SDKs de agentes de IA en 2026: el framework es gratis, la decisión es tuya

Si 2024 fue el año de los chatbots y 2025 el año del RAG, 2026 es definitivamente el año de los agentes de IA. Y la buena noticia acompaña la tendencia de las APIs gratuitas: todos los principales frameworks de agentes son open-source, con licencias MIT o Apache 2.0, y costo cero de licenciamiento. Lo que pagas es el consumo de tokens del LLM — y, como vimos, hasta eso puede ser gratuito combinando proveedores como Groq, OpenRouter y Cerebras. Este artículo mapea el ecosistema de SDKs para desarrollo de agentes a mediados de 2026, con análisis técnico, tabla comparativa y código listo para copiar.

El mercado se consolidó: pocos ganadores, estándares abiertos

Después de dos años de explosión cámbrica, el mercado de frameworks de agentes se consolidó en torno a pocas opciones maduras. En Python, LangGraph se volvió el estándar de producción para workflows complejos con estado, CrewAI domina la prototipación multiagente rápida, y los SDKs de los propios laboratorios (OpenAI Agents SDK, Claude Agent SDK, Google ADK) ganaron tracción en stacks de modelo único. En TypeScript, Mastra emergió como el framework nativo más completo y el Vercel AI SDK reina en interfaces de chat con streaming.

Dos movimientos estructurales cambiaron el juego. Primero, Microsoft movió el AutoGen a modo de mantenimiento, unificándolo con el Semantic Kernel en el Microsoft Agent Framework 1.0 (GA en abril de 2026, con APIs estables para .NET y Python). Segundo, los protocolos MCP (Model Context Protocol) y A2A (Agent-to-Agent) fueron donados a la Linux Foundation y se volvieron estándares interoperables: un agente construido en Google ADK puede descubrir e invocar un agente LangGraph o CrewAI. En la práctica, esto significa que cambiar de framework dejó de ser una reescritura y se volvió una refactorización — el lock-in cayó junto con la barrera de costo.

Python: LangGraph para producción, CrewAI para velocidad

El LangGraph (MIT, ~26 mil estrellas) modela agentes como un grafo dirigido cíclico: los nodos son funciones o llamadas de LLM, las aristas definen el flujo de control. Esto entrega lo que la producción empresarial exige — estado tipado, checkpoints duraderos (SQLite, Postgres), reanudación automática tras fallas, time-travel debugging y human-in-the-loop. Klarna, Replit, Uber y LinkedIn corren LangGraph en producción. El precio es la curva de aprendizaje: un agente ReAct simple lleva ~120 líneas, contra ~40 en frameworks minimalistas. La versión 1.0 estabilizó la API, con compromiso de no romper compatibilidad hasta la 2.0.

El CrewAI (MIT, ~53 mil estrelas) ataca por el lado opuesto: abstracción basada en roles. Definís agentes con role, goal y backstory, armás una "crew" (investigador → escritor → revisor) y tenés un prototipo multiagente funcional en una tarde, con ~20 líneas de código. La empresa reporta uso por el 63% de la Fortune 500. Las debilidades aparecen en escala: observabilidad limitada, retry poco configurable y ejecución secuencial por defecto. El camino típico es prototipar en CrewAI y migrar a LangGraph cuando el workflow exija ruteo condicional y auditoría.

Entre los SDKs de laboratorio, el OpenAI Agents SDK (MIT, sucesor del experimental Swarm) se destaca por la API mínima — Agents, Handoffs, Guardrails y Tracing — y funciona con cualquier endpoint compatible con la API de OpenAI, incluyendo Groq, OpenRouter, Ollama y vLLM. Es decir: se puede correr un sistema multiagente entero sobre Llama 3.3 70B gratuito en Groq, cambiando solo base_url y api_key. Ya el Claude Agent SDK expone el mismo harness que alimenta el Claude Code, con acceso a filesystem, shell, subagentes y la integración MCP más profunda del mercado — la elección natural para agentes de código y automatización de sistema operativo. Para quien valora type safety, el Pydantic AI (MIT) trae la "sensación FastAPI" para agentes: salidas estructuradas validadas con retry automático en falla de validación. Y para prototipos e investigación, el smolagents de Hugging Face (Apache 2.0, ~1.000 líneas de lógica central) implementa Code Agents que escriben Python en vez de JSON para llamar herramientas.

TypeScript: Mastra y Vercel AI SDK se reparten el trono

El ecosistema JS/TS dejó de ser ciudadano de segunda clase. El Mastra (Apache 2.0, ~22 mil estrelas, del equipo fundador de Gatsby) combina agentes estilo ReAct, motor de workflows en grafo con operadores .then(), .branch() y .parallel() (el equivalente TS de LangGraph), memoria persistente, RAG, MCP y validación con Zod. El comando mastra dev levanta un playground local con Swagger UI — una experiencia de desarrollo que el LangGraph no iguala. Replit, PayPal y Brex usan en producción. El Vercel AI SDK (Apache 2.0, el SDK de IA más descargado del npm) sigue imbatible para UIs de chat: hooks useChat que manejan streaming automáticamente y ruteo para 25+ proveedores. La combinación ganadora en 2026 es Mastra para orquestación + Vercel AI SDK para la interfaz. El LangGraph.js existe, pero históricamente va de 4 a 8 semanas detrás de la versión Python en cada release.

Mapa rápido de los frameworks

Tu primer agente en cinco minutos — gratis

La sinergia entre frameworks open-source y APIs gratuitas es el punto donde todo se conecta. Como el OpenAI Agents SDK acepta cualquier endpoint OpenAI-compatible, se puede construir un agente con herramientas corriendo 100% gratuito sobre el free tier de Groq (14.400 requisiciones/día en Llama 3.1 8B, sin tarjeta). Instala las dependencias:

pip install openai-agents python-dotenv

Y pega el agente mínimo con una herramienta de búsqueda de clima ficticia, apuntando a Groq vía base_url:

import osfrom dotenv import load_dotenvfrom agents import Agent, Runner, function_toolfrom agents.extensions.models.litellm_model import LitellmModelload_dotenv()@function_tooldef clima(cidade: str) -> str:    """Retorna o clima atual de uma cidade."""    return f"Em {cidade}: 24°C, parcialmente nublado."agente = Agent(    name="Assistente",    instructions="Responda em português, de forma direta.",    model=LitellmModel(        model="groq/llama-3.3-70b-versatile",        api_key=os.environ["GROQ_API_KEY"],    ),    tools=[clima],)resultado = Runner.run_sync(agente, "Como está o tempo em Petrópolis?")print(resultado.final_output)

El loop agéntico completo — el modelo decide llamar la herramienta, recibe el resultado y formula la respuesta final — sucede en segundos y cuesta cero. Para multiagente en CrewAI, la misma lógica aplica: define LLM(model="groq/llama-3.3-70b-versatile") y arma tu crew. Y recuerda las mismas buenas prácticas de las APIs: claves en .env (nunca en Git), límites de gasto habilitados, y atención redoblada con agentes que ejecutan código o shell — sandbox no es opcional en producción.

Cuándo vale pagar: la capa empresarial

La regla del mercado en 2026 es clara: el framework es gratuito; pagas por la capa de operación — observabilidad gestionada, deploy, seguridad y compliance. El LangSmith tiene tier gratuito de 5.000 traces/mes y plan Plus a US$ 39/seat/mes; la alternativa open-source Langfuse (MIT, self-hosteable) entrega lo esencial por ~1/3 del costo. El CrewAI Enterprise va de US$ 25/mes hasta contratos de ~US$ 75-90 mil/año con SOC2, HIPAA y SSO — y el consumo de LLM típicamente supera la licencia en 2-3x. En las nubes, AWS Bedrock AgentCore (US$ 0,0895 por vCPU-hora, cobrando solo CPU consumida), Azure AI Foundry (integración nativa con Microsoft 365) y Vertex AI Agent Builder (grounding con Google Search) son todos agnósticos de framework: corres tu LangGraph o CrewAI sobre ellos. La elección correcta es simplemente la nube donde ya viven tus datos. Paga cuando costos de falla, auditoría o compliance superen el esfuerzo de construir esa infraestructura internamente — antes de eso, open-source + Langfuse resuelve.

El framework correcto es el que resuelve tu problema con menos código

La misma lógica de la democratización de las APIs vale para los SDKs de agentes: la barrera ya no es costo ni acceso, es solo decisión. ¿Workflow complejo y auditable? LangGraph. ¿Prototipo multiagente en una tarde? CrewAI. ¿Stack TypeScript? Mastra. ¿Agente de código? Claude Agent SDK. ¿Triaje simple sobre API OpenAI-compatible? OpenAI Agents SDK. En todos los casos, adopte MCP para herramientas y A2A para comunicación entre agentes desde el inicio — son estos patrones abiertos los que hacen reversible la decisión. Empiece con la opción más simple que funcione, gaste el 80% del tiempo en prompts y definición de herramientas (no en la elección del framework), e incorpore evaluación y observabilidad desde el día uno. El código de tu primer agente cabe en veinte líneas y corre gratis. Solo queda empezar.