Compare 15 frameworks de enxame de agentes: OpenAI, Google, Microsoft
Anthropic dividiu seu assistente de pesquisa em um agente líder e uma equipe de subagentes paralelos, relatando resultados 90,2% melhores em suas avaliações internas. No entanto, o sistema usou cerca de 15 vezes mais tokens.1 Quanto dessa sobrecarga se paga depende em parte do framework.
Em nosso benchmark de orquestração, executamos o mesmo fluxo de trabalho de cinco agentes com o mesmo model e as mesmas ferramentas em quatro frameworks, e o LangGraph terminou 2.2 vezes mais rápido que o CrewAI porque os frameworks lidam com chamadas de ferramentas e contexto de forma diferente.
Compare onze frameworks com base em seus recursos e preços e saiba como o mercado mudou em um ano:
Produto | Mantenedor | Licença | Linguagens | Preços |
|---|---|---|---|---|
Agency Swarm | VRSEN | MIT | Python 3.12+ | Grátis; sem oferta hospedada |
Agent Squad | 2FastLabs (originalmente AWS Labs) | Apache 2.0 | Python, TypeScript, Swift | Grátis; uso do Bedrock cobrado pela AWS |
AgentScope | Alibaba | Apache 2.0 | Python, Java | Grátis; implantação opcional no Alibaba Cloud cobrada por uso |
CAMEL | CAMEL-IA.org | Apache 2.0 | Python | Grátis; sem oferta hospedada |
CrewAI | CrewAI Inc. | MIT | Python | Grátis; AMP: camada gratuito (50 execuções/mês), Professional: $25/mês |
Google ADK | Google | Apache 2.0 | Python, TypeScript, Go, Java, Kotlin | Grátis; hospedagem do Agent Engine baseada em uso |
LangGraph | LangChain Inc. | MIT | Python, JS/TS | Grátis; hospedagem via LangSmith Plus: $39/assento/mês |
Mastra | Mastra (Kepler Software) | Apache 2.0 (exceto código ee/) | TypeScript | Grátis; plataforma: camada gratuito, Teams: $250/mês |
MetaGPT | FoundationAgents | MIT | Python | Grátis; produto hospedado Atoms (anteriormente MGX) precificado separadamente |
Microsoft Agent Framework | Microsoft | MIT | Python, .NET (Go em pré-visualização) | Grátis; hospedagem Foundry baseada em uso |
O que é um enxame de agentes?
Um enxame de agentes é uma configuração na qual vários agentes de IA trabalham em uma única tarefa compartilhada, em vez de um único agente fazer tudo (um design “monolítico”). Os agentes se coordenam de uma das três maneiras:
- Handoffs: um agente passa o controle da conversa para outro agente mais especializado.
- Passagem de mensagens: os agentes enviam mensagens ou resultados uns aos outros.
- Grafo de estado compartilhado: os agentes são nós em um grafo que leem e escrevem um estado comum.
Recursos do enxame de agentes
Os frameworks de enxame de agentes compartilham quatro recursos principais:
- Chamada de ferramentas e funções: os agentes podem chamar APIs e outras funções, e o framework gera os esquemas para essas chamadas.
- Orquestração multiagente: feita por meio de grafos explícitos, handoffs, equipes hierárquicas ou um roteador central que envia cada tarefa ao agente mais adequado.
- Memória e estado: o histórico da conversa ou o estado da tarefa é mantido entre turnos, armazenado em memória ou em um armazenamento plugável, como SQLite, Redis ou um banco de dados vetorial.
- Código aberto: o código de cada framework está no GitHub sob uma licença permissiva, exceto o Mastra.
Frameworks e plataformas de enxame de agentes
Agency Swarm
Construído sobre o OpenAI Agents SDK. Você define os agentes por função (por exemplo, CEO, desenvolvedor ou assistente) e declara quais agentes podem contatar quais; os agentes então conversam por meio de uma ferramenta send_message. As ferramentas são tipadas com Pydantic, e você salva o histórico da conversa por conta própria por meio de funções de callback.
Prós:
- Converte esquemas OpenAPI diretamente em ferramentas de agentes.
- Roda em macOS, Linux e Windows.
Contras:
- Models diferentes do OpenAI (Anthropic, Gemini, Grok, Azure, OpenRouter) passam pelo LiteLLM em vez de uma integração nativa.
- A versão 1.x é construída sobre o OpenAI Agents SDK e a Responses API, então mudanças neles a afetam.2
AgentScope
O framework Python do Alibaba, agora na versão 2.0, construído a partir de blocos de construção como um loop ReAct, kit de ferramentas, memória e middleware. Ele exige Python 3.11 ou superior e inclui o Agent Team, onde um agente líder coordena agentes trabalhadores. Seu sistema de permissões oferece controle refinado sobre ferramentas e recursos, incluindo etapas de confirmação.
Prós:
- Ferramentas e código rodam em espaços de trabalho isolados em backends que vão de local e Docker a E2B, Daytona e Kubernetes.
- Seu serviço de agentes inclui persistência SQL e NoSQL para estado e sessões dos agentes, além de tarefas agendadas.3
Contras:
- O exemplo de início rápido usa o model DashScope do Alibaba.3
Agent Squad
Um classificador envia cada solicitação ao agente mais adequado, usando o Amazon Bedrock por padrão.4 O SupervisorAgent coordena subagentes que compartilham um contexto de conversa. O GroundedAgent mantém a coleta de dados separada da redação da resposta, para reduzir conteúdo inventado.
Prós:
- A versão Swift roda inteiramente no dispositivo (iOS 16+, macOS 14+), incluindo ferramentas MCP, voz e histórico de chat armazenado localmente.
- Python e TypeScript têm paridade de recursos.
- Agentes prontos cobrem Bedrock, Anthropic, OpenAI, Lex e Lambda.
Contras:
- O roteamento adiciona uma chamada de classificador a cada solicitação; a opção JevClassifier mais rápida depende de um serviço terceirizado pago, TypeSafe IA.
- O GroundedAgent usa duas chamadas de LLM em turnos que utilizam ferramentas.5
CAMEL
Um framework Python da CAMEL-IA.org focado em encontrar as leis de escala dos agentes. Seu módulo Workforce monta, gerencia e dimensiona equipes de agentes para tarefas além de um único agente, e inicia etapas de recuperação quando uma tarefa falha.
Prós:
- Seu design abrange geração de dados, automação de tarefas e simulação de mundo.
- Os agentes podem receber um HumanToolkit para pedir a uma pessoa esclarecimento ou aprovação no meio da tarefa.
Contras:
- Ele não tem camada paga nem serviço hospedado da CAMEL-IA.6
- Conjuntos de ferramentas como busca na web são instalados separadamente como extras (camel-ai[web_tools]).7
CrewAI
Os agentes são organizados em “crews” (equipes), onde cada agente tem um papel, uma meta e ferramentas. Uma segunda camada chamada Flows lida com execução passo a passo, orientada a eventos, com ramificações condicionais.
A memória é armazenada em uma hierarquia, pesquisável com busca vetorial rápida ou recuperação mais profunda assistida por LLM, e os salvamentos acontecem em segundo plano. A plataforma hospedada, AMP, adiciona um editor visual; o AMP Factory executa a mesma plataforma em seus próprios servidores ou nuvem privada.
Prós:
- Independente, sem dependência do LangChain.
- Suporta MCP e A2A.
- A memória e os models podem rodar localmente via Ollama, para que o conteúdo não vá para uma API externa.8
- Passa a saída completa de cada agente anterior para o próximo; em nosso benchmark de orquestração, seu agente final produziu o resultado mais detalhado (5.339 tokens).
Contras:
- Os agentes chamam a OpenAI API por padrão, a menos que você configure outro provedor.
- A telemetria de uso anônimo fica ativada por padrão (desative-a com a variável de ambiente
OTEL_SDK_DISABLED). - Os agentes deliberam antes de chamar uma ferramenta, o que não pode ser desativado; em nosso benchmark isso levou cerca de 5 segundos, a maior parte da execução de 9 segundos de um agente.
Google Agent Development Kit (ADK)
O ADK 2.0 adicionou um mecanismo de fluxo de trabalho baseado em grafos que mistura etapas de código fixas com decisões de agentes, com suporte a roteamento, fan-out e fan-in, loops, repetições e human-in-the-loop. A interface adk web inclui um Visual Builder de arrastar e soltar, que é experimental e somente Python. Os agentes são implantados no Vertex AI Agent Engine, Cloud Run ou GKE.9
Prós:
- A avaliação é integrada por meio do
adk eval, em vez de exigir uma ferramenta separada. - A Task API lida com delegação estruturada entre agentes.
Contras:
- As versões de linguagem não avançam juntas: a 2.0 foi lançada para Python, Go e TypeScript, mas ainda não para Java ou Kotlin.
LangGraph
Os fluxos de trabalho são definidos como grafos direcionados que podem fazer loops e ramificações condicionais. Uma API de interrupção permite que um humano inspecione ou altere o estado de uma execução a qualquer momento. O LangSmith Studio é um depurador visual para grafos escritos em código. O LangSmith Agent Builder configura agentes por meio de um formulário em vez de uma tela de arrastar e soltar.10 O LangSmith Deployment é a hospedagem gerenciada opcional do LangChain.
Prós:
- Pode ser usado sem o LangChain ou qualquer serviço pago.
- A execução durável salva checkpoints, para que uma execução com falha seja retomada exatamente de onde parou.
- Passa apenas mudanças de estado entre agentes, não as saídas completas; em nosso benchmark de orquestração, seu agente final produziu 2.589 tokens, o menor número entre os frameworks testados.
Contras:
- Ele se descreve como um framework de baixo nível e, para criar agentes rapidamente, seu próprio README direciona os usuários para o Deep Agents, um pacote de nível mais alto construído sobre ele.11
Mastra
Combina agentes, fluxos de trabalho baseados em grafos, memória, avaliações e observabilidade em um só framework. Os fluxos de trabalho podem pausar indefinidamente para aprovação humana e retomar do estado salvo. O Studio é uma interface para testar agentes escritos em código e pode ser compartilhado com uma equipe por meio do Mastra Cloud.12
Prós:
- Conecta-se a 40+ provedores de model por meio de uma interface.
- Pode publicar seus agentes e ferramentas como servidores MCP.
- Integra-se em apps React, Next.js ou Node.js existentes.13
Contras:
- Recursos em diretórios
ee/exigem uma licença comercial para uso em produção.13
MetaGPT
Um framework Python construído com base na ideia de que o código é o resultado da aplicação de procedimentos operacionais padrão a uma equipe de agentes LLM. Ele atribui funções como gerente de produto, arquiteto, gerente de projeto e engenheiro a agentes separados.
Prós:
- Ele roda como uma CLI ou uma biblioteca Python, e a configuração aceita provedores como OpenAI, Azure, Ollama e Groq.
- Ele inclui uma função de Data Interpreter para escrever código para tarefas de dados.14
Contras:
- As notícias mais recentes do README são de março de 2025 e promovem mgx.dev, o produto comercial da equipe.14
Microsoft Agent Framework
Um framework aberto e multilíngue para criar agentes de IA com grau de produção e fluxos de trabalho multiagente. Ele tem suporte total em Python e C#/.NET com APIs consistentes, e o README vincula guias de migração do Semantic Kernel e do AutoGen.15
Prós:
- Toda orquestração suporta human-in-the-loop, para que um fluxo de trabalho possa pausar e esperar por uma pessoa em pontos definidos.16
- Os agentes podem ser implantados na infraestrutura hospedada no Foundry com duas linhas extras de código, e o rastreamento do OpenTelemetry é integrado.15
Contras:
- A versão Go é uma prévia pública que ainda não tem agentes declarativos, RAG, CodeAct ou fluxos de trabalho funcionais.
- Alguns pacotes de provedores ainda estão no início. A integração com o Gemini está marcada como Alpha.17
Microsoft AutoGen
Os agentes se coordenam por meio de um chat em grupo, em vez de um grafo de execução definido. O AutoGen Studio é um construtor visual sem código, e o UserProxyAgent fornece entrada human-in-the-loop.18 O Microsoft direciona novos projetos para o Microsoft Agent Framework, e um fork da comunidade, AG2, continua separadamente.19
Prós:
- Um design em camadas oferece tanto uma API de alto nível para padrões comuns quanto um núcleo de baixo nível para padrões personalizados, com interoperabilidade entre Python e .NET.
- O chat em grupo atende tarefas de múltiplos turnos, como brainstorming e revisão iterativa.20
Contras:
- O projeto agora é gerenciado pela comunidade, então as respostas ao suporte podem ser lentas.
- O AutoGen Studio é destinado à prototipagem e, conforme seu próprio README, não é um app pronto para produção.21
Microsoft Semantic Kernel
Um SDK construído em torno de plugins, com conectores para sistemas empresariais existentes e um Process Framework para fluxos de trabalho de negócios estruturados. O Microsoft fornece guias de migração que levam os plugins existentes para o Microsoft Agent Framework.22
Prós:
- Agnóstico de model, com suporte a MCP para plugins.
- Roda models locais via Ollama, LM Studio ou ONNX.
Contras:
- Seu README agora afirma que o Semantic Kernel “agora é Microsoft Agent Framework”, e os novos recursos vão para lá.
OpenAI Agents SDK
Construído em torno de agentes, handoffs, guardrails, sessões e rastreamento. Agentes sandbox trabalham dentro de um contêiner em tarefas longas e mantêm o estado do espaço de trabalho entre etapas, e agentes em tempo real lidam com voz. Ele substitui a biblioteca Swarm aposentada do OpenAI.
Prós:
- O human-in-the-loop é integrado, e guardrails de entrada e saída podem rodar em paralelo e interromper uma execução mais cedo.23
- Funciona com mais de 100 models além dos próprios do OpenAI.24
Contras:
- O sandbox local padrão roda apenas em macOS e Linux; Windows precisa de Docker ou de um sandbox hospedado.
- Handoffs são a única primitiva de coordenação, então uma regra como “dois agentes devem terminar antes de um terceiro começar” precisa ser criada fora do SDK.20
PraisonAI
Agentes e configurações multiagente podem ser definidos em YAML sem código, criados no editor de arrastar e soltar Flow (baseado no Langflow) ou escritos em Python ou JavaScript. Ele vem com mais de 100 ferramentas integradas e suporta mais de 100 models.
Prós:
- O painel Claw conecta agentes ao Telegram, Discord, Slack e WhatsApp.
- Detecção de loop destrutivo, aprovação humana e guardrails ajudam a evitar agentes descontrolados.
Contras:
- O Claw exige chaves da OpenAI e da API da Tavily.
- O projeto vive na conta pessoal do GitHub de seu criador.25
Spring IA Alibaba
O framework de agentes é um framework Java construído sobre o Spring IA com duas camadas. Ele inclui engenharia de contexto integrada e suporte a human-in-the-loop, além de agentes de fluxo de trabalho como SequentialAgent, ParallelAgent, RoutingAgent e LoopAgent. O runtime Graph subjacente fornece persistência, orquestração e streaming para agentes com estado de longa duração.26
Prós:
- A comunicação agente a agente funciona por meio do Nacos, para que os agentes possam se coordenar entre serviços.26
- A plataforma Admin permite criar agentes visualmente, implantá-los sem código ou exportá-los como um projeto Java, e pode migrar Dify DSL.26
- Ele usa exclusivamente Java e é totalmente integrado aos serviços do Alibaba Cloud, como Bailian, ARMS e Nacos.
Swarms
Por meio de uma interface SwarmRouter, você escolhe entre padrões de coordenação prontos, como sequencial, concorrente, hierárquico, em grafo e mistura de agentes. O AutoSwarmBuilder gera uma equipe de agentes a partir da descrição de uma tarefa, e os padrões de consenso e debate permitem que os agentes votem. O Swarms Cloud é uma API hospedada cobrada por uso.
Prós:
- Documenta dez arquiteturas em seu README e vincula a mais de 60.
- O GraphWorkflow executa ramificações independentes em paralelo automaticamente.
- Afirma compatibilidade com agentes criados no LangChain, AutoGen e CrewAI.
Contras:
- O modo “auto” recomendado não tem limite fixo de iteração, e o próprio README recomenda um limite fixo para trabalhos sensíveis a custos.27
Padrões e tendências de orquestração de enxame de agentes
1. Grandes fornecedores substituíram seus primeiros frameworks de agentes
Entre março de 2025 e abril de 2026, OpenAI, Microsoft e Google substituíram ou reconstruíram seus frameworks de agentes.
- OpenAI: O Swarm foi substituído pelo Agents SDK em março de 2025. O SDK mantém o model de handoff do Swarm e adiciona guardrails de IA, rastreamento e sessões.28
- Microsoft: O AutoGen e o Semantic Kernel se fundiram no Microsoft Agent Framework, que chegou à versão 1.0 em abril de 2026. Ambos os frameworks mais antigos agora estão em modo de manutenção.29
- Google: O ADK 2.0 substituiu seu executor hierárquico de agentes por um mecanismo de fluxo de trabalho baseado em grafos.30
- AWS: O Agent Squad deixou o AWS Labs quando seus autores originais o levaram para a própria empresa, 2FastLabs.31
2. Mecanismos de fluxo de trabalho baseados em grafos se tornaram padrão
Em 2026, o ADK, o Microsoft Agent Framework, o LangGraph e o Mastra permitem que os desenvolvedores criem fluxos de trabalho multiagente como grafos. Agentes e funções são os nós, e as arestas definem a ordem, as ramificações e os loops. 20 Um grafo pode expressar qualquer um dos três padrões de coordenação comuns, e a maioria dos sistemas de produção combina mais de um.
Centralizado (orquestrador-trabalhador)
Um agente supervisor divide a tarefa, envia subtarefas aos agentes trabalhadores e combina os resultados deles. Alguns exemplos são:
- Amazon Bedrock: A colaboração multiagente usa esse model e está disponível de forma geral desde 10 de março de 2025.32
- Anthropic: Seu sistema de pesquisa usa um agente líder com subagentes paralelos. 1
Hierárquico
Os supervisores delegam a supervisores de nível inferior, o que ajuda em tarefas grandes demais para a janela de contexto de um agente.
- ADK 2.0: O Workflow Runtime suporta fluxos de trabalho aninhados, fan-out e fan-in, loops e repetições.33
- Modelos do ADK: SequentialAgent, ParallelAgent e LoopAgent cobrem pipelines comuns sem criar um grafo manualmente.34
Descentralizado (handoffs ponto a ponto)
Os agentes passam o controle diretamente uns aos outros enquanto a tarefa é executada, sem supervisor.
Por exemplo, a biblioteca swarm do LangGraph implementa isso e lembra o último agente ativo, para que uma mensagem de acompanhamento retorne a ele.35
Seja qual for o padrão que um framework use, o handoff em si raramente é o gargalo. Em nosso benchmark de orquestração, passar o trabalho de um agente para o próximo levou milissegundos em todos os frameworks; as diferenças vieram de como cada framework lida com chamadas de ferramentas e contexto.
3. Os dois principais protocolos de agentes passaram para a Linux Foundation em 2025
Um agente pode usar ambos:
- Model Context Protocol (MCP) conecta um agente às suas ferramentas e dados. A Anthropic o criou em 2024 e o doou para a Agentic IA Foundation da Linux Foundation em dezembro de 2025.36
- Agent2Agent (A2A) conecta agentes separados uns aos outros, mesmo entre frameworks e fornecedores. A Google o criou em abril de 2025 e o transferiu para a Linux Foundation em junho daquele ano.37
Leituras adicionais
- Principais padrões de design de IA agêntica e exemplos do mundo real
- Orquestração de LLM: principais frameworks e gateways
- Principais construtores de agentes de IA
Cite esta pesquisa
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{simsek2026,
author = {Şimşek, Hazal},
title = {{Compare 15 frameworks de enxame de agentes: OpenAI, Google, Microsoft}},
year = {2026},
month = nov,
howpublished = {\url{https://aimultiple.com/agent-swarm}},
note = {AIMultiple. Acessado em 5 novembro 2026}
}Resultados e carimbos de data/hora de 475 pontos de dados. Baixe os dados resumidos exibidos nos gráficos e tabelas deste artigo como um arquivo ZIP contendo 3 arquivos CSV.
Quer os dados granulares por trás disso? Assine o Premium

Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.