Frameworks y plataformas para crear agentes de IA

¿Qué es un framework de agentes?

Un agente de IA es un programa que se apoya en un modelo de lenguaje (el “motor” que entiende y redacta texto) para alcanzar un objetivo en varios pasos: planifica, llama a herramientas, observa el resultado y decide qué hacer después. Esas herramientas pueden ser una búsqueda web, una hoja de cálculo, una base de datos o una API, es decir, una puerta de entrada que permite a un programa consultar a otro.

Un framework de agentes aporta el armazón de todo esto: el ciclo de razonamiento, la memoria, la conexión con las herramientas, la recuperación ante errores y, a menudo, el seguimiento de lo que hace el agente. Podría programarlo todo usted mismo sobre la API de un modelo. Es muy formativo, pero pronto estaría reescribiendo lo que otros ya han puesto a prueba. Un framework le ahorra tiempo a cambio de aceptar sus convenciones y decisiones técnicas. Ahí está toda la elección.

El explorador de arriba reúne bibliotecas de código y plataformas visuales. Las estrellas de GitHub, la licencia y la fecha de la última versión proceden de GitHub y se actualizan cada vez que el sitio se reconstruye, una vez por semana.

Las grandes familias

Bibliotecas de código

Están pensadas para desarrolladores, casi siempre en Python o TypeScript.

• LangGraph describe un agente como un grafo de pasos. Encaja cuando quiere controlar con precisión el recorrido y prever puntos de validación humana.
• CrewAI organiza varios agentes en un “equipo”, cada uno con su rol y sus tareas.
• AutoGen, surgido de Microsoft Research, ponía el foco en la conversación entre varios agentes; el proyecto está ahora archivado y ya no se mantiene. Microsoft remite a Microsoft Agent Framework, que también sucede a Semantic Kernel.
• LlamaIndex nació para conectar los modelos con sus documentos (la generación aumentada por recuperación, o RAG) y hoy también ofrece agentes.
• Pydantic AI apuesta por respuestas estructuradas y validadas, muy útiles cuando un agente alimenta otros programas.
• Los SDK de agentes de los fabricantes (kits de desarrollo publicados por las empresas que crean los modelos) se integran estrechamente con sus propios modelos, a veces a costa de una menor portabilidad hacia otros.

Plataformas sin código y de automatización

Permiten montar un agente de forma visual, conectando bloques.

• n8n, Make y Zapier vienen de la automatización de tareas (“cuando llegue un correo, haz esto”) y han incorporado pasos de IA y agentes.
• Dify se diseñó desde el principio para aplicaciones basadas en modelos de lenguaje: cadenas de prompts, bases de conocimiento, agentes. Flowise, de la misma familia, está en fin de vida: su equipo congeló el desarrollo en julio de 2026.

Algunas de estas plataformas pueden autoalojarse, es decir, instalarse en su propio servidor; otras solo se ofrecen como servicio en línea. La frontera entre familias es difusa: varias herramientas visuales aceptan bloques de código y algunas bibliotecas incluyen una interfaz gráfica.

Los criterios que de verdad cuentan

• Lenguaje: elija el que usted o su equipo ya dominan. Un framework brillante en un lenguaje desconocido frena más de lo que ayuda.
• Madurez: la fecha de la última versión indica si el proyecto se mantiene. Un proyecto joven evoluciona deprisa y puede cambiar su funcionamiento de una versión a otra.
• Licencia: una licencia de código abierto permisiva, como MIT o Apache, autoriza un amplio uso comercial; otras imponen condiciones, sobre todo si piensa revender la herramienta como servicio. Léala antes de construir un producto encima.
• Comunidad: las estrellas de GitHub reflejan popularidad, no calidad. Revise también la documentación, los ejemplos y la rapidez con que se responden los problemas reportados.
• Alojamiento: ¿puede ejecutarlo todo en sus propios equipos o depende de un servicio externo? La pregunta es clave si trata datos personales o confidenciales.
• Observabilidad: la capacidad de ver qué hace el agente paso a paso (trazas, registros, costes). Sin ella, entender por qué se equivocó un agente es pura adivinanza.

MCP, explicado de forma sencilla

MCP (Model Context Protocol) es un estándar abierto, propuesto por Anthropic, para conectar un agente a herramientas y fuentes de datos. Piense en un enchufe universal: en lugar de escribir un conector distinto para cada pareja “agente + herramienta”, la herramienta expone un servidor MCP y cualquier agente compatible sabe usarlo.

La ventaja es doble: reutiliza conectores existentes y puede cambiar de framework sin reescribirlo todo. Compruebe la compatibilidad con MCP en la documentación de cada herramienta. Y recuerde que un servidor MCP da al agente acceso real a sus archivos o cuentas: instale solo servidores de confianza y limite los permisos.

Consejos para un primer proyecto

1. Parta de una tarea concreta y repetitiva cuyo resultado sepa evaluar: clasificar correos, resumir documentos, preparar borradores de respuesta.
2. Empiece por lo simple: un agente, pocas herramientas. Los sistemas con varios agentes añaden una complejidad que solo compensa cuando la base es sólida.
3. Calcule el coste antes de lanzarse: cada paso consume tokens, las unidades de texto que facturan los proveedores de modelos. La calculadora de coste de un agente le ayuda a anticiparlo.
4. Mantenga a una persona en el circuito para las acciones irreversibles, como enviar, pagar o borrar. La herramienta ¿Puedo confiar esto a un agente? le ayuda a valorar el riesgo.
5. Prepare algunos casos de prueba y vuelva a ejecutarlos tras cada cambio para comprobar que el agente no empeora.

Para ordenar su aprendizaje, siga el itinerario Construir. Para seguir las novedades de la investigación y de las herramientas, consulte el radar semanal, y tenga a mano el glosario de IA cuando un término se le resista.