Mejores frameworks de agentes de IA de código abierto en 2026: 15 frameworks para equipos que quieren ser dueños de su stack

El mejor framework de agentes de IA de código abierto en 2026 depende más de su tolerancia a las licencias y de su entorno de ejecución que de cualquier lista de funciones: LangGraph y CrewAI lideran los despliegues de producción en Python, Mastra y Flowise lideran si su equipo vive en TypeScript, y Dify cubre la superficie más amplia si usted quiere una aplicación autoalojada en lugar de una biblioteca de código. Esta guía ordena 15 frameworks que son realmente de código abierto (un repositorio público, una licencia real, autoalojables en su propia infraestructura), no solo gratuitos para probar, y señala los pocos que se publican bajo una licencia open-core o de código disponible en lugar de una licencia puramente permisiva.

Equivocarse aquí cuesta más que elegir mal una herramienta SaaS. Usted está eligiendo una abstracción sobre la que sus ingenieros escribirán miles de líneas de código, y migrar fuera de una capa de orquestación basada en grafos seis meses después es un proyecto de varias semanas, no una simple reexportación. Cada entrada de abajo se evalúa según su archivo LICENSE real, su actividad actual en GitHub, el soporte de lenguajes, su modelo de estado y durabilidad, y los precios del servicio alojado cuando existe, todo verificado con las páginas y repositorios del propio proveedor en agosto de 2026. Actualizado en agosto de 2026. Si todavía está decidiendo entre un framework autoalojado y un producto gestionado, nuestro resumen de las mejores plataformas de agentes de IA cubre el panorama completo en el que viven ambos lados.

Datos Clave

• Más de 1.1 millones de repositorios públicos de GitHub ya importan un SDK de LLM, un 178% más que el año anterior, y unos 694,000 de ellos se crearon solo en los últimos 12 meses, según el informe Octoverse 2025 de GitHub.
• El 57% de las organizaciones afirma tener agentes de IA funcionando en producción, según la encuesta State of Agent Engineering de LangChain a 1,340 profesionales (del 18 de noviembre al 2 de diciembre de 2025), aunque solo el 52.4% ejecuta evaluaciones offline sobre ese tráfico.
• Gartner predice que más del 40% de los proyectos de IA agéntica se cancelarán a finales de 2027 por un ROI poco claro y una gobernanza débil, y estima que solo unos 130 de los miles de proveedores que se describen a sí mismos como de IA agéntica son auténticos.
• La cuota de los modelos de código abierto en el uso empresarial de LLM cayó al 11% en 2025, desde el 19% en 2024, aun cuando el gasto empresarial total en IA generativa se triplicó aproximadamente hasta $37 mil millones, según Menlo Ventures.
• Los agentes de IA pasaron de aproximadamente un 12% a un 66.3% de éxito en tareas en OSWorld, el benchmark de tareas reales de uso del computador, en el año previo a 2026, según el AI Index de Stanford HAI.

Qué cambió este año en los frameworks de agentes de código abierto

• Microsoft fusionó AutoGen y Semantic Kernel en Microsoft Agent Framework, que alcanzó la disponibilidad general el 3 de abril de 2026. Ambos repositorios heredados están ahora oficialmente en modo de mantenimiento.
• AG2, la bifurcación comunitaria de AutoGen creada tras una división de gobernanza en 2024, siguió desarrollándose de forma independiente bajo Apache-2.0 y trabaja hacia una versión 1.0.
• OpenAI dejará de ofrecer la Assistants API el 26 de agosto de 2026. Si está construyendo algo nuevo, use el Agents SDK que se analiza aquí, no la antigua Assistants API.
• CrewAI simplificó sus precios comerciales a dos niveles públicos (AMP Basic gratuito y Enterprise personalizado) tras ofrecer brevemente un plan Professional de autoservicio.
• IBM cerró su adquisición de DataStax en mayo de 2025, lo que significa que Langflow ahora queda dentro de la órbita de watsonx de IBM.
• Workday adquirió FlowiseAI en agosto de 2025 e integró el constructor visual en su hoja de ruta de agentes empresariales de RR. HH. y finanzas.

Tabla comparativa rápida

Use esta tabla para preseleccionar por licencia y lenguaje antes de leer el detalle de licencias y autoalojamiento más abajo.

Cómo interpretar "código abierto" aquí: verificación de la realidad de las licencias

No todo lo que se anuncia como "código abierto" en el espacio de los agentes conlleva los mismos derechos, y este es el detalle que la mayoría de los resúmenes omite. Una licencia aprobada por la OSI (MIT, Apache-2.0) no impone ninguna restricción sobre cómo usar, modificar o revender el código. Una licencia de código disponible u open-core publica el código pero reserva un derecho específico para el proveedor, normalmente el de revenderlo como su propio SaaS alojado. Esa distinción rara vez sale a la luz hasta la revisión legal, que llega demasiado tarde.

Dify es el caso más claro: su licencia es una Apache-2.0 modificada (la "Dify Open Source License") que bloquea explícitamente ejecutar Dify para operar un SaaS multiinquilino sin una licencia comercial de LangGenius, y que fija la marca de la consola fuera de un nivel de pago. Esa es una restricción real y significativa que una licencia OSI no permitiría, lo que hace de Dify un producto de código disponible y no de código abierto en sentido estricto, aunque la gran mayoría de su código sea genuinamente Apache-2.0. Mastra y Flowise adoptan un enfoque open-core más limpio: sus frameworks núcleo son Apache-2.0 sin restricciones, y solo un directorio empresarial específico (ee/ en Mastra, enterprise/ en Flowise) queda bajo una licencia comercial aparte. Todo lo que necesitaría para autoalojar un agente de producción en cualquiera de los dos frameworks está en la parte abierta.

Nada de esto impide que una empresa autoaloje cualquiera de los 15 para uso interno. Importa en el momento en que usted planea integrar uno dentro de un producto que vende.

Autoalojamiento, lenguaje y estado: el ajuste de ingeniería

Los 15 frameworks se dividen en tres categorías reales: bibliotecas de orquestación centradas en el código que usted importa en un servicio (LangGraph, CrewAI, AutoGen/AG2, OpenAI Agents SDK, Pydantic AI, Semantic Kernel, LlamaIndex Workflows, Agno, Mastra, smolagents, Haystack), plataformas visuales o aplicaciones completas autoalojadas (Dify, Langflow, Flowise) y un entorno de ejecución especializado de agentes de programación (OpenHands). Los 15 se ejecutan por completo en su propia infraestructura, sin ninguna llamada obligatoria a servidores del proveedor. Lo que difiere es cuánta durabilidad obtiene gratis frente a cuánta debe construir usted mismo.

Si su agente necesita sobrevivir a un reinicio del servidor a mitad de una tarea, esa columna de "integrado" es la que debe leer con atención, no el número de estrellas.

Mantenimiento y salud de la comunidad: quién sigue construyendo realmente

El número de estrellas por sí solo casi no dice nada sobre si un proyecto es seguro para construir sobre él. La gobernanza y la actividad reciente dicen mucho más: un repositorio controlado por una empresa puede pasar a modo de mantenimiento de la noche a la mañana, como acaban de hacer AutoGen y Semantic Kernel, mientras que una bifurcación más pequeña y de gobernanza comunitaria puede seguir publicando incluso después de que la empresa que la inició pase a otra cosa.

Las estrellas y las fechas de push son una instantánea obtenida directamente del registro de la API de GitHub de cada repositorio el 17 de agosto de 2026, no un ranking permanente, porque cambian a diario. El patrón que vale la pena notar: 14 de estos 15 proyectos están liderados por una sola empresa, lo que significa que la hoja de ruta, y ocasionalmente la licencia, pueden cambiar cuando cambie la estrategia de esa empresa. AG2 es el único proyecto de la lista con una gobernanza genuinamente abierta y no corporativa.

1. LangGraph: el estándar de producción para agentes con estado

LangGraph, de LangChain Inc, modela un agente como un grafo de nodos y aristas en lugar de un único bucle de prompt, lo que hace que la pausa, la reanudación, la ramificación y la depuración con "viaje en el tiempo" sean nativas y no añadidos posteriores. Ese modelo de checkpointing es la razón principal por la que aparece con tanta frecuencia como opción predeterminada de producción cuando un equipo pasa del prototipo. Funciona de forma independiente o junto con el ecosistema más amplio de LangChain, y se distribuye para Python y TypeScript.

La contrapartida es el modelo mental de grafos en sí: lleva más tiempo aprender que un equipo basado en roles, y la mejor capa de observabilidad, LangSmith, es gratuita para un asiento pero se cobra por asiento a partir de ahí. Para un recorrido práctico, consulte nuestro tutorial para crear un agente de IA con LangGraph.

Licencia: MIT. Ideal para: Equipos que construyen agentes que deben pausar, reanudar y recuperar el estado sin perder progreso.

2. CrewAI: equipos basados en roles, el camino más rápido a una demo funcional

CrewAI define a los agentes por rol, objetivo y trasfondo, los agrupa en un equipo y los ejecuta de forma secuencial o jerárquica sobre un conjunto de tareas. Esa estructura, más un amplio ecosistema de tutoriales y cursos, es la razón por la que suele ser el camino más rápido de cero a una demo multiagente funcional. Los Flows añaden una capa de control más determinista y centrada en el código para los equipos que superan los equipos puramente autónomos.

La plataforma AMP alojada de CrewAI Inc se encarga del despliegue y la observabilidad, y en 2026 los precios se simplificaron a un nivel Basic gratuito (50 ejecuciones al mes) y un nivel Enterprise personalizado, tras discontinuar un plan Professional de autoservicio. Para la configuración práctica, consulte crear un agente de IA con CrewAI.

Licencia: MIT. Ideal para: Equipos que quieren tener colaboración multiagente basada en roles funcionando en una tarde.

3. AutoGen y AG2: un framework, dos caminos tras la división

AutoGen de Microsoft fue uno de los primeros frameworks de conversación multiagente ampliamente adoptados. A finales de 2024, varios de sus creadores originales dejaron Microsoft y bifurcaron el proyecto en AG2, primero como un fork de GitHub y luego como organización propia, heredando en el proceso los nombres de paquete autogen y pyautogen de PyPI. La división fue por gobernanza: Microsoft mantuvo AutoGen bajo el liderazgo de la empresa, mientras que AG2 pasó a ser de gobernanza comunitaria.

A partir de 2026, AutoGen de Microsoft está oficialmente en modo de mantenimiento: sin funciones nuevas, con el desarrollo redirigido a Microsoft Agent Framework (fusionado con Semantic Kernel, GA el 3 de abril de 2026). AG2, en cambio, se desarrolla activamente bajo Apache-2.0, con una hoja de ruta publicada hacia la versión 1.0 y trabajo de interoperabilidad entre frameworks bajo la bandera de "AgentOS". Si quiere el patrón multiagente conversacional que popularizó AutoGen, con desarrollo continuo de código abierto, AG2 es ahora el proyecto vivo. Para el patrón subyacente en cualquiera de los dos casos, consulte sistemas multiagente.

Licencia: AutoGen: MIT (código), CC-BY-4.0 (recursos que no son código). AG2: Apache-2.0. Ideal para: Equipos que ya invirtieron en el patrón de AutoGen y deben decidir entre seguir a Microsoft o mantenerse en código abierto con AG2.

4. OpenAI Agents SDK: el SDK más ligero, creado por el proveedor del modelo

El OpenAI Agents SDK es el sucesor de producción del patrón experimental "Swarm" de OpenAI: un conjunto deliberadamente pequeño de primitivas (Agents, Handoffs, Guardrails, Sessions) construido sobre la Responses API. A pesar del nombre, no está atado a los modelos de OpenAI. Una extensión oficial de LiteLLM le da acceso a más de 100 proveedores, incluidos Anthropic, Gemini y Bedrock, con el mismo código de agente.

Conviene decirlo con claridad: es un producto distinto de la Assistants API de OpenAI, que OpenAI retirará el 26 de agosto de 2026. El Agents SDK es el camino de desarrollo activo hacia adelante; la Assistants API no lo es.

Licencia: MIT. Ideal para: Equipos que quieren la menor huella de dependencias posible y se sienten cómodos conectando su propia persistencia.

5. Pydantic AI: agentes con tipado seguro para equipos formados en FastAPI

Pydantic AI viene del equipo detrás de la propia Pydantic, la biblioteca de validación de la que ya dependen la mayoría de las API web en Python, y se nota: las salidas del agente son estructuradas y se validan por construcción en lugar de analizarse con la esperanza de acertar a partir de un bloque de texto, y las dependencias de las herramientas se inyectan como FastAPI inyecta las dependencias de las solicitudes. Eso convierte las llamadas mal formadas a herramientas en un error de tipos que usted detecta en las pruebas, no en un incidente que detecta en producción.

El framework en sí es totalmente abierto y gratuito. Logfire, el producto opcional de observabilidad del equipo, es aparte: un nivel gratuito con 10 millones de spans al mes, un nivel Team a $49 al mes para cinco asientos y un nivel Growth a $249 al mes para asientos ilimitados, todo confirmado en pydantic.dev/pricing.

Licencia: MIT. Ideal para: Equipos de Python que quieren que las salidas del agente fallen en una comprobación de tipos en lugar de fallar en producción.

6. Microsoft Semantic Kernel: .NET y Python empresariales, ahora en modo de mantenimiento

Semantic Kernel construyó su reputación sobre conectores empresariales: Azure AD, Key Vault, Application Insights y un modelo de plugins y planificadores que refleja cómo las empresas de .NET ya estructuran su lógica de negocio. También es el único framework de esta lista con soporte maduro para Java junto con .NET y Python.

El dato que más importa para quien lo evalúe por primera vez: Microsoft fusionó Semantic Kernel con AutoGen en Microsoft Agent Framework, con disponibilidad general desde el 3 de abril de 2026, y el propio Semantic Kernel está ahora en modo de mantenimiento. Todavía recibe correcciones de seguridad, pero los nuevos patrones de orquestación llegan al sucesor, no aquí.

Licencia: MIT. Ideal para: Equipos con una inversión existente en Semantic Kernel que necesitan un puente estable mientras planifican una migración a Microsoft Agent Framework.

7. LlamaIndex Workflows: orquestación basada en eventos con linaje de RAG

LlamaIndex Workflows modela un agente como un conjunto de pasos asíncronos que emiten y consumen eventos tipados, de modo que un agente de varios pasos se lee como una pequeña máquina de estados en lugar de un DSL de grafos dedicado. Surgió directamente del legado de conectores de datos y recuperación de LlamaIndex, LlamaHub incluido, lo que se nota en lo naturalmente que maneja agentes cuyo trabajo principal es extraer de documentos y datos estructurados en lugar de conversar.

LlamaCloud, el servicio alojado de LlamaIndex Inc, se encarga del análisis sintáctico y la indexación con tarifas según el uso, separado del framework de orquestación, que sigue siendo gratuito y abierto.

Licencia: MIT. Ideal para: Equipos que construyen agentes en los que la recuperación sobre documentos o datos es el trabajo central, no un complemento.

8. Agno: el framework centrado en el rendimiento antes conocido como Phidata

Agno, rebautizado desde Phidata en enero de 2025, ahora se posiciona menos como una biblioteca y más como un "sistema operativo agéntico", construido en torno a las abstracciones Agents, Teams y Workflows más un entorno de ejecución llamado AgentOS que gestiona el estado duradero y lo expone por HTTP. La propuesta es la velocidad: los benchmarks que publica el propio Agno afirman una instanciación de agentes unas 5,000 veces más rápida y unas 50 veces menos memoria que LangGraph. Es una afirmación del proveedor que conviene contrastar con su propia carga de trabajo antes de confiar en ella, no una cifra verificada de forma independiente.

Licencia: Apache-2.0. Ideal para: Equipos que ejecutan grandes cantidades de agentes ligeros concurrentes en los que la sobrecarga de instanciación es un cuello de botella real y medido.

9. Mastra: agentes nativos de TypeScript para equipos full-stack de JS

Mastra, creado por un equipo que incluye a antiguos ingenieros de Gatsby, es el primer framework de esta lista diseñado con enfoque API-first para TypeScript en lugar de portado desde un diseño de Python. Los flujos de trabajo, los agentes, el RAG, las evals y una capa de memoria están hechos para integrarse con naturalidad en un servicio existente de Next.js o Node, lo que importa si levantar un microservicio de Python aparte solo para ejecutar agentes no justifica la sobrecarga operativa.

El framework núcleo es Apache-2.0. Un directorio ee/ lleva una licencia Mastra Enterprise aparte, de código disponible para desarrollo pero que exige una licencia de pago en producción, y el plano de control opcional Mastra Cloud empieza gratis (100,000 eventos de observabilidad, 24 horas de CPU, retención de 15 días) con un nivel Teams a $250 al mes, confirmado en mastra.ai/pricing.

Licencia: Apache-2.0 (núcleo), licencia comercial aparte para ee/. Ideal para: Equipos de JavaScript y TypeScript que no quieren levantar un servicio de Python aparte solo para ejecutar agentes.

10. smolagents: los agentes mínimos de Hugging Face que escriben código

smolagents hace una apuesta distinta a la del resto de esta lista: en lugar de encadenar llamadas a herramientas en JSON, su "CodeAgent" central escribe y ejecuta pequeños fragmentos de Python como acción principal. El argumento de Hugging Face es que esto reduce el número de pasos y la tasa de errores frente a los bucles clásicos de llamadas a herramientas, ya que un modelo que escribe results = [search(q) for q in queries] hace en un paso lo que requeriría tres llamadas secuenciales a herramientas. La biblioteca central es deliberadamente pequeña, tanto que puede leerse de principio a fin en una tarde.

Licencia: Apache-2.0. Ideal para: Equipos que quieren entender cada línea de su bucle de agente, o que ya están muy metidos en el ecosistema de Hugging Face.

11. Haystack: canalizaciones de recuperación en producción con agentes integrados

Haystack, mantenido por la empresa alemana deepset, nació como un framework de búsqueda y canalizaciones de recuperación años antes de que "agente" se convirtiera en la palabra de moda de la industria, y ese origen se nota en lo explícito y probado que es su modelo de componentes y canalizaciones para la recuperación y el procesamiento de documentos. Los agentes en Haystack se construyen como componentes dentro del mismo grafo de canalización, no como un concepto añadido aparte.

deepset vende un Haystack Enterprise Starter (soporte más plantillas de producción) y una Haystack Enterprise Platform completa sobre el núcleo abierto, ambos con precio según el tamaño de la organización y no publicados como tarifario.

Licencia: Apache-2.0. Ideal para: Equipos cuyo trabajo real del agente es la recuperación precisa y el manejo de documentos, con la conversación como una capa fina encima.

12. Dify: la aplicación LLMOps completa, con una licencia que conviene leer de verdad

Dify reúne en una sola aplicación autoalojada un constructor visual de flujos de trabajo, un IDE de prompts, una canalización de RAG, orquestación de agentes y observabilidad, lo que lo acerca más a una plataforma LLMOps completa que a una biblioteca de código. Esa amplitud, más una gran comunidad, es probablemente la razón por la que figura entre los repositorios con más estrellas de toda esta lista, solo por detrás de Langflow. LangGenius, la empresa detrás, también opera Dify Cloud: un nivel Sandbox gratuito, Professional a $59 al mes ($590 al año con pago anual), Team a $159 al mes ($1,590 al año con pago anual) y un nivel Enterprise personalizado, todo confirmado en dify.ai/pricing.

Lea la sección de licencias de más arriba antes de apostar por un producto revendido sobre este: la licencia Apache-2.0 modificada de Dify bloquea operarlo como un SaaS multiinquilino sin una licencia comercial de LangGenius. Para una alternativa totalmente gestionada que evita por completo la cuestión del autoalojamiento, consulte nuestro resumen de los mejores constructores de agentes de IA no-code.

Licencia: Apache-2.0 modificada ("Dify Open Source License"), código disponible. Ideal para: Equipos que quieren un constructor de aplicaciones LLM interno y autoalojado para sus empleados, no una base de código para integrar dentro de un producto revendido.

13. Langflow: construcción con arrastrar y soltar, ahora dentro de la órbita de IBM

Langflow coloca un lienzo visual sobre componentes al estilo LangChain y exporta lo que usted construye como Python ejecutable o como un endpoint de API invocable, lo que lo convierte en una forma genuinamente popular de prototipar el flujo de un agente y entregárselo a los ingenieros, o de presentar uno a un stakeholder sin perfil técnico. DataStax adquirió Langflow en abril de 2024, e IBM cerró su adquisición de DataStax en mayo de 2025, de modo que la hoja de ruta de Langflow ahora está dentro de la estrategia de watsonx de IBM.

A diferencia de Dify o Flowise, Langflow no lleva ninguna excepción de licencia: es MIT, sin más.

Licencia: MIT. Ideal para: Equipos que quieren un constructor visual gratuito con licencia MIT para prototipar antes de comprometer un flujo con código escrito a mano.

14. Flowise: el constructor visual nativo de JavaScript que Workday acaba de comprar

Flowise es la respuesta nativa de TypeScript al lienzo de Langflow centrado en Python, lo que importa si su backend ya es un servicio de Node y no quiere incorporar Python a su stack solo para prototipar agentes. Workday anunció su adquisición de FlowiseAI en agosto de 2025, confirmada en la sala de prensa del propio Workday, y se espera que la herramienta alimente con el tiempo la hoja de ruta de agentes empresariales de RR. HH. y finanzas de Workday.

El framework núcleo sigue siendo Apache-2.0, con un directorio enterprise/ que lleva una licencia propietaria aparte. Flowise Cloud es gratuito (2 flujos, 100 predicciones al mes), Starter cuesta $35 al mes (10,000 predicciones) y Pro $65 al mes (50,000 predicciones, cinco usuarios incluidos, $15 por usuario adicional), todo confirmado directamente en flowiseai.com.

Licencia: Apache-2.0 (núcleo), licencia propietaria para enterprise/. Ideal para: Equipos de JavaScript que quieren la experiencia de Langflow sin incorporar Python a su stack.

15. OpenHands: el ingeniero de software autónomo de código abierto

OpenHands, rebautizado desde OpenDevin a finales de 2024 y creado por All Hands AI, hace un trabajo distinto al de los otros 14 frameworks de esta lista. No es una biblioteca de propósito general sobre la que se ensambla un agente personalizado, sino un entorno de ejecución especializado que le da al agente un shell, un navegador y un editor de código reales y aislados en un entorno protegido, para que pueda planificar, escribir, ejecutar, probar y corregir código de forma autónoma. Si lo está comparando con productos alojados de agentes de programación, consulte nuestro resumen de los mejores agentes de programación con IA.

All Hands AI opera OpenHands Cloud junto con la versión local gratuita: un nivel Individual gratuito con su propia clave de API o con acceso a modelos a precio de costo, y un nivel Enterprise personalizado para despliegues en VPC privada o autoalojados con SSO, confirmado en openhands.dev/pricing.

Licencia: MIT. Ideal para: Equipos que quieren una alternativa abierta y autoalojable a los productos cerrados de agentes de programación, no un framework para construir un agente de propósito general.

El costo real de lo "gratis"

El código de todos los frameworks es gratuito en los 15 casos. Lo que no es gratuito es todo lo que hace que un agente sea lo bastante confiable como para ejecutarse sin supervisión. Casi todos los proveedores de esta lista monetizan la misma capa: no el código de orquestación, sino la observabilidad, la evaluación y el alojamiento gestionado que lo rodean.

Presupueste esa última fila antes de presupuestar una tarifa de licencia. Un framework con precio de $0 y sin un ingeniero que entienda su modelo de estado es más caro que un framework con un nivel alojado modesto y un equipo que lo domina.

Cómo elegir: marco de decisión

Relacione su situación con el punto de partida adecuado y luego lea la sección completa de ese framework más arriba antes de comprometerse.

Si su equipo prefiere evaluar una plataforma totalmente gestionada en lugar de armar una a partir de un framework, nuestro resumen de las mejores plataformas empresariales de agentes de IA y nuestra guía para elegir una plataforma de agentes de IA cubren ese camino.

Qué hacer a continuación

No evalúe los 15 frameworks a la vez. Reduzca la lista a dos según su lenguaje (Python o TypeScript) y su estilo de construcción (biblioteca de código o aplicación visual), y luego construya el mismo agente pequeño, con una llamada a herramienta, un traspaso de varios pasos y un caso de fallo deliberado, en ambos. El framework que sobreviva a sus intentos de romperlo es sobre el que debe construir.

Si su equipo prefiere no construir el agente en absoluto, nuestro resumen de las mejores plataformas de agentes de IA cubre alternativas gestionadas, y la guía de cómo crear un agente de IA recorre los pasos fundamentales sin importar qué framework termine eligiendo.