Frameworks Agentes Python

Qué incluye este pack

Este pack reúne los cinco frameworks de agente Python-first con suficiente código de producción para usar hoy, ordenados por estrellas en GitHub y cadencia de commits activos. Cada uno representa una filosofía de diseño diferente — elige por la forma de tu problema, no por el nombre de marca.

La lista excluye intencionalmente LangGraph (cubierto como default en la mayoría de stacks LangChain) y los frameworks JS-only. Cubre el espacio de diseño que los usuarios Python eligen cuando StateGraph de LangGraph se siente demasiado pesado.

Por qué "quedarse en Python" importa

La mayoría de equipos ya tienen un stack Python — pandas, FastAPI, drivers Postgres, libs ML. Cambiar a un runtime de agente TypeScript o Go significa reescribir la plomería de datos por una feature. Estos cinco frameworks evitan eso completamente. Corren dentro de tu servicio FastAPI existente, comparten tu venv y llaman al mismo DB driver que tu backend ya usa.

La forma del trade-off:

• Phidata es lo más "pythónico" — los agentes son clases con métodos-herramienta, sabor SQLAlchemy. Mejor cuando tu agente ES una data app (dashboards, herramientas internas).
• AGiXT es una plataforma completa con UI, abstracción de proveedor, chains, extensiones. Instalación más pesada, más features out-of-the-box.
• AutoGPT es el arquetipo de loop autónomo — objetivo entra, plan + ejecución + reflexión, repite. Más caro en tokens; menos trabajo de dev.
• OpenAI Swarm es el más pequeño — los agentes se transfieren entre sí via función transfer_to_X(). Experimental pero el modelo mental más limpio para ruteo.
• CrewAI te deja definir objetos Agent, Task, Crew — roles explícitos, ejecución secuencial o jerárquica. Genial para pipelines "marketing → review → publish".

Instala en un comando

# Instala el pack — pone requirements + agentes ejemplo en tu proyecto
tokrepo install pack/python-agent-frameworks

# O elige uno
tokrepo install crewai
tokrepo install openai-swarm
tokrepo install autogpt

El TokRepo CLI descarga la plantilla getting-started de cada framework, la pone bajo agents/<framework>/ y añade dependencias a pyproject.toml o requirements.txt. Corre pytest agents/ para validar los ejemplos antes de cablearlo a tus prompts reales.

Trampas comunes

• No uses AutoGPT para tareas cerradas. Su fuerza son objetivos abiertos. Para "resume este PDF" quemarás tokens reflexionando sobre un problema que tiene un paso obvio.
• Swarm es experimental, no producción. OpenAI lo publica como repo de "patrón de diseño". Usa el patrón de ruteo; construye el loop de producción tú o cópialo a un fork mantenido.
• El modo secuencial de CrewAI esconde paralelismo. Si dos tareas no tienen dependencia, declárate paralelas — el modo secuencial corre todo end-to-end aun sin necesidad.
• La capa de storage de Phidata asume Postgres. SQLite funciona para dev local pero la interfaz está construida sobre JSONB. Planea Postgres real para cualquier corrida desplegada.
• AGiXT actualiza rápido. El schema entre versiones menores ha roto antes. Fija un tag específico en producción y lee el changelog antes de actualizar.

Cuándo este pack solo no es suficiente

Si tu problema es un servicio Python-only, este pack basta. Si tienes:

• un backend Java/Spring → ver Frameworks Agentes Multi-Lenguaje para Spring AI y LangChain4j
• una edge function TypeScript → el mismo pack multilang cubre Mastra
• un paso evaluador no-LLM como gate → empareja con Eval & Guardrails LLM

También puedes combinar: un orquestador CrewAI escrito en Python que llama a un agente Spring AI en Java para una herramienta específica, evaluado por Promptfoo antes del despliegue. Los frameworks aquí son runtimes — no dictan el resto de tu stack.