SDKs de agentes de IA em 2026: o framework é grátis, a decisão é sua

Se 2024 foi o ano dos chatbots e 2025 o ano do RAG, 2026 é definitivamente o ano dos agentes de IA. E a boa notícia acompanha a tendência das APIs gratuitas: todos os principais frameworks de agentes são open-source, com licenças MIT ou Apache 2.0, e custo zero de licenciamento. O que você paga é o consumo de tokens do LLM — e, como vimos, até isso pode ser gratuito combinando provedores como Groq, OpenRouter e Cerebras. Este artigo mapeia o ecossistema de SDKs para desenvolvimento de agentes em meados de 2026, com análise técnica, tabela comparativa e código pronto para colar.

O mercado consolidou: poucos vencedores, padrões abertos

Depois de dois anos de explosão cambriana, o mercado de frameworks de agentes se consolidou em torno de poucas opções maduras. Em Python, LangGraph virou o padrão de produção para workflows complexos com estado, CrewAI domina a prototipagem multiagente rápida, e os SDKs dos próprios laboratórios (OpenAI Agents SDK, Claude Agent SDK, Google ADK) ganharam tração em stacks de modelo único. Em TypeScript, Mastra emergiu como o framework nativo mais completo e o Vercel AI SDK reina em interfaces de chat com streaming.

Dois movimentos estruturais mudaram o jogo. Primeiro, a Microsoft moveu o AutoGen para modo de manutenção, unificando-o com o Semantic Kernel no Microsoft Agent Framework 1.0 (GA em abril de 2026, com APIs estáveis para .NET e Python). Segundo, os protocolos MCP (Model Context Protocol) e A2A (Agent-to-Agent) foram doados à Linux Foundation e viraram padrões interoperáveis: um agente construído em Google ADK pode descobrir e invocar um agente LangGraph ou CrewAI. Na prática, isso significa que trocar de framework deixou de ser uma reescrita e virou uma refatoração — o lock-in caiu junto com a barreira de custo.

Python: LangGraph para produção, CrewAI para velocidade

O LangGraph (MIT, ~26 mil estrelas) modela agentes como um grafo dirigido cíclico: nós são funções ou chamadas de LLM, arestas definem o fluxo de controle. Isso entrega o que produção empresarial exige — estado tipado, checkpoints duráveis (SQLite, Postgres), retomada automática após falhas, time-travel debugging e human-in-the-loop. Klarna, Replit, Uber e LinkedIn rodam LangGraph em produção. O preço é a curva de aprendizado: um agente ReAct simples leva ~120 linhas, contra ~40 em frameworks minimalistas. A versão 1.0 estabilizou a API, com compromisso de não quebrar compatibilidade até a 2.0.

O CrewAI (MIT, ~53 mil estrelas) ataca pelo lado oposto: abstração baseada em papéis. Você define agentes com role, goal e backstory, monta uma "crew" (pesquisador → escritor → revisor) e tem um protótipo multiagente funcional em uma tarde, com ~20 linhas de código. A empresa reporta uso por 63% da Fortune 500. As fraquezas aparecem em escala: observabilidade limitada, retry pouco configurável e execução sequencial por padrão. O caminho típico é prototipar em CrewAI e migrar para LangGraph quando o workflow exigir roteamento condicional e auditoria.

Entre os SDKs de laboratório, o OpenAI Agents SDK (MIT, sucessor do experimental Swarm) se destaca pela API mínima — Agents, Handoffs, Guardrails e Tracing — e funciona com qualquer endpoint compatível com a API OpenAI, incluindo Groq, OpenRouter, Ollama e vLLM. Ou seja: dá para rodar um sistema multiagente inteiro sobre Llama 3.3 70B gratuito no Groq, mudando apenas base_url e api_key. Já o Claude Agent SDK expõe o mesmo harness que alimenta o Claude Code, com acesso a filesystem, shell, subagentes e a integração MCP mais profunda do mercado — a escolha natural para agentes de código e automação de sistema operacional. Para quem valoriza type safety, o Pydantic AI (MIT) traz a "sensação FastAPI" para agentes: saídas estruturadas validadas com retry automático em falha de validação. E para protótipos e pesquisa, o smolagents da Hugging Face (Apache 2.0, ~1.000 linhas de lógica central) implementa Code Agents que escrevem Python em vez de JSON para chamar ferramentas.

TypeScript: Mastra e Vercel AI SDK dividem o trono

O ecossistema JS/TS deixou de ser cidadão de segunda classe. O Mastra (Apache 2.0, ~22 mil estrelas, da equipe fundadora do Gatsby) combina agentes estilo ReAct, motor de workflows em grafo com operadores .then(), .branch() e .parallel() (o equivalente TS do LangGraph), memória persistente, RAG, MCP e validação com Zod. O comando mastra dev sobe um playground local com Swagger UI — uma experiência de desenvolvimento que o LangGraph não iguala. Replit, PayPal e Brex usam em produção. O Vercel AI SDK (Apache 2.0, o SDK de IA mais baixado do npm) continua imbatível para UIs de chat: hooks useChat que gerenciam streaming automaticamente e roteamento para 25+ provedores. A combinação vencedora em 2026 é Mastra para orquestração + Vercel AI SDK para a interface. O LangGraph.js existe, mas historicamente fica de 4 a 8 semanas atrás da versão Python a cada release.

Mapa rápido dos frameworks

Seu primeiro agente em cinco minutos — de graça

A sinergia entre frameworks open-source e APIs gratuitas é o ponto onde tudo se conecta. Como o OpenAI Agents SDK aceita qualquer endpoint OpenAI-compatible, dá para construir um agente com ferramentas rodando 100% gratuito sobre o free tier do Groq (14.400 requisições/dia no Llama 3.1 8B, sem cartão). Instale as dependências:

pip install openai-agents python-dotenv

E cole o agente mínimo com uma ferramenta de busca de clima fictícia, apontando para o Groq via 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)

O loop agêntico inteiro — o modelo decide chamar a ferramenta, recebe o resultado e formula a resposta final — acontece em segundos e custa zero. Para multiagente em CrewAI, a mesma lógica se aplica: defina LLM(model="groq/llama-3.3-70b-versatile") e monte sua crew. E lembre das mesmas boas práticas das APIs: chaves no .env (nunca no Git), limites de gasto habilitados, e atenção redobrada com agentes que executam código ou shell — sandbox não é opcional em produção.

Quando vale pagar: a camada empresarial

A regra do mercado em 2026 é clara: o framework é gratuito; você paga pela camada de operação — observabilidade gerenciada, deploy, segurança e compliance. O LangSmith tem tier gratuito de 5.000 traces/mês e plano Plus a US$ 39/seat/mês; a alternativa open-source Langfuse (MIT, self-hostável) entrega o essencial por ~1/3 do custo. O CrewAI Enterprise vai de US$ 25/mês até contratos de ~US$ 75-90 mil/ano com SOC2, HIPAA e SSO — e o consumo de LLM tipicamente supera a licença em 2-3x. Nas nuvens, AWS Bedrock AgentCore (US$ 0,0895 por vCPU-hora, cobrando só CPU consumida), Azure AI Foundry (integração nativa com Microsoft 365) e Vertex AI Agent Builder (grounding com Google Search) são todos agnósticos de framework: você roda seu LangGraph ou CrewAI em cima deles. A escolha certa é simplesmente a nuvem onde seus dados já moram. Pague quando custos de falha, auditoria ou compliance superarem o esforço de construir essa infraestrutura internamente — antes disso, open-source + Langfuse resolve.

O framework certo é o que resolve seu problema com menos código

A mesma lógica da democratização das APIs vale para os SDKs de agentes: a barreira não é mais custo nem acesso, é apenas decisão. Workflow complexo e auditável? LangGraph. Protótipo multiagente numa tarde? CrewAI. Stack TypeScript? Mastra. Agente de código? Claude Agent SDK. Triagem simples sobre API OpenAI-compatible? OpenAI Agents SDK. Em todos os casos, adote MCP para ferramentas e A2A para comunicação entre agentes desde o início — são esses padrões abertos que tornam a decisão reversível. Comece com a opção mais simples que funciona, gaste 80% do tempo em prompts e definição de ferramentas (não na escolha do framework), e incorpore avaliação e observabilidade desde o dia um. O código do seu primeiro agente cabe em vinte linhas e roda de graça. Resta apenas começar.