de trabajo de investigación
- Colaboración humana integrada
- Patrones estilo AutoGen
Pros
- Continuación importante de los patrones AutoGen
- Bueno para la investigación de conversaciones con agentes
- Flujos de trabajo útiles e integrados por humanos
- Dirección comunitaria activa
Cons
- El estado original de AutoGen puede confundir a los compradores
- Menos limpio para aplicaciones de producción escritas
- El diseño centrado en la conversación no siempre es la abstracción correcta
Herramientas de agentes de código abierto especializadas que vale la pena conocer
No todas las herramientas de agentes útiles deben compararse con LangGraph o Mastra. Algunas herramientas resuelven mejor problemas más específicos: automatización del navegador, agentes de codificación locales, memoria persistente, experimentos mínimos o interfaces complementarias/de juegos de rol. Estas son las herramientas especializadas que vale la pena seguir.
| Marco/Herramienta | Mejor ajuste | Por qué es importante |
|---|---|---|
| Uso del navegador | Agentes de automatización del navegador | Útil para control de calidad, investigación, tareas web, flujos de pago y automatizaciones basadas en navegador. |
| Manos Abiertas | Agentes de codificación de código abierto | Puede planificar, editar archivos, ejecutar comandos y trabajar en espacios de trabajo de software. |
| Ganso | Agentes locales de IA de propósito general | Bueno para código local, investigación, automatización, CLI y flujos de trabajo de escritorio. |
| Letta | Agentes con estado de memoria primero | Mejor cuando la memoria persistente es la característica real del producto. |
| esmolagente | Agentes faciales de abrazo mínimo | Marco pequeño y de baja abstracción para experimentos y agentes de código simples. |
| SDK del agente Claude | Codificación/agentes de archivos estilo Claude Code | Potente para bucles de archivos, comandos y codificación, pero más vinculado al proveedor. |
| Taberna tonta | Compañero de código abierto y interfaz de juego de rol | La capa de código abierto más relevante para tarjetas de personajes, juegos de rol NSFW, libros de historia y backends de modelos locales/API. |
Novia AI de código abierto, chatbot NSFW y marcos de juego de roles
SillyTavern es la capa de usuario avanzado de código abierto para experiencias complementarias de IA, juegos de rol y chatbot NSFW. No es un marco SaaS alojado de IA. Es una interfaz ejecutada localmente que se conecta a modelos locales o API externas, admite tarjetas de personajes, personas, libros de historia/información mundial, control de contexto prolongado, TTS, integraciones de generación de imágenes y personalización profunda de juegos de rol.
Si está creando o investigando una pila complementaria de IA NSFW de código abierto, SillyTavern es la capa similar a un marco más relevante que debe comprender. Combínelo con un backend de modelo local o API, use tarjetas de personajes y libros de historia para el comportamiento, agregue controles de memoria/contexto y use herramientas compatibles con MCP cuando el acceso a las herramientas sea importante.
Pros
- El ecosistema de código abierto más sólido para usuarios avanzados de chat de personajes y juegos de rol
- Funciona con modelos locales y backends API externos
- Admite tarjetas de personajes, personas, libros de historia y control de contexto
- Muy relevante para los nichos de novia AI, juegos de rol eróticos y chatbot NSFW
- Puede ser privado/local dependiendo de la configuración del backend
Cons
- No es un marco SaaS alojado
- La complejidad de la configuración es mayor que la de las aplicaciones de novia de IA para consumidores
- La calidad depende en gran medida de la elección del modelo/backend
- No es ideal para usuarios no técnicos
- Requiere un marco cuidadoso de seguridad, privacidad y consentimiento
Matriz de decisión marco
| Caso de uso | Elección recomendada | Por qué |
|---|---|---|
| Agentes de producción serios | LangGraph, Pydantic AI, Mastra | Proporcionan patrones de ingeniería de producción, control de flujo de trabajo, estado y validación más sólidos. |
| Prototipos rápidos multiagente | TripulaciónAI | Los equipos de agentes basados en roles se diseñan rápidamente y son fáciles de explicar. |
| Next.js/aplicaciones TypeScript | Mastra, SDK TS de agentes OpenAI, LangGraph JS | Se adaptan mejor a los equipos de productos Node/TS que los marcos exclusivos de Python. |
| RAG y agentes documentales | LlamaIndex o Haystack | La recuperación, la indexación y los flujos de trabajo de documentos son sus puntos fuertes principales. |
| Agentes de navegador | Uso del navegador | Diseñado específicamente para el control del navegador, control de calidad, investigación web y automatización de acciones. |
| Agentes codificadores | OpenHands, Goose, Claude Agent SDK, Deep Agents | Se basan en la edición de archivos, comandos, planificación y espacios de trabajo locales. |
| Juego de rol NSFW/agentes acompañantes | Taberna tonta | Es la capa frontend de código abierto más potente para chat de personajes, libros de historia, personajes y backends de modelos locales/API. |
Protocolos de agentes importantes para 2027
La señal más importante para 2027 no es solo qué marco gana. Se trata de si el marco puede encajar en la capa de interoperabilidad emergente en torno a herramientas, agentes, repositorios y capacidades reutilizables. MCP es el protocolo de seguimiento a corto plazo más importante porque ofrece a los agentes una forma estándar de conectarse a herramientas y sistemas externos.
| Protocolo | Qué hace | Por qué es importante |
|---|---|---|
| MCP | Conecta agentes a herramientas, aplicaciones y sistemas externos | El estándar abierto más claro para el acceso a herramientas y la integración de agentes. |
| A2A | Comunicación de agente a agente entre sistemas | Importante si los agentes necesitan coordinarse entre proveedores o marcos. |
| AGENTES.md | Instrucciones a nivel de repositorio para agentes de codificación | Mejora la confiabilidad del agente de codificación local y el comportamiento específico del proyecto. |
| Habilidades / Paquetes | Capacidades de agente reutilizables para tareas específicas | Hace que los flujos de trabajo sean portátiles, reutilizables y más fáciles de distribuir. |
Matriz de capacidades del marco del agente
| Herramienta | Python | Mecanografiado | Flujos de trabajo con estado | Multiagente | TRAPO | Automatización del navegador | Agentes codificadores | Compatible con MCP | NSFW / Juego de roles |
|---|---|---|---|---|---|---|---|---|---|
| LangGraph | ✓ | ✓ | ✓ | ✓ | Limitado | ✗ | Limitado | ✓ | ✗ |
| IA pidántica | ✓ | ✗ | ✓ | ✗ | Limitado | ✗ | ✗ | ✓ | ✗ |
| Mastra | ✗ | ✓ | ✓ | ✓ | Limitado | ✗ | ✗ | ✓ | ✗ |
| TripulaciónAI | ✓ | ✗ | Limitado | ✓ | ✗ | ✗ | ✗ | ✓ | ✗ |
| LlamaIndex | ✓ | ✓ | Limitado | ✓ | ✓ | ✗ | ✗ | ✓ | ✗ |
| Pajar | ✓ | ✗ | Tubería | ✗ | ✓ | ✗ | ✗ | ✓ | ✗ |
| Uso del navegador | ✓ | ✗ | Estado de la tarea | ✗ | ✗ | ✓ | ✗ | ✓ | ✗ |
| Manos Abiertas | ✓ | Limitado | ✓ | ✓ | ✗ | ✗ | ✓ | ✓ | ✗ |
| Taberna tonta | ✗ | ✓ | Contexto/libros de historia | ✗ | ✗ | ✗ | ✗ | Depende de la herramienta | ✓ |
Lo que realmente elegiría
- Agentes de producción serios: LangGraph, Pydantic AI, Mastra o Microsoft Agent Framework.
- Prototipos rápidos multiagente: TripulaciónAI.
- Aplicaciones Next.js/TypeScript: Primero Mastra, luego OpenAI Agents SDK TS o LangGraph JS.
- RAG/agentes de documentos: LlamaIndex o Haystack.
- Agentes del navegador: Uso del navegador.
- Agentes codificadores: OpenHands, Goose, Claude Agent SDK o Deep Agents.
- Compañeros NSFW/agentes de juegos de rol: SillyTavern como capa frontal de código abierto.
- Apuesta de protocolo preparada para el futuro: MCP primero, con A2A y AGENTS.md que vale la pena seguir.
Veredicto final
LangGraph es el mejor marco general de agentes de IA de código abierto para flujos de trabajo de producción serios en 2026. Pydantic AI es la mejor opción de producción de Python, Mastra es la mejor opción de TypeScript y Next.js, CrewAI es la opción de prototipo multiagente más rápida, LlamaIndex y Haystack son los más potentes para RAG, Browser Use posee la automatización del navegador y SillyTavern es la mejor capa de código abierto para experiencias de juego de rol NSFW y complementarias de IA.