Frameworks de Agentes en Varios Lenguajes

Qué incluye este pack

Este pack reúne los seis frameworks de agente que permiten a los equipos quedarse en su ecosistema de lenguaje existente en vez de atornillar un servicio Python a un backend Java o Rust solo por features LLM. La lista cubre los cuatro lenguajes donde está pasando trabajo serio de agentes fuera de Python: Java, Rust, TypeScript y Python (con FastHTML para rendering full-stack).

El pack refleja la realidad de que las features LLM ahora se envían en cada backend, no solo en Python. Un backend Spring Boot de e-commerce no quiere levantar un servicio FastAPI separado para un chat — Spring AI vive en la misma JVM. Un API gateway Rust no quiere un sidecar Python — Axum + Candle compilan en un binario.

Por qué importa lo language-native

El mundo agente Python-first (LangChain, LangGraph, CrewAI) es genial si Python ya es tu stack primario. Si eres una tienda Java, enfrentas tres opciones malas sin este pack:

1. Correr un servicio Python sidecar (despliegue extra, observabilidad separada, marshalling JSON entre dos procesos).
2. Usar un gateway LLM SaaS (lock-in de vendor, latencia, tarifas).
3. Hacer a mano llamadas HTTP a OpenAI dentro de tus controllers Spring (sin abstracciones, sin framework de eval, sin loop de agente).

Spring AI y LangChain4j arreglan esto. Le dan a Java las mismas primitivas — modelos chat, tool calling, plantillas de prompt, vector stores, loops de agente — que LangChain le da a Python, con DSLs idiomáticos Spring o Kotlin. Lo mismo para Rust (Candle para inferencia, Axum para superficie API) y TypeScript (Mastra para el framework).

El trade-off es lag de features. LangChain envía integración a un nuevo modelo el día uno; Spring AI tarda semanas; LangChain4j a veces alcanza más rápido que Spring AI por ser community-driven. Planifica para "el modelo se lanzó ayer y solo Python lo tiene" siendo un escenario real.

Instala en un comando

# Instala el pack — pone proyecto starter para cada framework
tokrepo install pack/agent-frameworks-multilang

# O elige por lenguaje
tokrepo install spring-ai
tokrepo install langchain4j
tokrepo install mastra
tokrepo install candle

El TokRepo CLI maneja el package manager de cada ecosistema — Maven para Spring AI y LangChain4j, Cargo para Candle y Axum, npm/pnpm para Mastra, uv para FastHTML. Los proyectos starter incluyen un test que llama a un modelo real para verificar API keys antes de escribir lógica.

Trampas comunes

• Spring AI vs LangChain4j no es "oficial vs no oficial." Spring AI es de VMware/Broadcom; LangChain4j es comunitario. Ambos se usan ampliamente. Elige por paridad de features con el modelo que usas y preferencia ergonómica (Spring DSL vs semántica LangChain).
• Mastra es joven. Está bien mantenido pero la API ha cambiado entre minor releases. Fija una versión específica y lee release notes antes de actualizar. Los usuarios de producción típicamente esperan dos minor releases antes de actualizar.
• Candle es para inferencia, no orquestación. Corre modelos localmente (Llama, Mistral, etc) y te da embeddings — pero no es un framework de agente completo. Empareja con Axum para la capa API si quieres un stack Rust-only.
• FastHTML está basado en HTMX. No es un framework SPA. Si tu equipo espera React o Vue, FastHTML se sentirá ajeno. Es perfecto cuando quieres UIs Python server-rendered cableadas directamente a agentes sin un repo frontend separado.
• Los formatos de tool calling difieren. OpenAI, Anthropic y Gemini todos tienen JSON schemas distintos para tool calls. Cada framework abstrae esto distinto — anotación @Tool de Spring AI, @Tool con reflection de LangChain4j, createTool() tipado de Mastra. No asumas que una definición de tool porta entre frameworks.

Cuándo este pack solo no es suficiente

Este pack te da el runtime en tu lenguaje. Aún necesitarás:

• Un proveedor LLM. OpenAI, Anthropic, Bedrock, o auto-hospedado via Ollama. Los seis frameworks soportan múltiples proveedores via configuración.
• Almacenamiento vector si haces RAG. Ver el pack Vector DB Showdown — la mayoría de entradas tienen clientes nativos en Java, Rust y TS.
• Pipeline de eval. Promptfoo del pack LLM Eval & Guardrails corre lenguaje-agnóstico — apúntalo a tu endpoint sin importar el backend.

Para stacks Python-only donde multilang no es la pregunta, ver Frameworks Agentes Python. Para comparación lado-a-lado agnóstica de plataforma sin elegir lenguaje, ver Frameworks Multi-Agente.