Frameworks para agentes de IA

Qué es un framework de agentes IA

Un framework de agentes IA es el conjunto de herramientas, bibliotecas y abstracciones que permite conectar un modelo de lenguaje (LLM) con el mundo real: bases de datos, APIs externas, terminales, navegadores y cualquier sistema que pueda ejecutar acciones. Sin un framework, el modelo solo puede generar texto. Con un framework, el modelo puede planificar, actuar, observar el resultado y replantear su estrategia hasta completar una tarea compleja de principio a fin.

El término "framework" agrupa categorías muy distintas. Hay herramientas de ejecución local que descargan y sirven modelos en tu propio hardware (Ollama, LLM Studio); CLIs de agente que convierten al propio LLM en un asistente de terminal capaz de editar código y ejecutar comandos (Claude Code); frameworks Python de orquestación multi-agente que permiten definir equipos de especialistas con roles diferenciados (CrewAI, LangChain, LlamaIndex, Pydantic AI); plataformas de despliegue que abstraen la infraestructura y permiten servir agentes en producción con un par de clics (OpenClaw, Hermes Agent); y protocolos estándar que hacen que cualquier agente pueda hablar con cualquier herramienta sin integraciones ad-hoc (MCP).

Por qué importa elegir bien el framework

La elección del framework no es solo una decisión técnica: condiciona la velocidad de iteración, el coste de infraestructura, la facilidad de mantenimiento y los límites de lo que tu agente puede hacer. Un equipo que elige LangChain cuando solo necesita ejecutar modelos en local va a cargar con cientos de dependencias innecesarias. Un equipo que elige Ollama cuando necesita orquestación multi-agente va a reescribir desde cero toda la lógica de planificación.

A mayo de 2026, el ecosistema de frameworks ha madurado significativamente. Ollama superaba las 171.000 estrellas en GitHub y se había convertido en el estándar de facto para ejecutar modelos en local. CrewAI rondaba las 50.000 estrellas tras dos años de crecimiento explosivo. LangChain, a pesar de su complejidad, seguía siendo el más utilizado en proyectos de producción gracias a su ecosistema de integraciones. Y Claude Code había democratizado la figura del agente de terminal entre los desarrolladores individuales.

Las cinco dimensiones para evaluar un framework

Antes de entrar en la comparativa, conviene entender las dimensiones que realmente importan a la hora de elegir:

• Abstracción vs. control. Los frameworks más opinados (CrewAI, Hermes Agent) te dan una estructura predefinida que acelera el desarrollo pero limita la personalización. Los más primitivos (LangChain en modo bajo nivel, Pydantic AI) exigen más código pero permiten arquitecturas arbitrarias. Elige según la singularidad de tu caso de uso.
• Lenguaje y ecosistema. Python domina el espacio de agentes IA por su ecosistema científico. Pero TypeScript es la opción natural si tu stack es Node.js (Mastra, OpenClaw). PHP puede integrar agentes a través de APIs REST, pero los frameworks nativos de orquestación son escasos.
• Local vs. cloud. Si la privacidad de los datos es crítica, necesitas ejecución local: Ollama o LLM Studio para los modelos, y un framework que soporte conexión a endpoints OpenAI-compatibles. Si puedes usar cloud, el abanico de modelos disponibles se amplía.
• Agente único vs. multi-agente. Para tareas lineales, un agente único con acceso a herramientas es suficiente y mucho más fácil de depurar. Para tareas que requieren especialización paralela (investigación + redacción + revisión, por ejemplo), un sistema multi-agente como CrewAI o OpenSwarm multiplica la capacidad pero también la complejidad.
• Coste operativo. Ejecutar 100.000 llamadas a GPT-5 cuesta decenas de veces más que ejecutar el mismo volumen con un modelo de 8B parámetros en local. El framework determina si puedes cambiar de modelo con un solo parámetro o si eso requiere reescribir toda la capa de integración.

El papel del protocolo MCP en el ecosistema

Merece mención especial el Model Context Protocol (MCP), el estándar abierto propuesto por Anthropic que define cómo los modelos se conectan con herramientas externas de forma estandarizada. MCP no es un framework de orquestación sino un protocolo de comunicación, pero su adopción creciente lo convierte en una pieza transversal: Claude Code lo usa como mecanismo de extensión, y cada vez más frameworks Python están añadiendo soporte nativo. Si tu agente va a integrarse con múltiples herramientas de terceros, entender MCP antes de elegir framework te ahorrará trabajo de integración significativo.

Con este contexto en mente, pasamos a la comparativa y al directorio completo de frameworks.