Comparativa de 15 frameworks de enjambres de agentes: OpenAI, Google, Microsoft
Anthropic dividió su asistente de investigación en un agente principal y un equipo de subagentes paralelos, y comunicó resultados 90,2 % mejores en sus evaluaciones internas. Sin embargo, el sistema utilizó aproximadamente 15 veces más tokens.1 Cuánto se paga de esa sobrecarga depende en parte del framework.
En nuestro benchmark de orquestación, ejecutamos el mismo flujo de trabajo de cinco agentes con el mismo model y las mismas herramientas en cuatro frameworks, y LangGraph terminó 2.2 veces más rápido que CrewAI porque los frameworks gestionan las llamadas a herramientas y el contexto de manera diferente.
Compara once frameworks según sus funciones y precios, y descubre cómo ha cambiado el mercado en un año:
Producto | Mantenedor | Licencia | Lenguajes | Precios |
|---|---|---|---|---|
Agency Swarm | VRSEN | MIT | Python 3.12+ | Gratis; sin oferta alojada |
Agent Squad | 2FastLabs (originalmente AWS Labs) | Apache 2.0 | Python, TypeScript, Swift | Gratis; el uso de Bedrock lo factura AWS |
AgentScope | Alibaba | Apache 2.0 | Python, Java | Gratis; implementación opcional en Alibaba Cloud facturada por uso |
CAMEL | CAMEL-IA.org | Apache 2.0 | Python | Gratis; sin oferta alojada |
CrewAI | CrewAI Inc. | MIT | Python | Gratis; AMP: nivel gratis (50 ejecuciones/mes), Professional: $25/mes |
Google ADK | Google | Apache 2.0 | Python, TypeScript, Go, Java, Kotlin | Gratis; alojamiento de Agent Engine basado en uso |
LangGraph | LangChain Inc. | MIT | Python, JS/TS | Gratis; alojamiento a través de LangSmith Plus: $39/puesto/mes |
Mastra | Mastra (Kepler Software) | Apache 2.0 (excepto el código ee/) | TypeScript | Gratis; plataforma: nivel gratis, Teams: $250/mes |
MetaGPT | FoundationAgents | MIT | Python | Gratis; el producto alojado Atoms (antes MGX) tiene precio aparte |
Microsoft Agent Framework | Microsoft | MIT | Python, .NET (Go en versión preliminar) | Gratis; alojamiento en Foundry basado en uso |
¿Qué es un enjambre de agentes?
Un enjambre de agentes es una configuración en la que varios agentes de IA trabajan en una tarea compartida, en lugar de que un único agente haga todo (un diseño “monolítico”). Los agentes se coordinan de una de estas tres maneras:
- Transferencias: un agente cede el control de la conversación a otro agente más especializado.
- Paso de mensajes: los agentes se envían mensajes o resultados entre sí.
- Grafo de estado compartido: los agentes son nodos de un grafo que leen y escriben un estado común.
Características de los enjambres de agentes
Los frameworks de enjambres de agentes comparten cuatro características principales:
- Llamada a herramientas y funciones: los agentes pueden llamar a APIs y otras funciones, y el framework genera los esquemas de esas llamadas.
- Orquestación multiagente: se realiza mediante grafos explícitos, transferencias, equipos jerárquicos o un enrutador central que envía cada tarea al agente más adecuado.
- Memoria y estado: el historial de la conversación o el estado de la tarea se mantiene entre turnos, en memoria o en un almacén conectable como SQLite, Redis o una base de datos vectorial.
- Código abierto: el código de todos los frameworks está en GitHub bajo una licencia permisiva, excepto Mastra.
Frameworks y plataformas de enjambres de agentes
Agency Swarm
Está construido sobre el OpenAI Agents SDK. Defines a los agentes por rol (por ejemplo, CEO, desarrollador o asistente) y declaras qué agentes pueden contactar con cuáles; después, los agentes hablan a través de una herramienta send_message. Las herramientas se tipan con Pydantic y tú mismo guardas el historial de conversaciones mediante funciones de devolución de llamada.
Pros:
- Convierte esquemas OpenAPI directamente en herramientas de agente.
- Funciona en macOS, Linux y Windows.
Contras:
- Los models distintos de los de OpenAI (Anthropic, Gemini, Grok, Azure, OpenRouter) pasan por LiteLLM en lugar de una integración nativa.
- La versión 1.x está construida sobre el OpenAI Agents SDK y la API Responses, por lo que los cambios allí le afectan.2
AgentScope
El framework Python de Alibaba, ahora en la versión 2.0, está construido a partir de bloques como un bucle ReAct, kit de herramientas, memoria y middleware. Requiere Python 3.11 o superior e incluye Agent Team, donde un agente líder coordina a los agentes trabajadores. Su sistema de permisos ofrece un control detallado sobre herramientas y recursos, incluidos los pasos de confirmación.
Pros:
- Las herramientas y el código se ejecutan en espacios de trabajo aislados en backends que van desde local y Docker hasta E2B, Daytona y Kubernetes.
- Su servicio de agentes incluye persistencia SQL y NoSQL para el estado y las sesiones de los agentes, además de tareas programadas.3
Contras:
- El ejemplo de inicio rápido utiliza el model DashScope de Alibaba.3
Agent Squad
Un clasificador envía cada solicitud al agente más adecuado y utiliza Amazon Bedrock de forma predeterminada.4 SupervisorAgent coordina subagentes que comparten un mismo contexto de conversación. GroundedAgent mantiene la recopilación de datos separada de la redacción de la respuesta, para reducir el contenido inventado.
Pros:
- La versión Swift se ejecuta íntegramente en el dispositivo (iOS 16+, macOS 14+), incluidas las herramientas MCP, la voz y el historial de chat almacenado localmente.
- Python y TypeScript tienen paridad de funciones.
- Los agentes listos para usar cubren Bedrock, Anthropic, OpenAI, Lex y Lambda.
Contras:
- El enrutamiento añade una llamada al clasificador en cada solicitud; la opción más rápida JevClassifier depende de un servicio de pago de terceros, TypeSafe IA.
- GroundedAgent utiliza dos llamadas LLM en los turnos que usan herramientas.5
CAMEL
Un framework Python de CAMEL-IA.org centrado en descubrir las leyes de escalado de los agentes. Su módulo Workforce reúne, gestiona y escala equipos de agentes para tareas que superan a un único agente, e inicia pasos de recuperación cuando una tarea falla.
Pros:
- Su diseño abarca la generación de datos, la automatización de tareas y la simulación de mundos.
- A los agentes se les puede dar un HumanToolkit para pedir a una persona una aclaración o aprobación a mitad de tarea.
Contras:
- No tiene nivel de pago ni servicio alojado de CAMEL-IA.6
- Los conjuntos de herramientas, como la búsqueda web, se instalan por separado como extras (camel-ai[web_tools]).7
CrewAI
Los agentes se organizan en “crews”, donde cada agente tiene un rol, un objetivo y herramientas. Una segunda capa llamada Flows gestiona la ejecución paso a paso basada en eventos y con bifurcaciones condicionales.
La memoria se almacena en una jerarquía, se puede buscar con búsqueda vectorial rápida o con un recuerdo más profundo asistido por LLM, y los guardados se producen en segundo plano. La plataforma alojada, AMP, añade un editor visual; AMP Factory ejecuta la misma plataforma en tus propios servidores o en una nube privada.
Pros:
- Independiente, sin dependencia de LangChain.
- Compatible con MCP y A2A.
- La memoria y los models pueden ejecutarse localmente a través de Ollama, de modo que el contenido no pasa por una API externa.8
- Pasa la salida completa de cada agente anterior al siguiente; en nuestro benchmark de orquestación, su agente final produjo el resultado más detallado (5.339 tokens).
Contras:
- Los agentes llaman a la OpenAI API de forma predeterminada, salvo que configures otro proveedor.
- La telemetría de uso anónima está activada de forma predeterminada (desactívala con la variable de entorno
OTEL_SDK_DISABLED). - Los agentes deliberan antes de llamar a una herramienta, lo que no se puede desactivar; en nuestro benchmark esto tardó unos 5 segundos, la mayor parte de los 9 segundos que duró la ejecución de un agente.
Google Agent Development Kit (ADK)
ADK 2.0 añadió un motor de flujos de trabajo basado en grafos que combina pasos de código fijos con decisiones de agentes, con soporte para enrutamiento, fan-out y fan-in, bucles, reintentos y supervisión humana. La interfaz adk web incluye un constructor visual de arrastrar y soltar que es experimental y solo está disponible en Python. Los agentes se despliegan en Vertex AI Agent Engine, Cloud Run o GKE.9
Pros:
- La evaluación está integrada a través de
adk eval, en lugar de requerir una herramienta independiente. - La API Task gestiona la delegación estructurada entre agentes.
Contras:
- Las versiones de los lenguajes no avanzan a la vez: 2.0 está disponible para Python, Go y TypeScript, pero todavía no para Java ni Kotlin.
LangGraph
Los flujos de trabajo se definen como grafos dirigidos que pueden hacer bucles y ramificarse según condiciones. Una API de interrupción permite a una persona inspeccionar o cambiar el estado de una ejecución en cualquier momento. LangSmith Studio es un depurador visual para grafos escritos en código. LangSmith Agent Builder configura agentes mediante un formulario en lugar de un lienzo de arrastrar y soltar.10 LangSmith Deployment es el alojamiento gestionado opcional de LangChain.
Pros:
- Se puede usar sin LangChain ni ningún servicio de pago.
- La ejecución duradera guarda puntos de control, de modo que una ejecución fallida se reanuda exactamente donde se detuvo.
- Pasa solo los cambios de estado entre agentes, no las salidas completas; en nuestro benchmark de orquestación, su agente final produjo 2.589 tokens, la menor cantidad de los frameworks probados.
Contras:
- Se describe a sí mismo como un framework de bajo nivel y, para crear agentes rápidamente, su propio README remite a los usuarios a Deep Agents, un paquete de nivel superior construido sobre él.11
Mastra
Combina agentes, flujos de trabajo basados en grafos, memoria, evaluaciones y observabilidad en un solo framework. Los flujos de trabajo pueden pausarse indefinidamente para la aprobación humana y reanudarse desde el estado guardado. Studio es una interfaz para probar agentes escritos en código y puede compartirse con un equipo a través de Mastra Cloud.12
Pros:
- Se conecta a más de 40 proveedores de models a través de una única interfaz.
- Puede publicar sus agentes y herramientas como servidores MCP.
- Se integra en aplicaciones React, Next.js o Node.js existentes.13
Contras:
- Las funciones de los directorios
ee/requieren una licencia comercial para su uso en producción.13
MetaGPT
Un framework Python construido sobre la idea de que el código es el resultado de aplicar procedimientos operativos estándar a un equipo de agentes LLM. Asigna roles como gestor de producto, arquitecto, gestor de proyecto e ingeniero a agentes separados.
Pros:
- Se ejecuta como CLI o como biblioteca de Python, y la configuración acepta proveedores como OpenAI, Azure, Ollama y Groq.
- Incluye un rol de Data Interpreter para escribir código en tareas de datos.14
Contras:
- Las últimas noticias del README son de marzo de 2025 y promocionan mgx.dev, el producto comercial del equipo.14
Microsoft Agent Framework
Un framework abierto y multilingüe para crear agentes de IA de nivel de producción y flujos de trabajo multiagente. Está totalmente soportado en Python y C#/.NET con APIs coherentes, y el README enlaza guías de migración desde Semantic Kernel y AutoGen.15
Pros:
- Toda la orquestación admite supervisión humana, de modo que un flujo de trabajo puede pausarse y esperar a una persona en puntos determinados.16
- Los agentes se pueden desplegar en infraestructura alojada en Foundry con dos líneas de código adicionales, y el trazado de OpenTelemetry está integrado.15
Contras:
- La versión de Go es una versión preliminar pública que todavía no tiene agentes declarativos, RAG, CodeAct ni flujos de trabajo funcionales.
- Algunos paquetes de proveedores todavía están en una fase inicial. La integración de Gemini está marcada como Alpha.17
Microsoft AutoGen
Los agentes se coordinan a través de un chat de grupo en lugar de un grafo de ejecución definido. AutoGen Studio es un constructor visual sin código y UserProxyAgent proporciona entrada con supervisión humana.18 Microsoft dirige los proyectos nuevos hacia Microsoft Agent Framework, y un fork comunitario, AG2, continúa por separado.19
Pros:
- Un diseño por capas ofrece tanto una API de alto nivel para patrones comunes como un núcleo de bajo nivel para los personalizados, con interoperabilidad entre Python y .NET.
- El chat de grupo se adapta a tareas de varios turnos, como la lluvia de ideas y la revisión iterativa.20
Contras:
- El proyecto ahora está gestionado por la comunidad, por lo que las respuestas de soporte pueden tardar.
- AutoGen Studio está pensado para la creación de prototipos y, según su propio README, no es una aplicación lista para producción.21
Microsoft Semantic Kernel
Un SDK construido en torno a plugins, con conectores para sistemas empresariales existentes y un Process Framework para flujos de trabajo empresariales estructurados. Microsoft ofrece guías de migración que trasladan los plugins existentes a Microsoft Agent Framework.22
Pros:
- Independiente del model, con soporte de MCP para plugins.
- Ejecuta models locales a través de Ollama, LM Studio u ONNX.
Contras:
- Su README ahora afirma que Semantic Kernel “ahora es Microsoft Agent Framework” y que las nuevas funciones van allí.
OpenAI Agents SDK
Está construido en torno a agentes, transferencias, barreras de protección, sesiones y trazado. Los agentes de sandbox trabajan dentro de un contenedor en tareas largas y mantienen el estado del espacio de trabajo entre pasos, y los agentes en tiempo real gestionan la voz. Sustituye a la biblioteca Swarm, retirada, de OpenAI.
Pros:
- La supervisión humana está integrada, y las barreras de protección de entrada y salida pueden ejecutarse en paralelo y detener una ejecución de forma anticipada.23
- Funciona con más de 100 models además de los del propio OpenAI.24
Contras:
- El sandbox local predeterminado solo funciona en macOS y Linux; Windows necesita Docker o un sandbox alojado.
- Las transferencias son la única primitiva de coordinación, por lo que una regla como “dos agentes deben terminar antes de que empiece un tercero” tiene que implementarse fuera del SDK.20
PraisonAI
Los agentes y las configuraciones multiagente se pueden definir en YAML sin código, crear en el editor de arrastrar y soltar Flow (basado en Langflow) o escribir en Python o JavaScript. Incluye más de 100 herramientas integradas y admite más de 100 models.
Pros:
- El panel Claw conecta a los agentes con Telegram, Discord, Slack y WhatsApp.
- La detección de bucles negativos, la aprobación humana y las barreras de protección ayudan a evitar agentes descontrolados.
Contras:
- Claw requiere claves tanto de OpenAI como de la API de Tavily.
- El proyecto vive en la cuenta personal de GitHub de su creador.25
Spring IA Alibaba
El framework de agentes es un framework de Java construido sobre Spring IA con dos capas. Incluye ingeniería de contexto integrada y soporte de supervisión humana, junto con agentes de flujo de trabajo como SequentialAgent, ParallelAgent, RoutingAgent y LoopAgent. El runtime de Graph subyacente proporciona persistencia, orquestación y streaming para agentes con estado de larga duración.26
Pros:
- La comunicación entre agentes funciona a través de Nacos, de modo que los agentes pueden coordinarse entre servicios.26
- La plataforma Admin permite crear agentes visualmente, desplegarlos sin código o exportarlos como un proyecto Java, y puede migrar Dify DSL.26
- Utiliza exclusivamente Java y está estrechamente integrado con los servicios de Alibaba Cloud como Bailian, ARMS y Nacos.
Swarms
A través de una interfaz SwarmRouter, eliges entre patrones de coordinación listos para usar como secuencial, concurrente, jerárquico, de grafo y de mezcla de agentes. AutoSwarmBuilder genera un equipo de agentes a partir de la descripción de una tarea, y los patrones de consenso y debate permiten votar a los agentes. Swarms Cloud es una API alojada que se factura por uso.
Pros:
- Documenta diez arquitecturas en su README y enlaza a más de 60 adicionales.
- GraphWorkflow ejecuta ramas independientes en paralelo automáticamente.
- Afirma compatibilidad con agentes creados en LangChain, AutoGen y CrewAI.
Contras:
- El modo recomendado “auto” no tiene un límite fijo de iteraciones, y el propio README aconseja un límite fijo para trabajos sensibles al coste.27
Patrones y tendencias de orquestación de enjambres de agentes
1. Los grandes proveedores sustituyeron sus primeros frameworks de agentes
Entre marzo de 2025 y abril de 2026, OpenAI, Microsoft y Google sustituyeron o reconstruyeron por completo sus frameworks de agentes.
- OpenAI: Swarm fue sustituido por el Agents SDK en marzo de 2025. El SDK conserva el modelo de transferencia de Swarm y añade barreras de protección de IA, trazado y sesiones.28
- Microsoft: AutoGen y Semantic Kernel se fusionaron en Microsoft Agent Framework, que alcanzó la versión 1.0 en abril de 2026. Ambos frameworks anteriores están ahora en modo de mantenimiento.29
- Google: ADK 2.0 sustituyó su ejecutor jerárquico de agentes por un motor de flujos de trabajo basado en grafos.30
- AWS: Agent Squad dejó AWS Labs cuando sus autores originales lo llevaron a su propia empresa, 2FastLabs.31
2. Los motores de flujos de trabajo basados en grafos se convirtieron en el estándar
En 2026, ADK, Microsoft Agent Framework, LangGraph y Mastra permiten a los desarrolladores crear flujos de trabajo multiagente como grafos. Los agentes y las funciones son los nodos, y las aristas establecen el orden, las ramificaciones y los bucles. 20 Un grafo puede expresar cualquiera de los tres patrones de coordinación habituales, y la mayoría de los sistemas de producción combinan más de uno.
Centralizado (orquestador-trabajador)
Un agente supervisor divide la tarea, envía subtareas a los agentes trabajadores y combina sus resultados. Algunos ejemplos son:
- Amazon Bedrock: La colaboración multiagente utiliza este model y está disponible de forma general desde el 10 de marzo de 2025.32
- Anthropic: Su sistema de investigación utiliza un agente principal con subagentes paralelos. 1
Jerárquico
Los supervisores delegan en supervisores de nivel inferior, lo que ayuda con tareas demasiado grandes para la ventana de contexto de un solo agente.
- ADK 2.0: Workflow Runtime admite flujos de trabajo anidados, fan-out y fan-in, bucles y reintentos.33
- Plantillas de ADK: SequentialAgent, ParallelAgent y LoopAgent cubren pipelines habituales sin tener que construir un grafo a mano.34
Descentralizado (transferencias entre pares)
Los agentes se ceden el control directamente entre sí mientras se ejecuta la tarea, sin un supervisor.
Por ejemplo, la biblioteca swarm de LangGraph implementa esto y recuerda el último agente activo, de modo que un mensaje de seguimiento vuelve a él.35
Sea cual sea el patrón que utilice un framework, la transferencia en sí rara vez es el cuello de botella. En nuestro benchmark de orquestación, pasar el trabajo de un agente al siguiente tardó milisegundos en todos los frameworks; las diferencias provenían de cómo gestiona cada framework las llamadas a herramientas y el contexto.
3. Los dos principales protocolos de agentes pasaron a la Linux Foundation en 2025
Un agente puede usar ambos:
- Model Context Protocol (MCP) conecta a un agente con sus herramientas y datos. Anthropic lo creó en 2024 y lo donó a la Agentic IA Foundation de la Linux Foundation en diciembre de 2025.36
- Agent2Agent (A2A) conecta agentes separados entre sí, incluso entre frameworks y proveedores. Google lo creó en abril de 2025 y lo transfirió a la Linux Foundation en junio de ese mismo año.37
Lecturas adicionales
- Principales patrones de diseño de IA agéntica y ejemplos del mundo real
- LLM Orchestration: mejores frameworks y gateways
- Mejores creadores de agentes de IA
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{simsek2026,
author = {Şimşek, Hazal},
title = {{Comparativa de 15 frameworks de enjambres de agentes: OpenAI, Google, Microsoft}},
year = {2026},
month = nov,
howpublished = {\url{https://aimultiple.com/agent-swarm}},
note = {AIMultiple. Recuperado el 5 de noviembre de 2026}
}Resultados y marcas de tiempo de 475 puntos de datos. Descargue los datos resumidos que se muestran en los gráficos y las tablas de este artículo como un archivo ZIP que contiene 3 archivos CSV.
¿Quieres los datos granulares que hay detrás? Únete a Premium

Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.