Melhores frameworks open source de AI agents em 2026: 15 frameworks para equipes que querem ser donas da própria stack

O melhor framework open source de AI agents em 2026 depende mais da sua tolerância a licenças e do seu runtime do que de qualquer checklist de recursos: LangGraph e CrewAI lideram as implantações em Python em produção, Mastra e Flowise lideram se a sua equipe vive em TypeScript, e o Dify cobre a maior superfície se você quer um aplicativo auto-hospedado em vez de uma biblioteca de código. Este guia ranqueia 15 frameworks que são genuinamente open source (repositório público, licença de verdade, auto-hospedáveis na sua própria infraestrutura), e não apenas gratuitos para testar, e aponta o punhado que sai com uma licença open-core ou source-available em vez de uma licença puramente permissiva.

Escolher errado aqui custa mais do que escolher a ferramenta SaaS errada. Você está escolhendo uma abstração sobre a qual os seus engenheiros vão escrever milhares de linhas de código, e sair de uma camada de orquestração baseada em grafos seis meses depois é um projeto de várias semanas, não uma reexportação. Cada entrada abaixo é avaliada pelo arquivo LICENSE real, pela atividade atual no GitHub, pelo suporte a linguagens, pelo modelo de estado e durabilidade e pelo preço do plano hospedado, quando existe, tudo verificado nas páginas e nos repositórios do próprio fornecedor em agosto de 2026. Atualizado em agosto de 2026. Se você ainda está decidindo entre um framework auto-hospedado e um produto gerenciado, o nosso panorama das melhores plataformas de AI agents cobre todo o cenário em que os dois lados vivem.

Fatos Principais

• Mais de 1,1 milhão de repositórios públicos no GitHub agora importam um SDK de LLM, alta de 178% em um ano, com cerca de 694.000 deles criados apenas nos últimos 12 meses, segundo o relatório Octoverse 2025 do GitHub.
• 57% das organizações dizem ter AI agents rodando em produção, segundo a pesquisa State of Agent Engineering da LangChain com 1.340 profissionais (18 de novembro a 2 de dezembro de 2025), embora apenas 52,4% executem avaliações offline sobre esse tráfego.
• O Gartner prevê que mais de 40% dos projetos de agentic AI serão cancelados até o fim de 2027 por ROI pouco claro e governança fraca, e estima que apenas cerca de 130 dos milhares de fornecedores que se autodenominam de agentic AI são de fato o que dizem ser.
• A participação de modelos open source no uso corporativo de LLMs caiu para 11% em 2025, contra 19% em 2024, mesmo com o gasto total das empresas em IA generativa quase triplicando, para $37 bilhões, segundo a Menlo Ventures.
• Os AI agents saltaram de cerca de 12% para 66,3% de sucesso em tarefas no OSWorld, o benchmark de tarefas reais de uso de computador, no ano que antecedeu 2026, segundo o AI Index da Stanford HAI.

O que mudou nos frameworks open source de agentes este ano

• A Microsoft fundiu o AutoGen e o Semantic Kernel no Microsoft Agent Framework, que atingiu disponibilidade geral em 3 de abril de 2026. Os dois repositórios antigos agora estão oficialmente em modo de manutenção.
• O AG2, o fork comunitário do AutoGen criado após uma divisão de governança em 2024, seguiu evoluindo de forma independente sob Apache-2.0 e trabalha rumo a uma versão 1.0.
• A OpenAI vai encerrar a Assistants API em 26 de agosto de 2026. Se você está começando algo novo, use o Agents SDK abordado aqui, não a antiga Assistants API.
• A CrewAI simplificou seu preço comercial para dois planos públicos (AMP Basic gratuito e Enterprise sob consulta) depois de rodar por pouco tempo um plano Professional self-serve.
• A IBM concluiu a aquisição da DataStax em maio de 2025, o que significa que o Langflow agora está na órbita do watsonx da IBM.
• A Workday adquiriu a FlowiseAI em agosto de 2025, incorporando o construtor visual ao roadmap de agentes corporativos de RH e finanças.

Tabela comparativa rápida

Use esta tabela para montar uma lista curta por licença e linguagem antes de ler os detalhes de licença e auto-hospedagem abaixo.

Como ler "open source" aqui: a realidade das licenças

Nem tudo que é vendido como "open source" no universo de agentes carrega os mesmos direitos, e este é o detalhe que a maioria dos panoramas pula. Uma licença aprovada pela OSI (MIT, Apache-2.0) não impõe restrição alguma sobre como você usa, modifica ou revende o código. Uma licença source-available ou open-core publica o código, mas reserva ao fornecedor um direito específico, em geral o de revendê-lo como o seu próprio SaaS hospedado. Essa distinção raramente aparece antes da revisão jurídica, e aí já é tarde.

O Dify é o caso mais claro: a sua licença é uma Apache-2.0 modificada (a "Dify Open Source License") que bloqueia explicitamente rodar o Dify para operar um SaaS multi-tenant sem uma licença comercial da LangGenius, e trava a marca do console fora de um plano pago. Essa é uma restrição real e significativa que uma licença OSI não permitiria, o que faz do Dify um projeto source-available e não open source no sentido estrito, embora a grande maioria do seu código seja genuinamente Apache-2.0. Mastra e Flowise adotam uma abordagem open-core mais limpa: os frameworks centrais são Apache-2.0 sem restrições, e apenas um diretório corporativo específico (ee/ no Mastra, enterprise/ no Flowise) fica sob uma licença comercial separada. Tudo o que você precisa para auto-hospedar um agente em produção em qualquer um dos dois está na parte aberta.

Nada disso impede uma empresa de auto-hospedar qualquer um dos 15 para uso interno. Passa a importar no momento em que você planeja embutir um deles em um produto que vende.

Auto-hospedagem, linguagem e estado: o encaixe de engenharia

Os 15 frameworks se dividem em três categorias reais: bibliotecas de orquestração code-first que você importa em um serviço (LangGraph, CrewAI, AutoGen/AG2, OpenAI Agents SDK, Pydantic AI, Semantic Kernel, LlamaIndex Workflows, Agno, Mastra, smolagents, Haystack), plataformas visuais ou aplicativos completos auto-hospedados (Dify, Langflow, Flowise) e um runtime especializado de agente de programação (OpenHands). Os 15 rodam inteiramente na sua própria infraestrutura, sem nenhuma chamada obrigatória ao fornecedor. O que muda é quanta durabilidade você recebe de graça e quanta você constrói por conta própria.

Se o seu agente precisa sobreviver a uma reinicialização de servidor no meio de uma tarefa, essa coluna de recursos "nativos" é a que você deve ler com atenção, não a contagem de estrelas.

Manutenção e saúde da comunidade: quem ainda está realmente construindo

Só a contagem de estrelas diz quase nada sobre se um projeto é seguro para construir em cima. Governança e atividade recente dizem muito mais: um repositório controlado por uma empresa pode entrar em modo de manutenção da noite para o dia, como acabou de acontecer com AutoGen e Semantic Kernel, enquanto um fork menor, governado pela comunidade, pode continuar entregando mesmo depois que a empresa que o iniciou seguiu em frente.

Estrelas e datas de push são um retrato extraído diretamente do registro da API do GitHub de cada repositório em 17 de agosto de 2026, não um ranking permanente, e mudam todo dia. O padrão que vale notar: 14 desses 15 projetos são liderados por uma única empresa, o que significa que o roadmap, e às vezes a licença, pode mudar sempre que a estratégia dessa empresa mudar. O AG2 é o único projeto aqui com governança genuinamente aberta, não corporativa.

1. LangGraph: o padrão de produção para agentes com estado

O LangGraph, da LangChain Inc, modela um agente como um grafo de nós e arestas em vez de um único loop de prompt, e é isso que torna pausa, retomada, ramificação e depuração com "viagem no tempo" nativas em vez de acopladas depois. Esse modelo de checkpointing é o principal motivo pelo qual ele aparece tanto como padrão de produção assim que uma equipe passa do protótipo. Funciona de forma independente ou junto do ecossistema mais amplo da LangChain, e sai tanto para Python quanto para TypeScript.

O trade-off é o próprio modelo mental de grafo: leva mais tempo para aprender do que uma equipe baseada em papéis, e a melhor camada de observability, o LangSmith, é gratuita para um usuário, mas cobrada por usuário além disso. Para um passo a passo prático, veja o nosso tutorial como criar um AI agent com o LangGraph.

Licença: MIT. Ideal para: Equipes que constroem agentes que precisam pausar, retomar e recuperar o estado sem perder progresso.

2. CrewAI: equipes baseadas em papéis, o caminho mais rápido até uma demo funcionando

O CrewAI define agentes por papel, objetivo e histórico, agrupa-os em uma crew e os executa de forma sequencial ou hierárquica contra um conjunto de tarefas. Essa estrutura, somada a um grande ecossistema de tutoriais e cursos, é o motivo de ele ser, muitas vezes, o caminho mais rápido de zero até uma demo multiagente funcionando. Os Flows adicionam uma camada de controle mais determinística e code-first para equipes que superam as crews puramente autônomas.

A plataforma AMP hospedada da CrewAI Inc cuida de implantação e observability, e o preço foi simplificado em 2026 para um plano Basic gratuito (50 execuções por mês) e um plano Enterprise sob consulta, depois que um plano Professional self-serve foi descontinuado. Para a configuração prática, veja como criar um AI agent com o CrewAI.

Licença: MIT. Ideal para: Equipes que querem colaboração multiagente baseada em papéis rodando em uma tarde.

3. AutoGen e AG2: um framework, dois caminhos depois da divisão

O AutoGen, da Microsoft, foi um dos primeiros frameworks de conversação multiagente amplamente adotados. No fim de 2024, vários de seus criadores originais saíram da Microsoft e fizeram um fork do projeto como AG2, primeiro como um fork no GitHub e depois como organização própria, herdando no processo os nomes de pacote autogen e pyautogen no PyPI. A divisão foi por governança: a Microsoft manteve o AutoGen liderado pela empresa, enquanto o AG2 passou a ser governado pela comunidade.

Em 2026, o AutoGen da Microsoft está oficialmente em modo de manutenção: sem novos recursos, com o desenvolvimento redirecionado para o Microsoft Agent Framework (fundido com o Semantic Kernel, GA em 3 de abril de 2026). O AG2, por outro lado, é desenvolvido ativamente sob Apache-2.0, com um roadmap publicado rumo à versão 1.0 e um trabalho de interoperabilidade entre frameworks sob a bandeira "AgentOS". Se você quer o padrão multiagente conversacional que o AutoGen popularizou, com desenvolvimento open source contínuo, o AG2 é agora o projeto vivo. Para entender o padrão de base, em qualquer um dos casos, veja sistemas multiagente.

Licença: AutoGen: MIT (código), CC-BY-4.0 (ativos que não são código). AG2: Apache-2.0. Ideal para: Equipes já investidas no padrão do AutoGen que precisam decidir entre seguir a Microsoft ou continuar em open source com o AG2.

4. OpenAI Agents SDK: o SDK mais leve, criado pelo fornecedor do modelo

O OpenAI Agents SDK é o sucessor de produção do padrão experimental "Swarm" da OpenAI: um conjunto deliberadamente pequeno de primitivas (Agents, Handoffs, Guardrails, Sessions) construído sobre a Responses API. Apesar do nome, ele não fica preso aos modelos da OpenAI. Uma extensão oficial do LiteLLM dá acesso a mais de 100 provedores, incluindo Anthropic, Gemini e Bedrock, com o mesmo código de agente.

Vale dizer com clareza: este é um produto diferente da Assistants API da OpenAI, que a OpenAI está aposentando em 26 de agosto de 2026. O Agents SDK é o caminho em desenvolvimento ativo daqui para frente; a Assistants API não é.

Licença: MIT. Ideal para: Equipes que querem a menor pegada possível de dependências e se sentem à vontade para conectar a própria persistência.

5. Pydantic AI: agentes com tipagem segura para equipes treinadas em FastAPI

O Pydantic AI vem da equipe por trás do próprio Pydantic, a biblioteca de validação da qual a maioria das APIs web em Python já depende, e isso se nota: as saídas do agente são estruturadas e validadas por construção, em vez de extraídas na base da esperança a partir de um blob de texto, e as dependências das ferramentas são injetadas do mesmo jeito que o FastAPI injeta dependências de requisição. Isso faz de uma chamada de ferramenta malformada um erro de tipo que você pega nos testes, não um incidente que você pega em produção.

O framework em si é totalmente aberto e gratuito. O Logfire, produto opcional de observability da equipe, é separado: um plano gratuito com 10 milhões de spans por mês, um plano Team a $49 por mês para cinco usuários e um plano Growth a $249 por mês para usuários ilimitados, tudo confirmado em pydantic.dev/pricing.

Licença: MIT. Ideal para: Equipes Python que querem que as saídas do agente falhem em uma checagem de tipo em vez de falhar em produção.

6. Microsoft Semantic Kernel: .NET e Python corporativos, agora em modo de manutenção

O Semantic Kernel construiu sua reputação em conectores corporativos: Azure AD, Key Vault, Application Insights e um modelo de plugin/planner que espelha como as empresas .NET já estruturam a lógica de negócio. É também o único framework desta lista com suporte maduro a Java ao lado de .NET e Python.

O fato que mais importa para quem o avalia agora: a Microsoft fundiu o Semantic Kernel com o AutoGen no Microsoft Agent Framework, em disponibilidade geral desde 3 de abril de 2026, e o próprio Semantic Kernel está agora em modo de manutenção. Ele ainda recebe correções de segurança, mas os novos padrões de orquestração estão chegando ao sucessor, não aqui.

Licença: MIT. Ideal para: Equipes com um investimento existente em Semantic Kernel que precisam de uma ponte estável enquanto planejam a migração para o Microsoft Agent Framework.

7. LlamaIndex Workflows: orquestração orientada a eventos com pedigree de RAG

O LlamaIndex Workflows modela um agente como um conjunto de etapas assíncronas que emitem e consomem eventos tipados, de modo que um agente de várias etapas se lê como uma pequena máquina de estados em vez de uma DSL de grafos dedicada. Ele nasceu diretamente da herança de conectores de dados e retrieval do LlamaIndex, LlamaHub incluído, o que se vê na naturalidade com que lida com agentes cuja função central é extrair de documentos e dados estruturados, e não apenas conversar.

O LlamaCloud hospedado da LlamaIndex Inc cuida de parsing e indexação a tarifas baseadas em uso, separado do framework de orquestração, que continua gratuito e aberto.

Licença: MIT. Ideal para: Equipes que constroem agentes em que o retrieval sobre documentos ou dados é a função central, não um complemento.

8. Agno: o framework focado em desempenho, antes conhecido como Phidata

O Agno, rebatizado a partir do Phidata em janeiro de 2025, se posiciona agora menos como biblioteca e mais como um "sistema operacional agentic", construído em torno das abstrações Agents, Teams e Workflows, mais um runtime chamado AgentOS que é dono do estado durável e o expõe via HTTP. A proposta é velocidade: os benchmarks publicados pelo próprio Agno afirmam uma instanciação de agentes cerca de 5.000 vezes mais rápida e cerca de 50 vezes menos memória do que o LangGraph. É uma alegação do fornecedor que vale testar contra a sua própria carga de trabalho antes de confiar nela, não um número verificado de forma independente.

Licença: Apache-2.0. Ideal para: Equipes que rodam grandes quantidades de agentes leves simultâneos, em que o overhead de instanciação é um gargalo real e medido.

9. Mastra: agentes nativos em TypeScript para equipes full-stack em JS

O Mastra, criado por uma equipe que inclui ex-engenheiros do Gatsby, é o primeiro framework desta lista projetado com API em primeiro lugar para TypeScript, em vez de portado de um design em Python. Workflows, agentes, RAG, evals e uma camada de memória foram feitos para se encaixar naturalmente em um serviço Next.js ou Node existente, o que importa se montar um microsserviço Python separado só para rodar agentes não vale o overhead operacional.

O framework central é Apache-2.0. Um diretório ee/ traz uma licença Mastra Enterprise separada, source-available para desenvolvimento, mas exigindo licença paga em produção, e o plano de controle opcional Mastra Cloud começa gratuito (100.000 eventos de observability, 24 horas de CPU, retenção de 15 dias) com um plano Teams a $250 por mês, confirmado em mastra.ai/pricing.

Licença: Apache-2.0 (core), licença comercial separada para ee/. Ideal para: Equipes de JavaScript e TypeScript que não querem montar um serviço Python separado só para rodar agentes.

10. smolagents: os agentes mínimos da Hugging Face que escrevem código

O smolagents faz uma aposta diferente do resto desta lista: em vez de encadear chamadas de ferramentas em JSON, o seu "CodeAgent" central escreve e executa pequenos trechos de Python como ação principal. O argumento da Hugging Face é que isso reduz o número de etapas e a taxa de erro em comparação com os loops clássicos de chamada de ferramentas, já que um modelo escrevendo results = [search(q) for q in queries] faz em uma etapa o que três chamadas de ferramentas sequenciais exigiriam. A biblioteca central é deliberadamente pequena, pequena o bastante para ser lida de ponta a ponta em uma tarde.

Licença: Apache-2.0. Ideal para: Equipes que querem entender cada linha do loop do seu agente, ou que já estão a fundo no ecossistema Hugging Face.

11. Haystack: pipelines de retrieval em produção com agentes embutidos

O Haystack, mantido pela empresa alemã deepset, começou como um framework de pipelines de busca e retrieval anos antes de "agente" virar a palavra da moda do setor, e essa herança se vê em como o seu modelo de componentes e pipelines é explícito e comprovado para retrieval e processamento de documentos. Os agentes no Haystack são construídos como componentes dentro do mesmo grafo de pipeline, não como um conceito acoplado à parte.

A deepset vende um Haystack Enterprise Starter (suporte mais templates de produção) e uma Haystack Enterprise Platform completa sobre o núcleo aberto, ambos com preço por porte da organização, e não publicados em uma tabela de tarifas.

Licença: Apache-2.0. Ideal para: Equipes cujo trabalho real do agente é retrieval preciso e manuseio de documentos, com a conversa como uma camada fina por cima.

12. Dify: o app completo de LLMOps, com uma licença que você deveria mesmo ler

O Dify reúne um construtor visual de workflows, um IDE de prompts, um pipeline de RAG, orquestração de agentes e observability em um único aplicativo auto-hospedado, o que o deixa mais próximo de uma plataforma completa de LLMOps do que de uma biblioteca de código. Essa amplitude, somada a uma grande comunidade, é provavelmente o motivo de ele estar entre os repositórios com mais estrelas de toda esta lista, atrás apenas do Langflow. A LangGenius, a empresa por trás dele, também opera o Dify Cloud: um plano Sandbox gratuito, o Professional a $59 por mês ($590 por ano, cobrados anualmente), o Team a $159 por mês ($1.590 por ano, cobrados anualmente) e um plano Enterprise sob consulta, tudo confirmado em dify.ai/pricing.

Leia a seção de licenças acima antes de apostar um produto revendido neste: a licença Apache-2.0 modificada do Dify bloqueia operá-lo como um SaaS multi-tenant sem uma licença comercial da LangGenius. Para uma alternativa totalmente gerenciada que contorna de vez a questão do self-hosting, veja o nosso panorama dos melhores construtores de AI agents no-code.

Licença: Apache-2.0 modificada ("Dify Open Source License"), source-available. Ideal para: Equipes que querem um construtor de apps de LLM interno e auto-hospedado para funcionários, não uma base de código para embutir em um produto revendido.

13. Langflow: construção de arrastar e soltar, agora na órbita da IBM

O Langflow coloca um canvas visual sobre componentes no estilo LangChain e exporta o que você constrói como Python executável ou um endpoint de API chamável, o que o torna uma forma genuinamente popular de prototipar um fluxo de agente e passá-lo aos engenheiros, ou de fazer uma demo para um stakeholder não técnico. A DataStax adquiriu o Langflow em abril de 2024, e a IBM concluiu a aquisição da DataStax em maio de 2025, então o roadmap do Langflow agora está dentro da estratégia watsonx da IBM.

Diferentemente de Dify ou Flowise, o Langflow não traz nenhuma ressalva de licença: é MIT, ponto final.

Licença: MIT. Ideal para: Equipes que querem um construtor visual gratuito, com licença MIT, para prototipar antes de levar um fluxo para código escrito à mão.

14. Flowise: o construtor visual nativo em JavaScript que a Workday acabou de comprar

O Flowise é a resposta nativa em TypeScript ao canvas do Langflow, que prioriza Python, e isso importa se o seu backend já é um serviço Node e você não quer trazer Python para a stack só para prototipar agentes. A Workday anunciou a aquisição da FlowiseAI em agosto de 2025, confirmada na própria sala de imprensa da Workday, e a expectativa é que a ferramenta passe a alimentar, com o tempo, o roadmap de agentes corporativos de RH e finanças da Workday.

O framework central continua Apache-2.0, com um diretório enterprise/ sob uma licença proprietária separada. O Flowise Cloud tem um plano gratuito (2 fluxos, 100 previsões por mês), o Starter a $35 por mês (10.000 previsões) e o Pro a $65 por mês (50.000 previsões, cinco usuários incluídos, $15 por usuário adicional), tudo confirmado diretamente em flowiseai.com.

Licença: Apache-2.0 (core), licença proprietária para enterprise/. Ideal para: Equipes de JavaScript que querem a experiência do Langflow sem trazer Python para a stack.

15. OpenHands: o engenheiro de software autônomo open source

O OpenHands, rebatizado a partir do OpenDevin no fim de 2024 e criado pela All Hands AI, faz um trabalho diferente dos outros 14 frameworks desta lista. Não é uma biblioteca de uso geral sobre a qual você monta um agente sob medida, é um runtime especializado que dá a um agente um shell, um navegador e um editor de código reais em sandbox, para que ele planeje, escreva, execute, teste e corrija código de forma autônoma. Se você o está comparando com produtos hospedados de agentes de programação, veja o nosso panorama dos melhores AI coding agents.

A All Hands AI opera o OpenHands Cloud ao lado da versão local gratuita: um plano Individual gratuito com a sua própria chave de API ou acesso a modelos a preço de custo, e um plano Enterprise sob consulta para implantação em VPC privada ou auto-hospedada com SSO, confirmado em openhands.dev/pricing.

Licença: MIT. Ideal para: Equipes que querem uma alternativa aberta e auto-hospedável aos produtos fechados de agentes de programação, não um framework para construir um agente de uso geral.

O custo real do "grátis"

O código de todos os frameworks é gratuito nos 15 casos. O que não é gratuito é tudo o que torna um agente confiável o bastante para rodar sem supervisão. Quase todo fornecedor desta lista monetiza a mesma camada: não o código de orquestração, mas a observability, a avaliação e a hospedagem gerenciada que o envolvem.

Orce essa última linha antes de orçar uma taxa de licença. Um framework com preço zero e nenhum engenheiro que entenda o seu modelo de estado é mais caro do que um framework com um plano hospedado modesto e uma equipe fluente nele.

Como escolher: framework de decisão

Associe a sua situação ao ponto de partida certo e depois leia a seção completa desse framework acima antes de se comprometer.

Se a sua equipe prefere avaliar uma plataforma totalmente gerenciada em vez de montar uma a partir de um framework, o nosso panorama das melhores plataformas corporativas de AI agents e o nosso guia de como escolher uma plataforma de AI agents cobrem esse caminho.

O que fazer em seguida

Não avalie os 15 frameworks de uma vez. Reduza a dois com base na sua linguagem (Python ou TypeScript) e no seu estilo de construção (biblioteca de código ou app visual), e então construa o mesmo agente pequeno, uma chamada de ferramenta, uma passagem de tarefa em várias etapas e um caso de falha deliberado, nos dois. O framework que sobrevive a você tentando quebrá-lo é aquele em que vale construir.

Se a sua equipe prefere nem construir o agente, o nosso panorama das melhores plataformas de AI agents cobre as alternativas gerenciadas, e o guia de como criar um AI agent percorre as etapas de base, não importa qual framework você acabe escolhendo.