[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"pack-detail-multi-agent-frameworks-es":3,"seo:pack:multi-agent-frameworks:es":77},{"code":4,"message":5,"data":6},200,"操作成功",{"pack":7},{"slug":8,"icon":9,"tone":10,"status":11,"status_label":12,"title":13,"description":14,"items":15,"install_cmd":76},"multi-agent-frameworks","🤝","#F43F5E","stable","Estable","Frameworks Multi-Agente","CAMEL, LangGraph, DeepAgents, GPT Researcher — frameworks para orquestar equipos de agentes en producción.",[16,28,35,42,50,60,68],{"id":17,"uuid":18,"slug":19,"title":20,"description":21,"author_name":22,"view_count":23,"vote_count":24,"lang_type":25,"type":26,"type_label":27},295,"23732313-ea97-4319-b7a5-19dcddd7e97c","camel-multi-agent-framework-scale-23732313","CAMEL — Multi-Agent Framework at Scale","CAMEL is a multi-agent framework for studying scaling laws of AI agents. 16.6K+ GitHub stars. Up to 1M agents, RAG, memory systems, data generation. Apache 2.0.","Script Depot",628,0,"en","skill","Skill",{"id":4,"uuid":29,"slug":30,"title":31,"description":32,"author_name":33,"view_count":34,"vote_count":24,"lang_type":25,"type":26,"type_label":27},"cc1a6ed2-0d82-4379-94f4-15632b4d4967","langgraph-build-stateful-ai-agents-graphs-cc1a6ed2","LangGraph — Build Stateful AI Agents as Graphs","LangChain framework for building resilient, stateful AI agents as graphs. Supports cycles, branching, persistence, human-in-the-loop, and streaming. 28K+ stars.","LangChain",566,{"id":36,"uuid":37,"slug":38,"title":39,"description":40,"author_name":33,"view_count":41,"vote_count":24,"lang_type":25,"type":26,"type_label":27},601,"ac820f80-41ff-4eaa-b3b1-da27653bd7a5","deepagents-multi-step-agent-framework-langchain-ac820f80","DeepAgents — Multi-Step Agent Framework by LangChain","Agent harness built on LangGraph by the LangChain team. Features planning tools, filesystem backend, and sub-agent spawning for complex multi-step tasks like codebase refactoring. 16,500+ stars.",431,{"id":43,"uuid":44,"slug":45,"title":46,"description":47,"author_name":48,"view_count":49,"vote_count":24,"lang_type":25,"type":26,"type_label":27},25,"23330210-b26a-4d97-ad97-1735c203eaa6","gpt-researcher-autonomous-research-report-agent-23330210","GPT Researcher — Autonomous Research Report Agent","AI agent that generates detailed research reports from a single query. Searches multiple sources, synthesizes findings, and cites references.","TokRepo精选",1749,{"id":51,"uuid":52,"slug":53,"title":54,"description":55,"author_name":56,"view_count":57,"vote_count":24,"lang_type":25,"type":58,"type_label":59},719,"dedbb70b-7ebd-4987-9ba3-a883f45e8b5a","goose-ai-developer-agent-block-dedbb70b","Goose — AI Developer Agent by Block","Open-source AI developer agent by Block (Square). Goose automates coding tasks with extensible toolkits, session memory, and MCP server support in your terminal.","Block",406,"script","Script",{"id":61,"uuid":62,"slug":63,"title":64,"description":65,"author_name":66,"view_count":67,"vote_count":24,"lang_type":25,"type":26,"type_label":27},2221,"34ff4f3b-1660-4953-9053-7b3fac036c17","claude-flow-multi-agent-orchestration-claude-code-34ff4f3b","Claude-Flow — Multi-Agent Orchestration for Claude Code","Layers swarm and hive-mind multi-agent orchestration on top of Claude Code with 64 specialized agents, SQLite memory, and parallel execution.","Skill Factory",404,{"id":69,"uuid":70,"slug":71,"title":72,"description":73,"author_name":74,"view_count":75,"vote_count":24,"lang_type":25,"type":58,"type_label":59},683,"38035d0b-f942-4bf2-bbad-be9d4f719c00","openai-agents-sdk-build-multi-agent-systems-python-38035d0b","OpenAI Agents SDK — Build Multi-Agent Systems in Python","Official OpenAI Python SDK for building multi-agent systems with handoffs, guardrails, and tracing. Agents delegate to specialists, enforce safety rules, and produce observable traces. 8,000+ stars.","OpenAI",263,"tokrepo install pack\u002Fmulti-agent-frameworks",{"pageType":78,"pageKey":8,"locale":79,"title":80,"metaDescription":81,"h1":13,"tldr":82,"bodyMarkdown":83,"faq":84,"schema":100,"internalLinks":110,"citations":123,"wordCount":136,"generatedAt":137},"pack","es","Frameworks Multi-Agente: CAMEL, LangGraph, DeepAgents","CAMEL, LangGraph, DeepAgents, GPT Researcher — los siete frameworks de orquestación multi-agente que los equipos lanzan en 2026. Instala con TokRepo.","Siete frameworks de orquestación multi-agente — CAMEL, LangGraph, DeepAgents, GPT Researcher, más tres plantillas de role-play e investigación — listos para producción. Instalación en un comando con TokRepo.","## Qué incluye este pack\n\nEste pack reúne los **siete frameworks multi-agente** que los equipos realmente envían a producción en 2026, no las demos que se ven bien en Twitter y explotan bajo carga. Cuatro son frameworks de cabecera, tres son plantillas de research\u002Frole-play que los envuelven.\n\n| # | Recurso | Tipo | Mejor para |\n|---|---|---|---|\n| 1 | LangGraph | framework con estado | Orquestación grafo en producción con checkpointing |\n| 2 | CAMEL | framework role-play | Diálogo agente-a-agente, nivel académico |\n| 3 | DeepAgents | framework research | Planificación de larga duración + spawn de sub-agentes |\n| 4 | GPT Researcher | agente aplicado | Tema de entrada, informe de investigación de salida |\n| 5 | Researcher swarm | plantilla | Roles CAMEL para investigación paralela |\n| 6 | Pareja crítico-actor | plantilla | Un agente actúa, otro critica — corrección de errores |\n| 7 | Planner jerárquico | plantilla | Patrón manager-spawns-workers con presupuesto |\n\n## Por qué importa este pack\n\nUn agente solo es un loop de chat. Multi-agente es un sistema — y como todo sistema, necesita estructura (máquinas de estado, colas, reintentos) antes de sobrevivir a una carga real. Los cuatro frameworks aquí escogieron las estructuras que funcionan. Las tres plantillas te muestran cómo cablearlos para los casos de uso más comunes.\n\nLos frameworks eligen abstracciones distintas:\n\n- **LangGraph** trata la orquestación como grafo de estados. Declaras nodos (agentes\u002Ftools) y aristas (cuándo transicionar), y LangGraph maneja el checkpointing para que un run de 30 minutos pueda reanudarse tras un crash. Lo más cercano a un estándar default para producción.\n- **CAMEL** se enfoca en diálogo agente-a-agente con roles explícitos. Dos agentes hacen de \"usuario\" y \"asistente\" o \"líder de research\" y \"redactor\" y conversan hasta lograr el objetivo. Fuerte en reproducibilidad y benchmarks académicos.\n- **DeepAgents** está construido para tareas de horizonte largo. El agente top planifica, delega sub-tareas a sub-agentes spawneados, cada uno con su propio context window. Diseñado para evitar el modo de fallo \"un único contexto gigante\".\n- **GPT Researcher** es el caso aplicado. Le das una pregunta de investigación, corre un swarm de sub-agentes para reunir evidencia y produce un informe largo con citas. Útil como herramienta y como arquitectura de referencia.\n\n## Instala en un comando\n\n```bash\n# Instala el pack completo\ntokrepo install pack\u002Fmulti-agent-frameworks\n\n# O instala uno a uno\ntokrepo install langgraph\ntokrepo install camel\ntokrepo install deepagents\ntokrepo install gpt-researcher\n```\n\nTokRepo CLI instala el adaptador de cada framework en tu herramienta IA — subagentes Claude Code en `.claude\u002Fagents\u002F`, reglas Cursor en `.cursor\u002Frules\u002F`, AGENTS.md para Codex CLI. Corre pip \u002F npm para las librerías subyacentes; TokRepo cabea los prompts para que tu CLI sepa cuándo invocarlas.\n\n## Errores comunes\n\n- **No te saltes el presupuesto.** Las ejecuciones multi-agente pueden ramificarse exponencialmente — un planner spawneando 5 workers cada uno spawneando 5 sub-tareas quema 25× tokens. Cap siempre la profundidad y max-spawn. DeepAgents lo trae integrado; con LangGraph y CAMEL lo configuras tú.\n- **No compartas un cliente LLM entre threads sin pensar.** La mayoría de SDKs no son del todo thread-safe en alta concurrencia. Usa pools a nivel proceso o async con concurrencia acotada (asyncio.Semaphore(8)).\n- **Trazea todo.** Debug multi-agente sin traces es imposible. Empareja este pack con LLM Observability — Langfuse y AgentOps tienen integraciones first-class con LangGraph.\n- **Cuidado con el role drift.** En diálogo estilo CAMEL, los agentes a veces olvidan quiénes son hacia el turno 8-10. Añade un recordatorio system cada N turnos o fija el rol en cada mensaje.\n- **Multi-agente ≠ mejor.** Prueba primero un Claude Sonnet 4.5 con extended thinking antes de tirar a multi-agente. El blog Anthropic 2025 sobre research multi-agente encontró que el 60% de tareas que la gente lanza a setups multi-agente irían bien con un agente + tools.\n\n## Cuándo este pack no basta\n\nMulti-agente brilla en tareas con sub-problemas paralelizables (research, code review, generación de contenido por temas). Pierde en:\n\n- **Tareas secuenciales, deeply-stateful.** Refactorizar un codebase end-to-end es trabajo de un agente — partirlo entre varios crea más overhead de coordinación que ahorro.\n- **Workflows latency-sensitive.** Cada salto entre agentes añade un round-trip. Bajo SLA de 5s, quédate single-agent.\n- **Workflows cost-sensitive.** Un run multi-agente cuesta típicamente 3-10× lo de un run single-agent para la misma tarea. Vale para calidad en problemas duros; no para \"resume este email\".\n\nLa forma correcta de adoptar este pack: empieza con GPT Researcher como el ejemplo terminado más simple, luego gradúa a LangGraph o DeepAgents cuando necesites escribir tu propia orquestación.",[85,88,91,94,97],{"q":86,"a":87},"¿LangGraph es gratis?","Sí, LangGraph es open-source bajo MIT y solo pagas tokens LLM. Hay un LangGraph Cloud de pago para deploy gestionado con checkpointing y traces, pero la librería OSS está fully featured. CAMEL, DeepAgents y GPT Researcher son también OSS — no se requiere tier de pago para lanzar.",{"q":89,"a":90},"¿Funciona con Cursor o Codex CLI?","Los frameworks son librerías Python a nivel lenguaje, no específicas de Claude Code. Cualquier CLI agente que corra herramientas Python puede manejarlos. El TokRepo CLI instala el cableado correcto — para Codex CLI envía instrucciones AGENTS.md explicando cuándo invocar el framework, para Cursor añade reglas. La instalación Python subyacente no cambia.",{"q":92,"a":93},"¿Cómo se compara LangGraph con CAMEL?","LangGraph es structure-first: dibujas una máquina de estados y los agentes encajan en ella. CAMEL es dialogue-first: asignas roles y dejas que los agentes conversen. LangGraph gana en confiabilidad de producción y checkpointing; CAMEL gana en research, simulaciones y casos donde la conversación misma es el artefacto. Muchos setups usan LangGraph para orquestar y llaman CAMEL para tareas de diálogo concretas.",{"q":95,"a":96},"¿Cuál es la diferencia con el pack Memory Layer?","Memoria es sobre *qué recuerda un agente entre sesiones*. Multi-agente es sobre *cómo varios agentes coordinan dentro de una tarea*. Son ortogonales: un sistema multi-agente suele necesitar capa de memoria compartida (Mem0\u002FZep) para que los workers no re-descubran hechos que el planner ya sabía. Recomendamos instalar ambos packs si construyes algo serio.",{"q":98,"a":99},"¿Cuándo NO debería usar un framework multi-agente?","Cuando la tarea es secuencial y stateful (refactoriza este archivo), latency-sensitive (UIs chat bajo 3s), o lo bastante simple para un Claude\u002FGPT solo. El propio blog multi-agente de Anthropic nota que single-agent + extended thinking le gana a la mayoría de setups multi-agente en coste. Recurre a multi-agente cuando la tarea paraleliza naturalmente (investigar muchas fuentes) o requiere roles expertos distintos.",{"@context":101,"@type":102,"name":103,"description":104,"numberOfItems":105,"publisher":106},"https:\u002F\u002Fschema.org","CollectionPage","Multi-Agent Frameworks","CAMEL, LangGraph, DeepAgents, GPT Researcher — frameworks for orchestrating teams of agents in production.",7,{"@type":107,"name":108,"url":109},"Organization","TokRepo","https:\u002F\u002Ftokrepo.com",[111,115,119],{"url":112,"anchor":113,"reason":114},"\u002Fes\u002Fpacks\u002Fagent-memory-layer","Capa de Memoria para Agentes","memoria compartida entre agentes en un swarm",{"url":116,"anchor":117,"reason":118},"\u002Fes\u002Fpacks\u002Fllm-observability","Observabilidad de LLM","tracear ejecuciones multi-agente",{"url":120,"anchor":121,"reason":122},"\u002Fes\u002Ftools\u002Fclaude-code","Claude Code","host común que orquesta estos frameworks",[124,128,132],{"claim":125,"source_name":126,"source_url":127},"LangGraph is the official stateful orchestration library from the LangChain team","langchain-ai\u002Flanggraph on GitHub","https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flanggraph",{"claim":129,"source_name":130,"source_url":131},"CAMEL is one of the earliest multi-agent role-playing frameworks, with active research output","camel-ai\u002Fcamel on GitHub","https:\u002F\u002Fgithub.com\u002Fcamel-ai\u002Fcamel",{"claim":133,"source_name":134,"source_url":135},"GPT Researcher autonomously runs research tasks and produces long-form reports","assafelovic\u002Fgpt-researcher on GitHub","https:\u002F\u002Fgithub.com\u002Fassafelovic\u002Fgpt-researcher",763,"2026-05-02T15:00:00Z"]