1.Qué es un framework de agentes (y qué no es)
Un framework de agentes es una biblioteca de código que te entrega las piezas para armar un agente sin tener que escribirlas desde cero: la conexión con el modelo de lenguaje, el manejo de herramientas, la memoria y el bucle que decide los pasos. Vos escribís la lógica de tu negocio; el framework se ocupa del cableado repetitivo.
La idea no es nueva, pero el nombre se volvió estándar con la ola de modelos de lenguaje. Wikipedia define a LangChain, el framework más difundido, como un marco creado para simplificar el desarrollo de aplicaciones que usan modelos de lenguaje. Lo importante de esa frase es «simplificar»: el framework existe para que no reescribas lo mismo en cada proyecto.
Tres confusiones frecuentes. No es el modelo: el cerebro lo ponen GPT, Claude o Gemini, y el framework solo lo llama y lo orquesta. No es una aplicación lista para usar: es una caja de piezas, no un producto terminado. No es una plataforma no-code: n8n, Make o Zapier son otra categoría, la del flujo visual sin código, que a veces alcanza y a veces no.
| Pieza | Qué hace | Ejemplo concreto |
|---|---|---|
| Modelo de lenguaje | Conecta y llama al LLM | Enviar el prompt a Claude y recibir la respuesta |
| Herramientas | Deja que el agente ejecute acciones | Consultar el stock en tu base o mandar un mail |
| Memoria | Guarda contexto entre pasos y sesiones | Recordar el pedido anterior del mismo cliente |
| Orquestación | Decide el orden de los pasos y maneja errores | Reintentar una llamada que falló y seguir |
2.Por qué usar un framework (y cuándo no lo necesitás)
El argumento a favor es tiempo. Sin framework, conectar un modelo, definir herramientas, manejar reintentos y guardar memoria son cientos de líneas que se repiten en cada proyecto. Con framework, eso ya está resuelto y probado. Un ejemplo: un comercio que arma un agente para responder consultas de envíos no quiere pelearse con el parseo de la respuesta en JSON; el framework lo parsea y le entrega un objeto ordenado.
El argumento en contra es más importante. Anthropic, en su referencia «Building Effective Agents», recomienda empezar por la solución más simple y agregar complejidad solo cuando la necesitás: muchos casos se resuelven con un único llamado al modelo o con un flujo fijo, sin framework y sin agente.
No lo necesitás si tu proceso es un flujo fijo sin imprevistos (una automatización clásica o n8n es más simple de mantener), si recién estás explorando (empezá con ChatGPT o un producto ya hecho) o si no querés mantener código (los frameworks viven en tu código y hay que actualizarlos y auditarlos).
3.Los frameworks principales
Hay decenas, pero cuatro concentran la mayoría de los casos reales. No hace falta conocerlos todos: con entender en qué es fuerte cada uno ya podés decidir.
LangChain, con su motor de grafos LangGraph, es el ecosistema más grande: más integraciones, más tutoriales y la opción por defecto para la mayoría. CrewAI se piensa como un «equipo» de agentes con roles — investigador, redactor, revisor — y se arma con pocas líneas. AutoGen, nacido en Microsoft Research, se enfoca en la conversación entre varios agentes que se coordinan solos, un enfoque que la IA clásica ya estudiaba como sistemas multi-agente. El OpenAI Agents SDK y la Assistants API son el camino más directo si ya usás los modelos de OpenAI.
| Framework | Fuerte en | Curva | Cuándo elegirlo |
|---|---|---|---|
| LangChain / LangGraph | Integraciones, grafos de estado, comunidad | Media-alta | Proyectos a medida con muchas herramientas |
| CrewAI | Equipos de agentes con roles, poco código | Baja | Pipelines de contenido o investigación |
| AutoGen / Microsoft Agent Framework | Conversación multi-agente | Media | Coordinar varios agentes que negocian un resultado |
| OpenAI Agents SDK | Simplicidad, integración directa con OpenAI | Baja | Si ya estás en el ecosistema OpenAI |
Para leer cualquier framework sin marearte con el marketing, mirá los mismos cuatro ejes de la primera tabla: cómo conecta el modelo, cómo expone herramientas, cómo guarda memoria y cómo orquesta. Los frameworks se parecen en lo primero y se separan en lo último: la orquestación es donde LangGraph, CrewAI y AutoGen toman caminos distintos, y es lo que más cuesta cambiar después.
4.Cómo elegir según tu caso
La elección se reduce a tres preguntas, en este orden: ¿programás o no? ¿cuántos agentes necesitás? ¿dónde están tus datos y herramientas?
Si no programás, ninguno de estos frameworks es para vos: usá una plataforma no-code o un producto ya hecho. Si programás y es tu primer agente, CrewAI o el OpenAI Agents SDK te dan resultado en horas; LangGraph cuando necesites control fino sobre el flujo. Si tu caso es varios agentes coordinados, AutoGen o CrewAI te ahorran la orquestación.
| Tu perfil | Empezá por | Por qué |
|---|---|---|
| No programás | n8n o Make (no un framework) | Mismo resultado sin mantener código |
| Programás, primer agente | CrewAI u OpenAI Agents SDK | Resultado en horas, poca fricción |
| Agente con flujo complejo | LangGraph | Control fino del grafo y del estado |
| Varios agentes coordinados | AutoGen o CrewAI | Orquestación multi-agente ya resuelta |
Lista de decisión rápida, en orden:
- No programás → n8n o Make, no un framework.
- Un solo paso de decisión → llamada directa al modelo, sin framework todavía.
- Flujo de varios pasos con herramientas → CrewAI u OpenAI Agents SDK.
- Flujo complejo, con estado y ramas → LangGraph.
- Varios agentes que se coordinan → AutoGen o CrewAI.
Un caso concreto: un creador de contenido quiere un agente que investigue un tema, arme un borrador y lo revise. Son tres roles, así que CrewAI encaja natural: definís un agente investigador, uno redactor y uno revisor, y los encadenás. El mismo resultado con LangGraph exige armar el grafo a mano; con un solo agente de OpenAI tendrías que meter los tres roles en un prompt largo y perderías el control por etapa. El framework no cambia el resultado: cambia el costo de armarlo.
Cuándo no conviene ninguno: si el error cuesta caro y el proceso es simple, la automatización clásica con revisión humana es más barata y más fácil de auditar. Un framework no hace mágico al modelo: si la tarea es ambigua, el agente va a fallar igual, con más código encima.
5.Cómo empezar
No elijas por la tabla de features: elegí por un caso concreto y probá una tarde.
- Definí un proceso chico y medible. Un flujo de 3 a 5 pasos con entrada y salida claras, no un proyecto de seis meses.
- Escribí los pasos a mano como si se los explicaras a un pasante: qué recibe, qué decide, qué devuelve.
- Elegí el framework por la tabla de arriba. Para un primer agente, el de curva baja.
- Armá una versión mínima que haga UNA cosa bien, con una sola herramienta.
- Probá con datos reales. Corré diez casos y mirá dónde se equivoca: ahí está el 80% del trabajo.
El error más común es elegir el framework antes que el problema. El framework es un medio: lo que define si el agente sirve es la claridad de la tarea y la calidad de los datos que le das.
Preguntas frecuentes
¿Necesito un framework para armar un agente?
No. Un agente simple se arma con llamadas directas al modelo y una herramienta. El framework ayuda cuando el flujo crece: varios pasos, memoria, manejo de errores.
¿LangChain es el mejor framework?
Es el más usado y con más recursos, pero no el más simple. Para un primer agente, CrewAI o el OpenAI Agents SDK suelen dar resultado más rápido. «Mejor» depende de tu caso.
¿Qué framework eligen las empresas?
El ecosistema de LangChain es el más adoptado, y Microsoft empuja AutoGen para casos multi-agente. La elección real depende del stack que ya usás: Python o JavaScript, OpenAI u otros modelos.
¿Puedo cambiar de framework después?
Sí, pero no es gratis: la lógica de orquestación se escribe con la API de cada uno. Conviene empezar chico y aislar tu lógica de negocio del framework para poder moverla.
¿Y si no sé programar?
No uses un framework. Las plataformas no-code (n8n, Make) y los productos ya hechos resuelven la mayoría de los casos sin tocar código.