Die besten Open-Source-Frameworks für AI Agents 2026: 15 Frameworks für Teams, die ihren Stack selbst in der Hand behalten wollen

Das beste Open-Source-Framework für AI Agents 2026 hängt mehr von Ihrer Lizenztoleranz und Ihrer Laufzeitumgebung ab als von jeder Feature-Checkliste: LangGraph und CrewAI führen bei produktiven Python-Deployments, Mastra und Flowise führen, wenn Ihr Team in TypeScript zu Hause ist, und Dify deckt die breiteste Fläche ab, wenn Sie statt einer Code-Bibliothek eine selbst gehostete Anwendung wollen. Dieser Leitfaden rankt 15 Frameworks, die wirklich Open Source sind (öffentliches Repository, echte Lizenz, auf der eigenen Infrastruktur selbst hostbar) und nicht nur kostenlos zum Ausprobieren, und er benennt die wenigen, die statt unter einer rein permissiven Lizenz unter einer Open-Core- oder Source-Available-Lizenz erscheinen.

Die falsche Wahl kostet hier mehr als das falsche SaaS-Tool. Sie wählen eine Abstraktion, gegen die Ihre Entwickler Tausende Codezeilen schreiben, und der Wechsel weg von einer graphbasierten Orchestrierungsschicht nach sechs Monaten ist ein Projekt von mehreren Wochen, kein erneuter Export. Jeder Eintrag unten wird anhand seiner tatsächlichen LICENSE-Datei, der aktuellen GitHub-Aktivität, der Sprachunterstützung, des Zustands- und Dauerhaftigkeitsmodells und, wo vorhanden, der Preise für die gehostete Variante bewertet, alles im August 2026 anhand der eigenen Seiten und Repositories des Anbieters geprüft. Stand August 2026. Wenn Sie noch zwischen einem selbst gehosteten Framework und einem verwalteten Produkt schwanken, deckt unsere Übersicht die besten AI-Agentenplattformen die gesamte Landschaft ab, in der beide Seiten zu Hause sind.

Wichtige Fakten

• Mehr als 1,1 Millionen öffentliche GitHub-Repositories importieren inzwischen ein LLM-SDK, ein Plus von 178 % gegenüber dem Vorjahr, davon etwa 694.000 allein in den vergangenen 12 Monaten angelegt, laut GitHubs Octoverse-Report 2025.
• 57 % der Organisationen berichten, dass AI Agents bei ihnen im Produktivbetrieb laufen, laut der Umfrage State of Agent Engineering von LangChain unter 1.340 Praktikern (18. November bis 2. Dezember 2025), obwohl nur 52,4 % Offline-Evaluierungen gegen diesen Traffic durchführen.
• Gartner prognostiziert, dass mehr als 40 % der Agentic-AI-Projekte bis Ende 2027 wegen unklarem ROI und schwacher Governance eingestellt werden, und schätzt, dass nur etwa 130 der Tausenden selbsternannten Agentic-AI-Anbieter das Echte liefern.
• Der Anteil von Open-Source-Modellen an der LLM-Nutzung in Unternehmen sank 2025 auf 11 %, nach 19 % im Jahr 2024, obwohl sich die gesamten Unternehmensausgaben für generative AI auf rund $37 Milliarden etwa verdreifachten, laut Menlo Ventures.
• AI Agents sprangen im Jahr bis Anfang 2026 bei OSWorld, dem Benchmark für echte Computer-Use-Aufgaben, von rund 12 % auf 66,3 % Aufgabenerfolg, laut Stanford HAIs AI Index.

Was sich bei Open-Source-Frameworks für AI Agents in diesem Jahr geändert hat

• Microsoft hat AutoGen und Semantic Kernel zum Microsoft Agent Framework zusammengeführt, das am 3. April 2026 allgemein verfügbar wurde. Beide Legacy-Repositories befinden sich nun offiziell im Wartungsmodus.
• AG2, der Community-Fork von AutoGen, der nach einer Governance-Spaltung 2024 entstand, entwickelte sich unabhängig unter Apache-2.0 weiter und arbeitet auf ein 1.0-Release hin.
• OpenAI stellt die Assistants API am 26. August 2026 ein. Wenn Sie neu bauen, nutzen Sie das hier behandelte Agents SDK, nicht die ältere Assistants API.
• CrewAI hat seine kommerzielle Preisgestaltung auf zwei öffentliche Stufen vereinfacht (kostenloses AMP Basic und individuelles Enterprise), nachdem es kurz einen Self-Serve-Tarif Professional angeboten hatte.
• IBM hat die Übernahme von DataStax im Mai 2025 abgeschlossen, womit Langflow nun im Umfeld von IBMs watsonx liegt.
• Workday hat FlowiseAI im August 2025 übernommen und den visuellen Builder in seine Roadmap für Enterprise-Agents in HR und Finanzen eingegliedert.

Schnellvergleich

Nutzen Sie diese Tabelle für eine Vorauswahl nach Lizenz und Sprache, bevor Sie die Details zu Lizenz und Self-Hosting unten lesen.

Wie Sie „Open Source“ hier lesen: der Lizenz-Realitätscheck

Nicht alles, was im Agent-Umfeld als „Open Source“ firmiert, gewährt dieselben Rechte, und genau dieses Detail überspringen die meisten Übersichten. Eine von der OSI anerkannte Lizenz (MIT, Apache-2.0) schränkt nicht ein, wie Sie den Code nutzen, ändern oder weiterverkaufen. Eine Source-Available- oder Open-Core-Lizenz veröffentlicht den Code, behält dem Anbieter aber ein bestimmtes Recht vor, meist das Recht, ihn als eigenes gehostetes SaaS weiterzuverkaufen. Dieser Unterschied fällt oft erst bei der Rechtsprüfung auf, und dann ist es zu spät.

Dify ist der deutlichste Fall: Seine Lizenz ist ein modifiziertes Apache-2.0 (die „Dify Open Source License“), das ausdrücklich untersagt, Dify für den Betrieb eines Multi-Tenant-SaaS ohne kommerzielle Lizenz von LangGenius zu betreiben, und das Branding der Konsole außerhalb einer kostenpflichtigen Stufe sperrt. Das ist eine echte, bedeutsame Einschränkung, die eine OSI-Lizenz nicht erlauben würde, weshalb Dify im strengen Sinn Source-Available und nicht Open Source ist, obwohl der weitaus größte Teil seines Codes tatsächlich Apache-2.0 ist. Mastra und Flowise gehen beide einen saubereren Open-Core-Weg: Ihre Kern-Frameworks sind uneingeschränktes Apache-2.0, und nur ein bestimmtes Enterprise-Verzeichnis (ee/ bei Mastra, enterprise/ bei Flowise) liegt hinter einer separaten kommerziellen Lizenz. Alles, was Sie brauchen, um einen produktiven Agent in einem der beiden Frameworks selbst zu hosten, liegt im offenen Teil.

Nichts davon hindert ein Unternehmen daran, eines der 15 für den internen Gebrauch selbst zu hosten. Es zählt in dem Moment, in dem Sie eines in ein Produkt einbetten wollen, das Sie verkaufen.

Self-Hosting, Sprache und State: die technische Passung

Die 15 Frameworks teilen sich in drei echte Kategorien: Code-first-Orchestrierungsbibliotheken, die Sie in einen Service importieren (LangGraph, CrewAI, AutoGen/AG2, OpenAI Agents SDK, Pydantic AI, Semantic Kernel, LlamaIndex Workflows, Agno, Mastra, smolagents, Haystack), selbst gehostete visuelle oder vollständige Anwendungsplattformen (Dify, Langflow, Flowise) und eine spezialisierte Laufzeitumgebung für Coding-Agents (OpenHands). Alle 15 laufen komplett auf Ihrer eigenen Infrastruktur, ohne erzwungenen Verbindungsaufbau zum Anbieter. Der Unterschied liegt darin, wie viel Dauerhaftigkeit Sie geschenkt bekommen und wie viel Sie selbst bauen.

Wenn Ihr Agent einen Server-Neustart mitten in einer Aufgabe überleben muss, ist die Spalte „Eingebaut“ die, die Sie genau lesen sollten, nicht die Zahl der Stars.

Wartung und Community-Gesundheit: Wer tatsächlich noch weiterbaut

Eine Star-Zahl allein sagt fast nichts darüber aus, ob ein Projekt sicher als Grundlage taugt. Governance und jüngste Aktivität sagen weit mehr: Ein unternehmenskontrolliertes Repository kann über Nacht in den Wartungsmodus wechseln, so wie es AutoGen und Semantic Kernel gerade getan haben, während ein kleinerer, von der Community geführter Fork weiter liefern kann, auch wenn das Unternehmen, das ihn gestartet hat, längst weitergezogen ist.

Stars und Push-Daten sind eine Momentaufnahme, die am 17. August 2026 direkt aus dem GitHub-API-Datensatz jedes Repositories gezogen wurde, kein dauerhaftes Ranking, sie ändern sich täglich. Das auffällige Muster: 14 dieser 15 Projekte werden von einem einzelnen Unternehmen geführt, was bedeutet, dass sich Roadmap und gelegentlich die Lizenz ändern können, sobald sich die Strategie dieses Unternehmens ändert. AG2 ist hier das einzige Projekt mit wirklich offener, nicht unternehmensgesteuerter Governance.

1. LangGraph: Der Produktionsstandard für zustandsbehaftete Agents

LangGraph von LangChain Inc modelliert einen Agent als Graph aus Knoten und Kanten statt als einzelne Prompt-Schleife, wodurch Pause, Fortsetzen, Verzweigung und „Time-Travel“-Debugging nativ sind, statt nachträglich aufgesetzt zu werden. Dieses Checkpointing-Modell ist der Hauptgrund, warum es so oft als Produktionsstandard auftaucht, sobald ein Team über den Prototyp hinauskommt. Es läuft eigenständig oder zusammen mit dem breiteren LangChain-Ökosystem und erscheint für Python und TypeScript.

Der Kompromiss ist das Graph-Denkmodell selbst: Es dauert länger zu lernen als eine rollenbasierte Crew, und die beste Observability-Schicht, LangSmith, ist für einen Seat kostenlos, darüber hinaus aber pro Seat bepreist. Eine praktische Anleitung finden Sie in unserem Tutorial einen AI Agent mit LangGraph bauen.

Lizenz: MIT. Am besten geeignet für: Teams, die Agents bauen, die pausieren, fortsetzen und ihren State wiederherstellen müssen, ohne Fortschritt zu verlieren.

2. CrewAI: Rollenbasierte Crews, schnellster Weg zu einer funktionierenden Demo

CrewAI definiert Agents über Rolle, Ziel und Hintergrundgeschichte, fasst sie zu einer Crew zusammen und lässt sie sequenziell oder hierarchisch an einer Reihe von Aufgaben arbeiten. Diese Struktur, dazu ein großes Ökosystem aus Tutorials und Kursen, ist der Grund, warum es oft der schnellste Weg von null zu einer funktionierenden Multi-Agent-Demo ist. Flows ergänzen eine deterministischere, Code-first-Steuerungsschicht für Teams, die rein autonomen Crews entwachsen.

Die gehostete AMP-Plattform von CrewAI Inc übernimmt Deployment und Observability, und die Preisgestaltung wurde 2026 auf eine kostenlose Basic-Stufe (50 Ausführungen pro Monat) und eine individuelle Enterprise-Stufe vereinfacht, nachdem ein Self-Serve-Tarif Professional eingestellt wurde. Für die praktische Einrichtung siehe einen AI Agent mit CrewAI bauen.

Lizenz: MIT. Am besten geeignet für: Teams, die rollenbasierte Multi-Agent-Zusammenarbeit an einem Nachmittag zum Laufen bringen wollen.

3. AutoGen und AG2: Ein Framework, zwei Wege nach der Spaltung

Microsofts AutoGen war eines der ersten breit eingesetzten Frameworks für Multi-Agent-Konversation. Ende 2024 verließen mehrere seiner ursprünglichen Entwickler Microsoft und forkten das Projekt zu AG2, zunächst als GitHub-Fork und dann als eigene Organisation, wobei sie dabei die PyPI-Paketnamen autogen und pyautogen übernahmen. Bei der Spaltung ging es um Governance: Microsoft hielt AutoGen unternehmensgeführt, während AG2 von der Community gesteuert wurde.

Stand 2026 befindet sich Microsofts AutoGen offiziell im Wartungsmodus: keine neuen Features, die Entwicklung wird ins Microsoft Agent Framework umgeleitet (zusammengeführt mit Semantic Kernel, GA am 3. April 2026). AG2 dagegen wird unter Apache-2.0 aktiv weiterentwickelt, mit einer veröffentlichten Roadmap hin zu 1.0 und Arbeiten an frameworkübergreifender Interoperabilität unter dem Label „AgentOS“. Wenn Sie das Muster der konversationellen Multi-Agent-Kommunikation, das AutoGen populär gemacht hat, mit fortlaufender Open-Source-Entwicklung wollen, ist AG2 nun das lebendige Projekt. Zum zugrunde liegenden Muster siehe in beiden Fällen Multi-Agent-Systeme.

Lizenz: AutoGen: MIT (Code), CC-BY-4.0 (Assets ohne Code). AG2: Apache-2.0. Am besten geeignet für: Teams, die bereits in das Muster von AutoGen investiert haben und entscheiden müssen, ob sie Microsoft folgen oder mit AG2 bei Open Source bleiben.

4. OpenAI Agents SDK: Das leichteste SDK, gebaut vom Modellanbieter

Das OpenAI Agents SDK ist der produktive Nachfolger von OpenAIs experimentellem „Swarm“-Muster: ein bewusst kleiner Satz von Primitiven (Agents, Handoffs, Guardrails, Sessions), aufgebaut auf der Responses API. Trotz des Namens ist es nicht an OpenAI-Modelle gebunden. Eine offizielle LiteLLM-Erweiterung gibt ihm über denselben Agent-Code Zugang zu mehr als 100 Anbietern, darunter Anthropic, Gemini und Bedrock.

Es lohnt sich, das klar zu sagen: Dies ist ein anderes Produkt als die OpenAI Assistants API, die OpenAI am 26. August 2026 abschaltet. Das Agents SDK ist der aktiv weiterentwickelte Weg nach vorn; die Assistants API ist es nicht.

Lizenz: MIT. Am besten geeignet für: Teams, die den kleinstmöglichen Abhängigkeits-Fußabdruck wollen und damit leben können, ihre Persistenz selbst zu verdrahten.

5. Pydantic AI: Typsichere Agents für FastAPI-erprobte Teams

Pydantic AI stammt vom Team hinter Pydantic selbst, der Validierungsbibliothek, von der die meisten Python-Web-APIs bereits abhängen, und das merkt man: Agent-Ausgaben sind von Haus aus strukturiert und validiert, statt hoffnungsvoll aus einem Textblock herausgelesen zu werden, und Tool-Abhängigkeiten werden so injiziert, wie FastAPI Request-Abhängigkeiten injiziert. Dadurch werden fehlerhafte Tool-Aufrufe zu einem Typfehler, den Sie im Test finden, nicht zu einem Vorfall, den Sie im Produktivbetrieb finden.

Das Framework selbst ist vollständig offen und kostenlos. Logfire, das optionale Observability-Produkt des Teams, ist davon getrennt: eine kostenlose Stufe mit 10 Millionen Spans pro Monat, eine Team-Stufe für $49 im Monat für fünf Seats und eine Growth-Stufe für $249 im Monat mit unbegrenzten Seats, alles bestätigt auf pydantic.dev/pricing.

Lizenz: MIT. Am besten geeignet für: Python-Teams, die wollen, dass Agent-Ausgaben an einer Typprüfung scheitern statt im Produktivbetrieb.

6. Microsoft Semantic Kernel: Enterprise-.NET und Python, jetzt im Wartungsmodus

Semantic Kernel hat sich seinen Ruf mit Enterprise-Konnektoren aufgebaut: Azure AD, Key Vault, Application Insights und ein Plugin-/Planner-Modell, das spiegelt, wie .NET-Teams ihre Geschäftslogik ohnehin strukturieren. Es ist außerdem das einzige Framework auf dieser Liste mit ausgereifter Java-Unterstützung neben .NET und Python.

Die Tatsache, die für jeden, der es neu bewertet, am wichtigsten ist: Microsoft hat Semantic Kernel mit AutoGen zum Microsoft Agent Framework zusammengeführt, das seit dem 3. April 2026 allgemein verfügbar ist, und Semantic Kernel selbst befindet sich nun im Wartungsmodus. Es erhält weiterhin Sicherheitsfixes, aber neue Orchestrierungsmuster landen im Nachfolger, nicht hier.

Lizenz: MIT. Am besten geeignet für: Teams mit bestehender Semantic-Kernel-Investition, die eine stabile Brücke brauchen, während sie eine Migration zum Microsoft Agent Framework planen.

7. LlamaIndex Workflows: Ereignisgesteuerte Orchestrierung mit RAG-Stammbaum

LlamaIndex Workflows modelliert einen Agent als Satz asynchroner Schritte, die typisierte Events aussenden und verarbeiten, sodass sich ein mehrstufiger Agent wie ein kleiner Zustandsautomat liest statt wie eine eigene Graph-DSL. Es wuchs direkt aus dem Daten-Konnektor- und Retrieval-Erbe von LlamaIndex heraus, LlamaHub eingeschlossen, was sich daran zeigt, wie selbstverständlich es mit Agents umgeht, deren Kernaufgabe das Abrufen aus Dokumenten und strukturierten Daten ist und nicht reine Konversation.

Das gehostete LlamaCloud von LlamaIndex Inc übernimmt Parsing und Indexierung zu nutzungsbasierten Tarifen, getrennt vom Orchestrierungs-Framework, das kostenlos und offen bleibt.

Lizenz: MIT. Am besten geeignet für: Teams, die Agents bauen, bei denen das Retrieval über Dokumente oder Daten die Kernaufgabe ist, nicht ein Add-on.

8. Agno: Das Performance-orientierte Framework, früher bekannt als Phidata

Agno, im Januar 2025 von Phidata umbenannt, positioniert sich nun weniger als Bibliothek und mehr als „agentisches Betriebssystem“, aufgebaut um die Abstraktionen Agents, Teams und Workflows sowie eine Laufzeit namens AgentOS, die dauerhaften State verwaltet und ihn über HTTP bereitstellt. Das Versprechen ist Tempo: Agnos eigene veröffentlichte Benchmarks behaupten eine etwa 5.000-mal schnellere Agent-Instanziierung und rund 50-mal weniger Speicherverbrauch als bei LangGraph. Das ist eine Herstellerbehauptung, die Sie an Ihrer eigenen Last prüfen sollten, bevor Sie sich darauf verlassen, keine unabhängig verifizierte Zahl.

Lizenz: Apache-2.0. Am besten geeignet für: Teams, die große Mengen gleichzeitiger leichtgewichtiger Agents betreiben, bei denen der Instanziierungs-Overhead ein echter, gemessener Engpass ist.

9. Mastra: TypeScript-native Agents für Full-Stack-JS-Teams

Mastra, gebaut von einem Team, zu dem frühere Gatsby-Entwickler gehören, ist das erste Framework auf dieser Liste, das API-first für TypeScript entworfen wurde, statt von einem Python-Design portiert zu werden. Workflows, Agents, RAG, Evals und eine Memory-Schicht sind so gebaut, dass sie sich natürlich in einen bestehenden Next.js- oder Node-Service einfügen, was zählt, wenn sich der operative Aufwand eines separaten Python-Microservice nur für den Betrieb von Agents nicht lohnt.

Das Kern-Framework ist Apache-2.0. Ein Verzeichnis ee/ trägt eine separate Mastra-Enterprise-Lizenz, für die Entwicklung Source-Available, im Produktivbetrieb aber lizenzpflichtig, und die optionale Kontrollebene Mastra Cloud startet kostenlos (100.000 Observability-Events, 24 CPU-Stunden, 15 Tage Aufbewahrung) mit einer Teams-Stufe für $250 im Monat, bestätigt auf mastra.ai/pricing.

Lizenz: Apache-2.0 (Kern), separate kommerzielle Lizenz für ee/. Am besten geeignet für: JavaScript- und TypeScript-Teams, die nicht extra einen Python-Service aufsetzen wollen, nur um Agents zu betreiben.

10. smolagents: Hugging Faces minimale, Code schreibende Agents

smolagents setzt auf einen anderen Ansatz als der Rest dieser Liste: Statt JSON-Tool-Aufrufe zu verketten, schreibt und führt sein zentraler „CodeAgent“ kleine Python-Stücke als primäre Aktion aus. Hugging Faces Argument ist, dass dies die Zahl der Schritte und die Fehlerrate gegenüber klassischen Tool-Calling-Schleifen senkt, da ein Modell, das results = [search(q) for q in queries] schreibt, in einem Schritt erledigt, wofür drei aufeinanderfolgende Tool-Aufrufe nötig wären. Die Kernbibliothek ist bewusst klein, klein genug, um sie an einem Nachmittag von Anfang bis Ende zu lesen.

Lizenz: Apache-2.0. Am besten geeignet für: Teams, die jede Zeile ihrer Agent-Schleife verstehen wollen oder bereits tief im Hugging-Face-Ökosystem stecken.

11. Haystack: Produktive Retrieval-Pipelines mit eingebauten Agents

Haystack, gepflegt vom deutschen Unternehmen deepset, begann als Framework für Such- und Retrieval-Pipelines, Jahre bevor „Agent“ zum Schlagwort der Branche wurde, und dieses Erbe zeigt sich daran, wie explizit und praxiserprobt sein Komponenten- und Pipeline-Modell für Retrieval und Dokumentenverarbeitung ist. Agents in Haystack werden als Komponenten im selben Pipeline-Graphen gebaut, nicht als separates, aufgesetztes Konzept.

deepset verkauft ein Haystack Enterprise Starter (Support plus Produktionsvorlagen) und eine vollständige Haystack Enterprise Platform auf dem offenen Kern, beide nach Organisationsgröße bepreist statt als Preisliste veröffentlicht.

Lizenz: Apache-2.0. Am besten geeignet für: Teams, deren Agent im Kern präzises Retrieval und Dokumentenverarbeitung leisten soll, mit Konversation als dünner Schicht obendrauf.

12. Dify: Die vollständige LLMOps-Anwendung, mit einer Lizenz, die Sie wirklich lesen sollten

Dify bündelt einen visuellen Workflow-Builder, eine Prompt-IDE, eine RAG-Pipeline, Agent-Orchestrierung und Observability in einer selbst gehosteten Anwendung, was es näher an eine vollständige LLMOps-Plattform rückt als an eine Code-Bibliothek. Diese Breite, dazu eine große Community, ist vermutlich der Grund, warum es zu den am häufigsten mit Stars versehenen Repositories auf dieser ganzen Liste gehört, nur hinter Langflow. LangGenius, das Unternehmen dahinter, betreibt auch Dify Cloud: eine kostenlose Sandbox-Stufe, Professional für $59 im Monat ($590 im Jahr bei jährlicher Zahlung), Team für $159 im Monat ($1.590 im Jahr bei jährlicher Zahlung) und eine individuelle Enterprise-Stufe, alles bestätigt auf dify.ai/pricing.

Lesen Sie den Lizenzabschnitt oben, bevor Sie ein weiterverkauftes Produkt auf dieses setzen: Difys modifizierte Apache-2.0-Lizenz untersagt den Betrieb als Multi-Tenant-SaaS ohne kommerzielle Lizenz von LangGenius. Für eine vollständig verwaltete Alternative, die die Self-Hosting-Frage ganz umgeht, siehe unsere Übersicht die besten No-Code-Builder für AI Agents.

Lizenz: Modifiziertes Apache-2.0 („Dify Open Source License“), Source-Available. Am besten geeignet für: Teams, die einen internen, selbst gehosteten Builder für LLM-Apps für Mitarbeitende wollen, keine Codebasis zum Einbetten in ein weiterverkauftes Produkt.

13. Langflow: Drag-and-drop-Bauen, jetzt im Umfeld von IBM

Langflow legt eine visuelle Arbeitsfläche über Komponenten im LangChain-Stil und exportiert das Gebaute als lauffähigen Python-Code oder als aufrufbaren API-Endpunkt, was es zu einem wirklich beliebten Weg macht, einen Agent-Flow zu prototypisieren und an Entwickler zu übergeben oder einem nicht-technischen Stakeholder vorzuführen. DataStax hat Langflow im April 2024 übernommen, und IBM hat die Übernahme von DataStax im Mai 2025 abgeschlossen, sodass Langflows Roadmap nun in IBMs watsonx-Strategie liegt.

Anders als Dify oder Flowise hat Langflow keine Lizenzausnahme: Es ist MIT, ohne Wenn und Aber.

Lizenz: MIT. Am besten geeignet für: Teams, die einen kostenlosen, MIT-lizenzierten visuellen Builder zum Prototyping wollen, bevor sie einen Flow in handgeschriebenen Code überführen.

14. Flowise: Der JavaScript-native visuelle Builder, den Workday gerade gekauft hat

Flowise ist die TypeScript-native Antwort auf Langflows Python-first-Arbeitsfläche, was zählt, wenn Ihr Backend bereits ein Node-Service ist und Sie nicht nur für Agent-Prototyping Python in den Stack holen wollen. Workday kündigte die Übernahme von FlowiseAI im August 2025 an, bestätigt im Newsroom von Workday selbst, und das Tool soll nun mit der Zeit in Workdays Roadmap für Enterprise-Agents in HR und Finanzen einfließen.

Das Kern-Framework bleibt Apache-2.0, mit einem Verzeichnis enterprise/, das eine separate proprietäre Lizenz trägt. Flowise Cloud gibt es kostenlos (2 Flows, 100 Predictions im Monat), Starter für $35 im Monat (10.000 Predictions) und Pro für $65 im Monat (50.000 Predictions, fünf Nutzer inklusive, $15 pro zusätzlichem Nutzer), alles direkt auf flowiseai.com bestätigt.

Lizenz: Apache-2.0 (Kern), proprietäre Lizenz für enterprise/. Am besten geeignet für: JavaScript-Teams, die das Langflow-Erlebnis wollen, ohne Python in den Stack zu holen.

15. OpenHands: Der Open-Source-Software-Engineer, der autonom arbeitet

OpenHands, Ende 2024 von OpenDevin umbenannt und von All Hands AI gebaut, erfüllt eine andere Aufgabe als die anderen 14 Frameworks auf dieser Liste. Es ist keine Allzweck-Bibliothek, auf der Sie einen eigenen Agent aufbauen, sondern eine spezialisierte Laufzeitumgebung, die einem Agent eine echte Sandbox-Shell, einen Browser und einen Code-Editor gibt, damit er Code autonom planen, schreiben, ausführen, testen und korrigieren kann. Wenn Sie es stattdessen mit gehosteten Coding-Agent-Produkten vergleichen, siehe unsere Übersicht die besten AI-Coding-Agents.

All Hands AI betreibt OpenHands Cloud neben der kostenlosen lokalen Version: eine Individual-Stufe, die mit dem eigenen API-Key kostenlos ist oder Modellzugang zum Selbstkostenpreis bietet, und eine individuelle Enterprise-Stufe für Private-VPC- oder selbst gehostete Bereitstellung mit SSO, bestätigt auf openhands.dev/pricing.

Lizenz: MIT. Am besten geeignet für: Teams, die eine offene, selbst hostbare Alternative zu geschlossenen Coding-Agent-Produkten wollen, kein Framework zum Bau eines Allzweck-Agents.

Was „kostenlos“ wirklich kostet

Der Code jedes Frameworks ist in allen 15 Fällen kostenlos. Nicht kostenlos ist alles, was einen Agent vertrauenswürdig genug macht, um unbeaufsichtigt zu laufen. Fast jeder Anbieter auf dieser Liste monetarisiert dieselbe Ebene: nicht den Orchestrierungscode, sondern die Observability, Evaluierung und das verwaltete Hosting drumherum.

Planen Sie die letzte Zeile ein, bevor Sie eine Lizenzgebühr einplanen. Ein Framework mit einem Preisschild von $0 und ohne einen Entwickler, der sein State-Modell versteht, ist teurer als ein Framework mit einer moderaten gehosteten Stufe und einem Team, das damit vertraut ist.

So entscheiden Sie: Entscheidungsrahmen

Ordnen Sie Ihre Situation dem passenden Ausgangspunkt zu und lesen Sie dann den vollständigen Abschnitt dieses Frameworks oben, bevor Sie sich festlegen.

Wenn Ihr Team lieber eine vollständig verwaltete Plattform bewerten will, statt eine aus einem Framework zusammenzubauen, decken unsere Übersicht die besten Enterprise-Plattformen für AI Agents und unser Leitfaden die Wahl einer Plattform für AI Agents beide diesen Weg ab.

Die nächsten Schritte

Bewerten Sie nicht alle 15 Frameworks auf einmal. Grenzen Sie auf zwei ein, nach Ihrer Sprache (Python oder TypeScript) und Ihrem Bau-Stil (Code-Bibliothek oder visuelle Anwendung), und bauen Sie dann in beiden denselben kleinen Agent, einen Tool-Aufruf, eine mehrstufige Übergabe und einen absichtlichen Fehlerfall. Das Framework, das Ihren Versuch übersteht, es kaputt zu machen, ist das, auf dem Sie aufbauen sollten.

Wenn Ihr Team den Agent lieber gar nicht selbst bauen will, deckt unsere Übersicht die besten AI-Agentenplattformen verwaltete Alternativen ab, und der Leitfaden wie Sie einen AI Agent bauen führt durch die zugrunde liegenden Schritte, unabhängig davon, für welches Framework Sie sich am Ende entscheiden.