Los 10+ mejores frameworks y herramientas de orquestación agéntica

• Diez frameworks se acercan entre sí en coste y velocidad: 1.000 ejecuciones cuestan entre 1.4 y 1.7 USD, y una ejecución tarda entre 12 y 14 segundos en promedio.
• Google ADK, smolagents y Microsoft Agent Framework se distinguen: cuestan entre 1.6 y 1.9 veces más, y una ejecución tarda de 1 a 5 segundos más en promedio.
• Los frameworks más baratos (LangGraph, LangChain, Agno) tardaron aproximadamente 1 segundo más por ejecución que el grupo más rápido: Strands, OpenAI Agents SDK, AutoGen, Pydantic IA y CAMEL.

El agente de actividades tenía una regla: elegir una actividad de interior si la probabilidad de lluvia del día es del 50 % o superior o si hay pronóstico de lluvia; de lo contrario, elegir una actividad al aire libre. Los tres días estuvieron soleados o nublados con una probabilidad de lluvia del 5 al 10 %, por lo que la respuesta correcta fue una actividad al aire libre para cada día.

Hallazgos del benchmark de orquestación agéntica

Cuando el modelo pensaba antes de responder, seguía la regla en todas las ocasiones (388 de 388 ejecuciones). Cuando respondía sin pensar, seguía la regla en solo el 38 % de las ejecuciones.

El mismo patrón se mantiene dentro de cada framework. En LangGraph, por ejemplo, el modelo pensó en 3 ejecuciones y siguió la regla en las 3; en las ejecuciones en las que no pensó, el cumplimiento fue del 46 %.

El framework cambia la frecuencia con la que piensa el modelo. El modelo pensó en el 100 % de las ejecuciones en Google ADK y smolagents, en el 86 % en Microsoft Agent Framework y en el 78 % en CrewAI. En los otros 9 frameworks, la tasa fue del 0 al 9 %.

Cuando el modelo no pensó, el formato de la entrada determinó el cumplimiento: del 42 al 53 % en los frameworks que pasan la instrucción sin cambios, 2 % en Strands y 0 % en AutoGen.

Por qué el framework afecta al pensamiento

Claude Haiku 5.5 decide en cada solicitud si piensa, según lo que recibe. Todos los frameworks enviaron la misma instrucción y los mismos datos, pero la arquitectura de cada framework decide qué más llega con ellos:

• Cuánto contexto previo recibe cada agente: los frameworks de estilo pipeline pasan al agente de actividad solo los detalles del viaje y el pronóstico (541 tokens, incluida la instrucción). Google ADK y Microsoft Agent Framework pasan toda la conversación hasta el momento, incluidas las llamadas a herramientas y los resultados anteriores (3.579 y 2.439 tokens).
• Qué plantilla envuelve la instrucción: smolagents la coloca dentro de una plantilla de sistema larga con reglas y ejemplos de uso de herramientas (2.162 tokens). CrewAI la convierte en un rol, un objetivo y una «tarea actual» con una salida esperada.
• Cómo se presentan las salidas de los agentes anteriores: pueden llegar como bloques de entrada simples, como mensajes de chat de otros agentes o como las propias respuestas anteriores del agente.

La longitud por sí sola no explica el resultado. La entrada que recibió el agente de actividad en CrewAI fue de solo 648 tokens; sin embargo, el modelo pensó en el 78 % de las ejecuciones. La de AutoGen fue de 1.093 tokens, y el modelo pensó en solo el 9 % de las ejecuciones. Tanto el tamaño como la estructura de la entrada parecen importar.

Errores

El modelo no ignoró el clima: todas las infracciones ocurrieron en un día nublado y ninguna ejecución colocó una actividad de interior en el día soleado. La infracción más común fueron los Museos Vaticanos, que representaron el 87 % de las selecciones de interior. Sin pensar, el modelo parece haber tratado el cielo nublado como clima de interior en lugar de aplicar la regla del 50 %. Cuando el modelo pensó, siguió la regla en todas las ocasiones.

Frameworks que pasan el texto sin cambios

Estos frameworks no añaden texto propio; el agente recibe exactamente lo que escribe el desarrollador. En nuestra prueba escribimos la misma entrada para los siete, por lo que el agente de actividad recibió una solicitud idéntica en cada uno. El modelo pensó en del 0 al 3 % de las ejecuciones, y el cumplimiento fue del 42 al 54 %.

• LangGraph: cada agente es un nodo en un grafo de estado. El nodo lee las salidas anteriores del estado compartido y construye su mensaje.
• LangChain: los agentes son pasos de una cadena LCEL. Cada paso construye su mensaje a partir de los valores que se pasan a lo largo de la cadena.
• Agno: cada agente es un paso de un flujo de trabajo. El paso lee las salidas de los pasos anteriores por nombre.
• LlamaIndex: cada agente es un paso de un flujo de trabajo dirigido por eventos. Los eventos llevan las salidas anteriores al siguiente paso.
• OpenAI Agents SDK: los agentes se llaman uno tras otro en el código. Las transferencias del SDK permiten que el modelo elija el siguiente agente, por lo que no las usamos para una secuencia fija.
• Pydantic IA: los agentes se llaman uno tras otro en el código, siguiendo el patrón de traspaso programático de su documentación.
• CAMEL: los agentes se llaman uno tras otro en el código. Su función Workforce añade un agente coordinador con llamadas al modelo adicionales, por lo que no la usamos.

Frameworks que añaden su propio formato

• CrewAI: coloca la instrucción en su plantilla de «rol, historia, objetivo» y presenta el paso como una «tarea actual» con una salida esperada, seguida de las salidas de las tareas anteriores. La entrada del agente de actividad fue de solo 648 tokens; sin embargo, el modelo pensó en el 78 % de las ejecuciones y el 86 % de las ejecuciones siguió la regla.
• smolagents: cada instrucción se incluye dentro de la larga plantilla de sistema propia de smolagents, que explica cómo llamar a las herramientas, da ejemplos y reglas, y exige la respuesta mediante una herramienta final_answer. Con esta plantilla, tanto el pensamiento como el cumplimiento de la regla alcanzaron el 100 %.
• Google ADK: las respuestas de los agentes anteriores, las llamadas a herramientas y los resultados de las herramientas llegan uno a uno como notas de «para contexto», y cada instrucción recibe una línea de identidad. Con esta entrada de 3.579 tokens, el modelo pensó antes de cada respuesta y nunca incumplió la regla.
• Microsoft Agent Framework: el agente recibe toda la conversación, incluidas las llamadas a herramientas, con las salidas de los agentes anteriores presentadas como sus propias respuestas previas; la opción que requiere Claude añade «por favor, continúa.» al final. El pensamiento ocurrió en 86 de 100 ejecuciones, y el cumplimiento alcanzó el 92 %.
• AutoGen: en la conversación grupal de AutoGen, las respuestas de los agentes anteriores llegan a cada agente como mensajes de chat. El modelo pensó en solo 9 ejecuciones, y esas 9 fueron las únicas ejecuciones que siguieron la regla.
• Strands: las entradas llegan bajo los encabezados «Tarea original» y «Entradas de nodos anteriores». Con este formato, el modelo nunca pensó y siguió la regla en solo 2 de 100 ejecuciones.

Algunos de estos formatos son configurables; Google ADK y Microsoft Agent Framework, por ejemplo, tienen ajustes que reducen la conversación que recibe cada agente. Usamos la configuración predeterminada en todos los frameworks.

Estos resultados provienen de Claude Haiku 5.5, que decide en cada solicitud si piensa. Otros LLMs pueden comportarse de manera diferente, por lo que la brecha entre frameworks puede ser menor o mayor con otro modelo.

Recomendaciones de nuestra prueba

• Pruebe una regla con el framework y el modelo que planea implementar. Una instrucción que funciona en un framework puede no dar el mismo resultado en otro.
• Si una regla es importante, utilice un ajuste de razonamiento más alto o active el pensamiento. En el ajuste medio que usamos, el modelo omitió el pensamiento en la mayoría de las ejecuciones; cada ejecución en la que pensó siguió la regla, a costa de más tiempo y tokens.
• Si una regla es simple y exacta (por ejemplo, «interior si la probabilidad de lluvia es superior al 50 %»), compruébela en código en lugar de dejarla en manos del modelo. Un pequeño paso de validación sobre la salida del agente detecta el error en cualquier framework.
• En los frameworks que envían a cada agente toda la conversación, reducir el contexto reduce el coste. Sin embargo, en nuestra prueba esos frameworks también provocaron más pensamiento, así que compruebe que el cumplimiento de la regla se mantiene después de reducirlo.

Sobrecarga del framework y tiempo de finalización

• El código del framework añadió de 55 a 148 ms por ejecución, aproximadamente el 1 % del total. El resto fue el tiempo de respuesta del modelo.
• La sobrecarga no predice la velocidad. Strands, uno de los frameworks más rápidos, tuvo una sobrecarga alta (115 ms); Microsoft Agent Framework, el más lento, tuvo una sobrecarga baja (73 ms).
• Las llamadas al modelo adicionales importan más. Una llamada a herramienta repetida o un paso adicional añade una llamada al modelo, o de 1 a 3 segundos.
• El tiempo de ejecución varió unos 2 segundos de una ejecución a otra dentro de cada framework, por lo que las diferencias de menos de medio segundo entre frameworks están dentro del ruido.

Qué envían los frameworks a cada agente y uso de tokens

El planificador de viajes es el último agente del flujo de trabajo. Combina las salidas de los cuatro agentes anteriores en un plan día a día y solo necesita esas cuatro salidas, pero los frameworks le enviaron cantidades de texto muy diferentes. Las cifras siguientes son tokens de prompt por ejecución, sumados entre los cinco agentes.

Frameworks que pasan solo las entradas necesarias

Estos frameworks ejecutan los agentes como pasos de un pipeline. El planificador recibe 2 mensajes: su instrucción y las cuatro salidas. Las pequeñas diferencias provienen de cómo escribe cada framework las definiciones de las herramientas.

• Agno: 6.052 tokens.
• LangGraph: 6.053 tokens.
• LangChain: 6.054 tokens.
• CAMEL: 6.094 tokens.
• OpenAI Agents SDK: 6.235 tokens. Sus definiciones de herramientas son más largas.
• Pydantic IA: 6.411 tokens. Sus definiciones de herramientas son más largas.
• LlamaIndex: 6.590 tokens. Sus descripciones de herramientas incluyen la firma completa de la función y la docstring.

Frameworks que añaden una plantilla o entradas adicionales

• CrewAI: 7.456 tokens. Envuelve cada instrucción en su plantilla de «rol, historia, objetivo», enmarca el paso como una tarea con una salida esperada y añade las salidas de las tareas anteriores como contexto.
• Strands: 7.693 tokens. Repite la solicitud del usuario a cada agente como un bloque «Tarea original». Las aristas que mantienen el orden de los agentes también dan a algunos agentes una entrada adicional; el agente meteorológico, por ejemplo, recibe la salida del agente de vuelos.
• smolagents: 16.576 tokens. Envuelve cada instrucción en su propia plantilla grande, que explica el uso de herramientas e incluye ejemplos. El prompt del primer agente fue de 1.686 tokens, frente a 173 en la mayoría de los demás frameworks.

Frameworks que comparten toda la conversación

Estos frameworks ejecutan los agentes como un equipo que comparte una conversación, de modo que cada agente ve lo que ocurrió antes.

• AutoGen: 8.419 tokens. Pasa solo las respuestas finales de los agentes anteriores, como mensajes de chat; el planificador recibió 6 mensajes.
• Microsoft Agent Framework: 13.252 tokens. Pasa toda la conversación, incluidas las llamadas a herramientas y los resultados anteriores; el planificador recibió 11 mensajes.
• Google ADK: 17.315 tokens. Retransmite cada respuesta, llamada a herramienta y resultado de herramienta anterior como una nota separada «para contexto»; el planificador recibió 10 mensajes. La entrada del agente meteorológico fue de 6.358 tokens, frente a unos 1.800 en los frameworks de pipeline.

Efecto en el coste y la corrección

• La corrección no se vio afectada. En los 13 frameworks, los datos llegaron intactos al planificador, con una excepción en una única ejecución de Microsoft Agent Framework.
• El coste sí se vio afectado. 1.000 ejecuciones costaron alrededor de 1.4 USD en los frameworks de pipeline y de 2.4 a 2.8 USD en Microsoft Agent Framework, Google ADK y smolagents.
• En Google ADK, smolagents, Microsoft Agent Framework y CrewAI, el modelo pensó con más frecuencia. Esto hizo que las ejecuciones fueran más largas, pero aumentó el cumplimiento de la regla.

Fiabilidad

• Las 1.300 ejecuciones se completaron sin errores ni tiempos de espera agotados.
• En 1.299 de 1.300 ejecuciones, los datos llegaron correctamente al plan final.
• El único fallo se produjo en Microsoft Agent Framework. El planificador de viajes tenía todas las ofertas de vuelos en su entrada, pero dejó vacíos los campos de vuelo. Esto puede haber contribuido: Microsoft Agent Framework pasa las salidas de los agentes anteriores al planificador como si el propio planificador las hubiera escrito.

Llamadas al modelo adicionales

Cada llamada al modelo adicional añadió de 1 a 3 segundos a una ejecución.

• CrewAI: en 12 de 100 ejecuciones, el agente de vuelos repitió la misma búsqueda de vuelos, con las mismas entradas, después de obtener el resultado.
• smolagents: solo acepta una respuesta a través de su herramienta final_answer. En 14 de 100 ejecuciones, el modelo respondió primero en texto plano, por lo que smolagents necesitó una ronda más.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Ajustes predeterminados que necesitaron cambios

Tuvimos que cambiar algunos ajustes predeterminados para que los frameworks ejecutaran este flujo de trabajo:

• Microsoft Agent Framework: su cadena secuencial no funcionó en absoluto con Claude (HTTP 400). La cadena envía a cada agente una conversación que termina con la respuesta del agente anterior, la cual Claude rechaza. La opción ensure_trailing_user_turnoption soluciona esto añadiendo un mensaje de usuario al final de la conversación.
• Agno: de forma predeterminada, su flujo de trabajo omite un paso fallido y aun así informa de que la ejecución fue correcta. Configuramos la política de error de paso en «fail» para que los errores salieran a la superficie.
• Strands: su grafo inicia un agente en cuanto termina cualquiera de los agentes de los que depende. Con aristas simples, el planificador se ejecutaría demasiado pronto y varias veces, por lo que añadimos condiciones a las aristas para mantener el orden.
• smolagents: obliga al modelo a llamar a una herramienta en cada paso. Claude rechaza esto cuando el pensamiento está activado, por lo que lo configuramos en «auto».
• OpenAI Agents SDK: usa OpenAI Responses API de forma predeterminada. Para usarla con un endpoint de Chat Completions, que ofrecen la mayoría de los demás proveedores, se necesita su clase de modelo Chat Completions.

Pipeline o conversación compartida para un flujo de trabajo fijo

Cuando el orden de los agentes es fijo, cada agente solo necesita unas pocas salidas anteriores. En nuestra prueba, pasar solo esas salidas movió los datos entre agentes con la misma fiabilidad que compartir toda la conversación: 1.299 de 1.300 ejecuciones fueron correctas en ambos grupos. La conversación compartida en Google ADK y Microsoft Agent Framework más que duplicó los tokens de prompt por ejecución. Las conversaciones compartidas son adecuadas para agentes que necesitan ver el razonamiento de los demás. En un pipeline fijo, pasar entradas explícitas cuesta menos y se puede ver exactamente qué recibe cada agente.

Compruebe qué envía su framework al modelo

Siete de los 13 frameworks enviaron al agente de actividad exactamente el texto que escribimos. Los otros seis añadieron sus propias plantillas, mensajes retransmitidos o encabezados, desde unos 50 tokens adicionales en Strands hasta más de 3.000 en Google ADK. Esas adiciones cambiaron la frecuencia con la que el modelo pensaba y si seguía la regla. Antes de ajustar los prompts en un sistema multiagente, registre la solicitud final que cada agente envía al modelo. Un proxy de registro o el trazado del framework muestra lo que añadió el framework.

Qué determina la velocidad de un flujo de trabajo multiagente

El código del framework representó aproximadamente el 1 % de cada ejecución. El resto provino del número de llamadas al modelo y del tiempo que tardó cada llamada. De esto se derivan tres palancas:

• Menos llamadas al modelo: vigile las llamadas a herramientas repetidas y los pasos adicionales; cada una añadió de 1 a 3 segundos.
• Entradas más pequeñas: las entradas más cortas para cada agente reducen los tokens y dejan al modelo menos que leer.
• Agentes independientes en paralelo: en este flujo de trabajo, los agentes de vuelos y meteorológico no dependen entre sí. Ejecutarlos en paralelo eliminaría el más corto de los dos, aproximadamente 3 segundos. No probamos la ejecución en paralelo; esta estimación proviene de los tiempos por agente.

Metodología del benchmark

Cada framework ejecutó el mismo flujo de trabajo de planificación de viajes con cinco agentes, siempre en este orden:

1. Parser: extrae el origen, el destino, la fecha de salida y la duración del viaje de la solicitud del usuario.
2. Flight finder: llama a una herramienta de búsqueda de vuelos y enumera las ofertas por precio.
3. Weather reporter: llama a una herramienta meteorológica para las fechas del viaje.
4. Activity recommender: elige una actividad por día, aplicando la regla de interior/exterior anterior.
5. Travel planner: combina las cuatro salidas en un plan día a día con el vuelo más barato.

La solicitud del usuario fue: «Quiero viajar de Berlín a Roma el 27 de octubre de 2026. Me quedaré 3 días». Cada agente tenía la misma instrucción escrita en todos los frameworks y devolvía su respuesta como JSON. Solo el buscador de vuelos y el reportero meteorológico tenían herramientas.

Datos de las herramientas

Ambas herramientas devolvieron datos fijos, de modo que cada ejecución en cada framework recibió resultados de herramientas idénticos:

• Flights: seis ofertas de ida de Berlín a Roma. Son sintéticas: las compañías, horarios y precios plausibles no provienen de una búsqueda de tarifas en vivo.
• Weather: un pronóstico real de Roma para el 27 al 29 de octubre de 2026, registrado una vez desde WeatherAPI.com.

Como las herramientas respondieron al instante, los tiempos de finalización reflejan las llamadas al modelo y el código del framework, no la latencia de la API.

Frameworks

• Versiones probadas: LangGraph 1.2.17, LangChain 1.4.7, CrewAI 1.15.30, AutoGen 0.7.5, Microsoft Agent Framework 1.23.0, OpenAI Agents SDK 0.24.0, Google ADK 2.13.0, Agno 3.1.10, Pydantic IA 2.61.0, smolagents 1.26.0, LlamaIndex 0.14.25, Strands Agents 1.62.0 y CAMEL 0.2.90, todos en Python 3.12.
• Cómo se ejecutaron los agentes: cada framework ejecutó los agentes con su propio constructo multiagente cuando lo tiene. OpenAI Agents SDK, Pydantic IA, smolagents y CAMEL no tienen ningún constructo para una secuencia fija, por lo que sus agentes se llamaron uno tras otro en el código.
• Ajustes: todos los ajustes se mantuvieron en sus valores predeterminados, excepto los cambios enumerados en «Ajustes predeterminados que necesitaron cambios».

Modelo y ejecuciones

• Modelo: todos los agentes de todos los frameworks usaron Claude Haiku 5.5 a través de OpenRouter, servido por Anthropic, con el ajuste de razonamiento fijado en medio. Los ajustes que un framework intentaba añadir, como la temperatura, se eliminaban antes de que la solicitud llegara al modelo.
• Ejecuciones: cada framework ejecutó el flujo de trabajo 100 veces, 1.300 ejecuciones en total, el 27 de octubre de 2026. Las ejecuciones se realizaron una a la vez, en un orden aleatorio entre frameworks.
• Calentamiento: antes de cada ejecución cronometrada, el mismo flujo de trabajo se ejecutó una vez contra un modelo de prueba guionizado, para que los costes de carga únicos no contaran en el tiempo medido.
• Límites: cada ejecución se limitó a 30 llamadas al modelo y 300 segundos. Ninguna ejecución alcanzó ninguno de los dos límites.

Qué medimos

• Solicitudes: un proxy de registro registró cada solicitud y respuesta entre los frameworks y el modelo. Cada agente tenía su propio endpoint, de modo que cada llamada al modelo podía rastrearse hasta el agente que la realizó. Las llamadas a herramientas se registraron por separado.
• Tiempo de finalización: tiempo desde el inicio del flujo de trabajo hasta el plan final.
• Tokens y coste: tokens de prompt, de finalización y de pensamiento, y el coste de cada llamada, según informó el proveedor.
• Sobrecarga del framework: la parte de una ejecución que no se dedicó ni a esperar al modelo ni a ejecutar herramientas.
• Pensamiento: una ejecución cuenta como una en la que el modelo pensó si el proveedor informó de tokens de pensamiento para la llamada del agente de actividad.
• Itinerario correcto: el plan final contiene el vuelo más barato (número de vuelo y precio), las tres fechas del viaje, el clima de cada día según el pronóstico y la actividad y el entorno de cada día exactamente como los produjo el recomendador de actividades.
• Cumplimiento de la regla: los tres días siguen la regla de interior/exterior. Como ningún día tuvo una probabilidad de lluvia cercana al 50 %, la respuesta correcta fue una actividad al aire libre para cada día.

Cita este benchmark

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{sipi2026,
  author = {Şipi, Nazlı},
  title  = {{Los 10+ mejores frameworks y herramientas de orquestación agéntica}},
  year   = {2026},
  month  = oct,
  howpublished    = {\url{https://aimultiple.com/agentic-orchestration}},
  note   = {AIMultiple. Recuperado el 30 de octubre de 2026}
}

Registro de cambios

4 actualizaciones

Todas4General3Metodología1

20262025

1. 27 de ene

   Se eliminó la sección "Agentic orchestration benchmark".

2. 26 de ene

   Se actualizó la sección 'Evaluación comparativa de orquestación de agentes' con nuevas métricas.

Nazlı Şipi

Investigadora de IA

Síguenos

Nazlı es analista de datos en AIMultiple. Tiene experiencia previa en análisis de datos en diversas industrias, donde trabajó transformando datasets complejos en información procesable.

Ver perfil completo

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.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario