LangGraph vs CrewAI vs OpenAI Agents SDK: qué framework de agentes elegir en 2026
Resumen
Comparativa práctica entre LangGraph, CrewAI y el Agents SDK de OpenAI: qué modelo de programación usa cada uno (grafos con estado, crews de roles, primitivas mínimas), qué tan difícil es controlar el flujo, memoria, human-in-the-loop, costos operativos y en qué caso conviene cada framework según tu proyecto. Con tabla de decisión y versiones verificadas de septiembre 2026.
Qué resuelve
Esta pieza se queda en la decisión práctica: qué instalar, qué riesgo agrega y cómo aplicarlo sin romper operación.
Elegir framework de agentes en 2026 no es elegir el "mejor": es elegir qué tan explícito quieres declarar el control de tu agente. Los tres candidatos serios del ecosistema Python representan tres filosofías distintas: LangGraph (grafos con estado y control fino), CrewAI (equipos de agentes con roles y tareas) y OpenAI Agents SDK (bucle mínimo de primitivas). Esta comparativa usa la documentación oficial de cada uno y sus versiones publicadas en PyPI a septiembre de 2026 — langgraph 1.2.11, crewai 1.15.18, openai-agents 0.22.0 — para darte el criterio, no la moda.
Si vienes de elegir modelos más que frameworks, la comparativa de modelos para tool calling y ChatGPT vs Claude vs Gemini para construir agentes cubren esa capa; el ADK Arena mide la fricción de 51 frameworks con datos. Aquí el foco son los tres grandes.
Los tres modelos de programación en una frase
- LangGraph: defines un grafo de nodos (pasos) y aristas (transiciones), con estado compartido que persiste en cada paso. El runtime te da ejecución durable, streaming, checkpoints e interrupciones para humano-en-el-loop. Su fortaleza declarada: mezclar pasos deterministas con pasos de LLM en un mismo grafo.
- CrewAI: defines agents con roles ("investigador", "redactor"), tasks con objetivos, y los juntas en una crew que colabora; encima, Flows añaden orquestación dirigida por eventos cuando necesitas control preciso. Su fortaleza: la abstracción de equipo humano aplicada a agentes.
- OpenAI Agents SDK: un conjunto pequeño de primitivas — Agent (LLM con instrucciones y tools), handoffs (un agente delega en otro), guardrails (validación), sessions (memoria) y un loop que corre hasta completar la tarea. Su fortaleza: la menor superficie de API de los tres.
Comparativa directa
| Criterio | LangGraph | CrewAI | Agents SDK |
|---|---|---|---|
| Modelo mental | Grafo de estados | Equipo con roles | Bucle + delegación |
| Curva para un demo | Media-alta | Baja | Baja |
| Control del flujo | Explícito nodo por nodo | Intermedio (Flows lo aprieta) | Mínimo: el loop decide |
| Memoria/estado | Checkpointers + stores (corto y largo plazo) | Memoria de crew + kickoff replay | Sessions |
| Humano-en-el-loop | Interrupciones nativas | HITL en crews y flows | Guardrails + a tu cargo |
| Multi-agente | Subgrafos | Crews jerárquicas | Handoffs |
| Lock-in de proveedor | Ninguno (LiteLLM friendly) | Ninguno (cualquier LLM vía LiteLLM) | Diseñado para OpenAI, modelos de terceros soportados |
| Observabilidad | LangSmith (primero, pago) | Built-in + third party | Tracing integrado |
| Madurez para producción | Runtime durable, la más completa | Flows cubre orquestación; crews, rapidez | Primitivas estables, tú armas el resto |
Cuándo LangGraph
Cuando tu proceso ya tiene forma de diagrama: etapas definidas, ramas por condición, puntos donde un humano aprueba, y necesidad de reanudar tras un fallo. El checkpointing guarda el estado en cada nodo, así que un agente largo que se cae en el paso 7 retoma en el 7, no en el 1. Es el marco con más infraestructura de los tres — y también el que más conceptos te exige antes del primer output. Si tu caso es un agente de soporte con flujo de aprobación o un pipeline de datos con ramas, LangGraph te compra control que los otros dos te harían construir a mano.
El costo oculto: su ecosistema de observabilidad empuja hacia LangSmith, que es un servicio más que pagar y operar. Puedes salirte con trazas propias, pero el camino feliz asume la plataforma.
Cuándo CrewAI
Cuando el trabajo se describe natural como reparto de equipo: alguien investiga, alguien redacta, alguien revisa. Con 20 líneas y una YAML config tienes una crew funcionando, y la abstracción de roles hace el prompt más legible para no-programadores del equipo. Es el mejor de los tres para prototipar en una tarde la idea de un "equipo de contenido" o "equipo de investigación".
La advertencia: la autonomía de una crew es justo lo que se vuelve impredecible en producción — tareas que se re-delegan, loops de colaboración, costos que crecen con cada turno extra. Por eso CrewAI introdujo Flows (orquestación por eventos con control preciso): si vas a producción con CrewAI, tu diseño serio va a terminar usando Flows para las partes que no pueden improvisar. La guía de montar un equipo de agentes sin programar muestra el patrón de roles sin framework; CrewAI es ese patrón con código.
Cuándo OpenAI Agents SDK
Cuando quieres la menor cantidad de framework posible: un agente con tools, un loop que itera, handoffs cuando otro especialista debe tomar el turno, y guardrails para validar entrada/salida. Es el más ligero de los tres, su tracing viene integrado sin plataforma externa, y soporta MCP servers y modelos de terceros vía su capa de providers. Si tu stack ya es de OpenAI (Responses API, modelos GPT/Codex), es el camino con menos fricción.
Su límite es su virtud: al ser primitivas mínimas, todo lo demás —persistencia durable, reanudación tras caída, flujos complejos con ramas— lo armas tú. Para un agente de una sola misión con tools, eso es libertad; para un orquestador de 10 pasos con aprobaciones, es construir tu propio LangGraph.
Verificación: cómo decidir en 30 minutos
No elijas leyendo comparativas — incluida esta. Toma una tarea real de tu proyecto (un ticket de soporte con aprobación humana, o un pipeline de investigación con 3 etapas) y prototípala en los tres. Criterios de medición, en orden:
- Líneas hasta el primer output correcto. Si a los dos días no arrancó, el framework no es para este proyecto.
- Dónde pelearías con él. Haz la pregunta incómoda: ¿qué pasa cuando el paso 5 falle a las 3am? ¿Quién reanuda? LangGraph lo tiene resuelto; CrewAI y Agents SDK te lo dejan a ti.
- Costo de operación, no de licencia. Los tres son open source. El costo real es observabilidad (LangSmith para LangGraph), tokens extra por loops de crew (CrewAI) y tu tiempo de mantenimiento (Agents SDK).
- Salida. Pregúntate si puedes migrar fuera. LangGraph y CrewAI son agnósticos de modelo; Agents SDK favorece OpenAI aunque no lo exige.
La regla final
Los tres resuelven el mismo problema de fondo —un LLM que decide, usa tools y mantiene estado— con distinta cantidad de estructura declarada. Elige el nivel de control que tu equipo puede mantener, no el que suena más serio en una reunión. Un Agents SDK bien monitoreado le gana a un LangGraph que nadie en tu equipo entiende cuando falla a las 3am. Y si tu duda real es si necesitas framework o basta un workflow con reglas, empieza por RAG vs workflow automatizado: muchos "agentes" no necesitan ninguno de los tres. Para seguir comparando con criterios, el hub de comparativas y decisiones reúne VS de modelos, benchmarks y plataformas; y si todavía no tienes un agente propio corriendo, el curso gratuito te deja la base para prototipar la misma tarea en los tres frameworks.
Lecturas relacionadas
Sigue explorando Frameworks de Agentes y otras piezas para builders.
