Comparação de frameworks de agentes AI: LangGraph, CrewAI, AutoGen, Dify, Semantic Kernel e Pydantic AI

Recomendação rápida

Não existe um melhor framework universal de agentes AI. A escolha depende do controle necessário sobre estado, ferramentas, revisão humana, deploy e observabilidade.

Necessidade	Bom candidato	Por quê
Workflows com estado em produção	LangGraph	Fluxo em grafo, persistência, streaming, human-in-the-loop
Protótipos multiagente por papéis	CrewAI	Modelo simples: agents, tasks, crews, processes
Experimentos multiagente conversacionais	AutoGen	Modelo forte de conversa entre agentes
Apps AI empresariais low-code	Dify	Workflow visual, base de conhecimento, publicação, gestão de modelos
Ecossistema .NET/Microsoft	Semantic Kernel	Skills/plugins, planners, conectores
Agentes Python tipados	Pydantic AI	Entradas/saídas tipadas e validadas

Para produção, avalie falhas, visibilidade de estado, permissões de ferramentas, deploy e testabilidade. Demo bonita não basta.

Como comparar

Um framework de agentes não é só um wrapper de prompt. Em produção, ele precisa responder:

Como o estado é representado e persistido?
Como ferramentas são definidas, autorizadas, repetidas e auditadas?
Uma pessoa pode aprovar ou editar ações importantes?
O workflow retoma após crash ou timeout?
Chamadas de modelo, ferramentas e decisões são rastreáveis?
Dá para testar sem gastar orçamento real de modelo?
Workflows podem ser versionados e revertidos?

Perfis

LangGraph / LangChain

LangGraph é forte quando o workflow tem estado e precisa de controle explícito. Ele modela o agente como grafo de nós e arestas, facilitando ramificações, retries, revisões e fluxos longos.

Bom para:

Agentes de suporte com escalonamento.
RAG com roteamento e fallback.
Ferramentas internas multi-etapa.
Workflows com persistência e aprovação humana.

Atenção:

Mais conceitos que chains simples.
Grafos podem ficar complexos.
Tracing e fixtures de teste devem vir cedo.

CrewAI

CrewAI foca colaboração por papéis. Você define agentes com papéis, objetivos, ferramentas e tarefas.

Bom para:

Protótipos rápidos.
Pesquisa e escrita.
Fluxos de analista/revisor.
Automação interna sem máquina de estados rígida.

Atenção:

Estado complexo precisa de estrutura extra.
Produção exige logs e guardrails.
Papéis vagos precisam ser testados com casos reais.

AutoGen

AutoGen é útil para sistemas multiagente conversacionais, especialmente com planner, coder, reviewer e supervisão humana.

Bom para:

Protótipos de pesquisa.
Experimentos de geração de código.
Discussões multiagente.
Automação supervisionada.

Atenção:

Loops de conversa precisam de limites.
Timeouts, orçamento e ferramentas precisam de controle.
O estilo pode parecer mais de pesquisa que de motor de workflow.

Dify

Dify é mais plataforma de aplicação AI que framework só de código. Ele oferece workflow visual, knowledge base, gestão de modelos e publicação de apps.

Bom para:

Assistentes internos de conhecimento.
Protótipos low-code.
Equipes onde não engenheiros ajustam fluxos.
Apps AI sem construir toda infraestrutura.

Atenção:

Low-code pode esconder lógica complexa.
Customização profunda pode exigir código.
Governança, promoção e versionamento devem ser planejados cedo.

Semantic Kernel

Semantic Kernel combina com equipes Microsoft, Azure e .NET. Oferece skills/plugins, conectores, planners e orquestração.

Bom para:

Serviços .NET.
Integração empresarial.
Equipes em Azure.
Padrões estruturados de plugin.

Atenção:

Equipes Python-first podem preferir outros ecossistemas.
Planners ainda precisam de testes e guardrails.

Pydantic AI

Pydantic AI atrai equipes Python que querem entradas tipadas, saídas validadas e interfaces previsíveis.

Bom para:

Serviços Python tipados.
Saídas estruturadas.
Lógica de negócio com muita validação.
Equipes que já usam Pydantic.

Atenção:

Você talvez monte mais infraestrutura ao redor.
Para workflows visuais ou orquestração complexa, outras opções podem servir melhor.

Matriz

Dimensão	LangGraph	CrewAI	AutoGen	Dify	Semantic Kernel	Pydantic AI
Estilo	Grafo	Papéis/tarefas	Conversa	Low-code	Plugin/planner	Python tipado
Controle de estado	Forte	Médio	Médio	Médio	Médio	Médio
Human-in-loop	Forte	Médio	Forte	Médio	Médio	Depende
Workflow visual	Não	Não	Não	Sim	Não	Não
Flexibilidade code-first	Alta	Alta	Alta	Média	Alta	Alta
Empacotamento empresarial	Médio	Médio	Médio	Forte	Forte	Médio
Tipagem	Média	Média	Média	Baixa/média	Média	Forte

Checklist de produção

Item	Verificar
Permissões de ferramentas	Quais ferramentas, argumentos e identidade
Persistência	Retomada após reinício ou timeout
Aprovação humana	Pausa para ações arriscadas
Observabilidade	Prompts, saídas, ferramentas, erros, custos
Avaliação	Reproduzir casos e comparar saídas
Orçamento	Limites de tokens, ferramentas e loops
Deploy	Versionamento e rollback
Segurança	Secrets, dados de usuário e saídas isolados

Guia de decisão

Escolha LangGraph se estado, recuperação, controle explícito e aprovações importam.

Escolha CrewAI se um modelo de papéis/tarefas serve para pesquisa, escrita ou análise.

Escolha AutoGen se a conversa entre agentes é central.

Escolha Dify se você quer uma app AI rapidamente e não engenheiros precisam configurar fluxos.

Escolha Semantic Kernel se .NET, Azure, plugins e conectores são centrais.

Escolha Pydantic AI se você quer Python tipado, saídas estruturadas e validação.

Erros comuns

Escolher a melhor demo

Demos escondem retries, permissões, avaliação, custos e entradas ruins. Teste falhas reais.

Ignorar estado

Muitos bugs de agentes são bugs de estado. Se há aprovações, retries ou múltiplas etapas, torne o estado explícito.

Dar poder demais às ferramentas

Acesso deve ser limitado. Um agente de suporte não precisa escrita livre no banco.

Pular avaliação

Prompts, modelos e ferramentas mudam. Mantenha exemplos reproduzíveis e checks automáticos.

Usar multiagente demais

Nem todo problema precisa de vários agentes. Um fluxo determinístico com uma chamada de modelo e uma ferramenta costuma ser mais simples.

Plano de avaliação

Implemente o mesmo fluxo pequeno em dois ou três frameworks:

Classificar uma solicitação.
Recuperar contexto.
Chamar uma ferramenta read-only.
Pausar antes de escrita.
Retomar após aprovação.
Logar chamadas de modelo e ferramentas.
Reproduzir cinco casos.

O framework que deixa isso mais simples para sua equipe geralmente é a melhor escolha.

Resumo

Em produção, a escolha depende menos de popularidade e mais de ajuste operacional. LangGraph é forte para workflows explícitos com estado, CrewAI para colaboração por papéis, AutoGen para experimentos conversacionais, Dify para apps low-code, Semantic Kernel para integração Microsoft e Pydantic AI para serviços Python tipados. Escolha o que simplifica falhas, observabilidade, aprovação humana e testes no seu ambiente.