Comparación de frameworks de agentes AI: LangGraph, CrewAI, AutoGen, Dify, Semantic Kernel y Pydantic AI

Recomendación rápida

No existe un único mejor framework de agentes AI. La elección depende de cuánto control necesitas sobre estado, herramientas, revisión humana, despliegue y observabilidad.

Necesidad	Buen candidato	Por qué
Workflows con estado en producción	LangGraph	Flujo basado en grafos, persistencia, streaming, human-in-the-loop
Prototipos multiagente por roles	CrewAI	Modelo simple: agents, tasks, crews, processes
Investigación y conversaciones multiagente	AutoGen	Modelo fuerte de conversación entre agentes
Apps AI empresariales low-code	Dify	Workflow visual, base de conocimiento, publicación de apps, gestión de modelos
Ecosistema .NET/Microsoft	Semantic Kernel	Skills/plugins, planners, conectores
Agentes Python con tipos	Pydantic AI	Inputs/outputs tipados y validación

Si vas a producción, evalúa fallos, visibilidad del estado, permisos de herramientas, despliegue y pruebas. Una demo bonita no basta.

Cómo comparar frameworks

Un framework de agentes no es solo un wrapper de prompts. En producción debe responder:

¿Cómo se representa y persiste el estado?
¿Cómo se definen, autorizan, reintentan y auditan las herramientas?
¿Puede una persona aprobar o editar acciones importantes?
¿Puede el workflow reanudarse tras un crash o timeout?
¿Puedes trazar llamadas al modelo, herramientas y decisiones?
¿Puedes probar sin gastar presupuesto real de modelos?
¿Puedes versionar y revertir workflows?

Perfiles

LangGraph / LangChain

LangGraph es fuerte cuando el workflow tiene estado y necesita control explícito. Modela el agente como un grafo de nodos y aristas, lo que facilita ramas, reintentos, revisión humana y flujos largos.

Bueno para:

Agentes de soporte con escalamiento.
RAG con routing y fallback.
Herramientas internas multi-paso.
Workflows con persistencia y aprobación.

Cuidado con:

Más conceptos que una chain simple.
El grafo puede crecer si no hay límites claros.
Tracing y fixtures de prueba deben aparecer temprano.

CrewAI

CrewAI se centra en colaboración por roles. Defines agentes con roles, objetivos, herramientas y tareas. Es útil cuando el flujo se entiende como un equipo de especialistas.

Bueno para:

Prototipos rápidos.
Investigación y redacción.
Flujos analista/revisor.
Automatización interna sin máquina de estados estricta.

Cuidado con:

El estado complejo necesita estructura extra.
Producción requiere logs y guardrails explícitos.
Los roles vagos fallan si no se prueban con casos reales.

AutoGen

AutoGen sirve para sistemas multiagente conversacionales, especialmente experimentos con planner, coder, reviewer y supervisión humana.

Bueno para:

Prototipos de investigación.
Experimentos de generación de código.
Discusiones multiagente.
Automatización supervisada.

Cuidado con:

Los bucles de conversación deben acotarse.
Producción exige timeouts, presupuestos y controles de herramientas.
Su estilo puede sentirse más de investigación que de motor de workflows.

Dify

Dify es más una plataforma de aplicaciones AI que un framework solo de código. Ofrece diseño visual, knowledge base, gestión de modelos y publicación de apps.

Bueno para:

Asistentes internos de conocimiento.
Prototipos low-code.
Equipos donde no ingenieros ajustan workflows.
Apps AI sin construir toda la infraestructura.

Cuidado con:

Low-code puede ocultar lógica compleja.
Personalización profunda puede requerir salir del workflow visual.
Governance, promoción y versionado deben planearse temprano.

Semantic Kernel

Semantic Kernel encaja con equipos Microsoft, Azure y .NET. Ofrece skills/plugins, conectores, planners y orquestación.

Bueno para:

-.NET services.

Integración empresarial.
Equipos en Azure.
Patrones estructurados de plugins.

Cuidado con:

Equipos Python-first pueden preferir otros ecosistemas.
Los planners aún requieren pruebas y guardrails.

Pydantic AI

Pydantic AI atrae a equipos Python que quieren inputs tipados, outputs validados e interfaces previsibles.

Bueno para:

Servicios Python tipados.
Outputs estructurados.
Lógica de negocio con mucha validación.
Equipos que ya usan Pydantic.

Cuidado con:

Tal vez debas construir más infraestructura alrededor.
Para workflows visuales u orquestación multiagente compleja, otros encajan mejor.

Matriz de comparación

Dimensión	LangGraph	CrewAI	AutoGen	Dify	Semantic Kernel	Pydantic AI
Estilo principal	Grafo	Roles/tareas	Conversación	Plataforma low-code	Plugin/planner	Python tipado
Control de estado	Alto	Medio	Medio	Medio	Medio	Medio
Human-in-loop	Alto	Medio	Alto	Medio	Medio	Depende
Workflow visual	No	No	No	Sí	No	No
Flexibilidad code-first	Alta	Alta	Alta	Media	Alta	Alta
Empaquetado empresarial	Medio	Medio	Medio	Alto	Alto	Medio
Seguridad de tipos	Media	Media	Media	Baja/media	Media	Alta

Checklist de producción

Punto	Qué verificar
Permisos de herramientas	Qué herramientas puede llamar el agente y con qué identidad
Persistencia	Si el workflow se reanuda tras reinicio o timeout
Aprobación humana	Si acciones riesgosas pueden pausar
Observabilidad	Prompts, outputs, tools, errores y costos trazables
Evaluación	Casos reproducibles y comparación entre modelos
Presupuesto	Límites de tokens, herramientas y bucles
Despliegue	Versionado y rollback seguro
Seguridad	Secrets, datos de usuario y salidas aisladas

Guía de decisión

Elige LangGraph si necesitas control explícito, estado, recuperación y aprobaciones.

Elige CrewAI si quieres una abstracción rápida de roles y tareas para investigación, escritura o análisis.

Elige AutoGen si la conversación entre agentes es central.

Elige Dify si quieres una app AI tipo producto rápido y no ingenieros deben configurar flujos.

Elige Semantic Kernel si .NET, Azure, plugins y conectores son centrales.

Elige Pydantic AI si quieres código Python tipado, outputs estructurados y validación.

Errores comunes

Elegir la mejor demo

Las demos esconden reintentos, permisos, evaluación, costos y entradas malas. Prueba casos reales de fallo.

Ignorar estado

Muchos bugs de agentes son bugs de estado. Si hay aprobaciones, reintentos o pasos múltiples, el estado debe ser explícito.

Dar demasiado poder a herramientas

El acceso debe estar acotado. Un agente de soporte no necesita escritura libre en base de datos.

Saltar evaluación

Cambios de prompt, modelo o herramienta pueden romper comportamiento. Mantén ejemplos reproducibles y checks.

Abusar de multiagente

No todo requiere varios agentes. Un flujo determinista con una llamada de modelo y una herramienta suele ser más fácil de operar.

Plan de evaluación

Implementa el mismo flujo pequeño en dos o tres frameworks:

Clasificar una solicitud.
Recuperar contexto.
Llamar una herramienta read-only.
Pausar antes de una escritura.
Reanudar tras aprobación.
Registrar llamadas de modelo y herramientas.
Reproducir cinco casos de prueba.

El framework que lo haga más fácil para tu equipo suele ser la mejor opción de producción.

Resumen

En producción, la elección depende menos de popularidad y más de ajuste operativo. LangGraph destaca en flujos con estado, CrewAI en colaboración por roles, AutoGen en experimentos conversacionales, Dify en apps low-code, Semantic Kernel en integración Microsoft y Pydantic AI en servicios Python tipados. Elige lo que facilite fallos, observabilidad, aprobación humana y pruebas en tu entorno.