El mapa de los SDK de agentes en 2026
Entre finales de 2025 y el Q1 de 2026, el mercado de SDK de agentes entró de golpe en la era de los cinco grandes. Anthropic Agent SDK (compatible con Python y TypeScript, v0.9), Vercel AI SDK 5 (integración de `generateText` + `experimental_agent`), LangGraph Studio (el enfoque de máquina de estados de la familia LangChain), Mastra (framework ligero nativo en TypeScript) y OpenAI Assistants v2 (la versión más reciente integrada con la Responses API): estos cinco encarnan filosofías de diseño distintas.
Lo importante es que ninguno es un simple «wrapper de LLM». Están diseñados como plataformas integrales que gestionan el loop del agente, las llamadas a herramientas, la persistencia de estado, la observabilidad, los subagentes, la ejecución paralela y las políticas de retry ante fallos. La decisión de adoptar uno en producción depende más de la elección del SDK que de la calidad del modelo.
Anthropic Agent SDK: la implementación de referencia del loop ReAct
El Anthropic Agent SDK es un SDK que extrae el motor interno de Claude Code y lo pone a disposición de los desarrolladores. Tiene una API simple centrada en `ClaudeAgentClient` que se completa con `agent.run()`. El loop es el patrón ReAct puro: el intercambio de mensajes `tool_use` y `tool_result` se gestiona automáticamente de forma interna. Lo más destacable es que el «memory tool» y la «compresión de contexto» están integrados de serie, por lo que en conversaciones largas que superan los 200K tokens, el resumen y el guardado se ejecutan automáticamente.
La versión Python se distribuye como `anthropic.agent.AgentClient`; la versión TypeScript, como `@anthropic-ai/agent-sdk`. La creación de subagentes se hace con `agent.spawn_subagent()` de forma transparente, y el uso de tokens de cada par padre-hijo puede medirse de forma independiente. En producción, asignando una API key independiente por subagente se puede granularizar la auditoría de costos.
Las definiciones de herramientas son compatibles con JSON Schema y se registran con el decorador `@tool` (Python) o con `defineTool()` (TypeScript). Combinado con la funcionalidad Managed Agents, es posible alojar agentes que corren serverless del lado de Anthropic, eliminando la necesidad de gestionar un runtime propio.
Vercel AI SDK 5: integración con UI y optimización del streaming
El punto fuerte de Vercel AI SDK 5 es la refinada integración con el frontend. Con solo llamar a `experimental_agent` desde el hook `useChat`, el streaming de la UI durante la ejecución de herramientas, la visualización progresiva de resultados parciales y la pausa y reanudación pueden escribirse de forma declarativa. La integración con el App Router de Next.js es muy estrecha, y el patrón de iniciar el agente vía Server Actions se ha convertido en el estándar de facto.
El loop del agente tiene un enfoque Plan-and-Execute, con posibilidad de insertar middleware por cada `step`. El callback `onStepFinish` permite inspeccionar la salida de cada paso y abortar el loop si se detecta una violación de guardrails. La capa de abstracción que permite cambiar entre múltiples proveedores (Anthropic, OpenAI, Google, Mistral) es también muy cuidada: en muchos casos, cambiar el modelo después no requiere modificar el código del lado del llamador.
Por otro lado, para flujos de trabajo con máquinas de estados complejas (como flujos de aprobación con intervención humana), resulta algo limitado, y combinarlo con LangGraph es una opción práctica realista.
LangGraph Studio: el agente como máquina de estados
LangGraph lleva al extremo el modelo mental de «agente = grafo dirigido». Los nodos son el procesamiento, los edges son las condiciones de transición y `StateGraph` impulsa el loop. En los casos en que se quiere diseñar explícitamente ramas condicionales, ciclos, human-in-the-loop y checkpoints, ofrece una expresividad incomparable.
En su versión 2026, LangGraph Studio (un IDE web) pasó a GA, y la visualización del grafo, la ejecución paso a paso y la comparación de diferencias de estado se completan en el navegador. Al persistir los `Checkpoint` en Postgres, el «time travel debugging» (volver a ejecutar desde cualquier estado anterior y bifurcar) ha alcanzado un nivel práctico incluso en producción. Eso sí, su curva de aprendizaje es la más alta de los cinco grandes.
Para agentes con búsqueda en árbol (que evalúan múltiples ramas exploratorias y adoptan la mejor), LangGraph es actualmente la opción óptima: la implementación estándar usa la API `Send` para ejecutar en paralelo los nodos de ramificación y un nodo de convergencia para el scoring.
Mastra y OpenAI Assistants v2
Mastra es un framework ligero nativo en TypeScript compuesto por tres primitivos: `Agent`, `Workflow` y `RAG`. Se diferencia por envolver finamente Vercel AI SDK 5 y ofrecer un modelo de eventos impulsado por eventos compatible con Inngest como motor de workflow. Es ideal para startups que necesitan arrancar rápido.
OpenAI Assistants v2 se renovó profundamente con la integración de la Responses API: el complicado modelo de `threads` y `runs` se consolidó en una sola llamada `responses.create()`. File Search, Code Interpreter y Function Calling son ciudadanos de primera clase; en particular, la ejecución en sandbox de Code Interpreter está actualmente más madura que la de otros proveedores.
Observabilidad: Langfuse, Arize y LangSmith
Donde más se nota la diferencia en producción es en la observabilidad. Langfuse es OSS y puede autohospedarse, y sin el concepto de costo por traza resulta incomparablemente más económico para operaciones a gran escala. Arize Phoenix destaca en evaluación y es elegido por la automatización de trabajos de evaluación offline. LangSmith tiene la integración más fluida con LangGraph y permite ver la distribución de latencia por nodo del grafo con un solo clic.
En KGA usamos Langfuse en producción, Arize en la CI de evaluación y LangSmith únicamente en proyectos LangGraph. Con la convención semántica de OpenTelemetry (atributos `gen_ai.*`) que pasó a GA en el Q1 de 2026, la salida de trazas estándar se ha unificado del lado del SDK, lo que hace que cambiar el backend sea mucho más sencillo que antes.
Criterios para elegir uno u otro
Prioridad en integración con frontend y UX → Vercel AI SDK 5. Modelo Anthropic como base, con el objetivo de sacar calidad de producción lo más rápido posible → Anthropic Agent SDK. Máquina de estados compleja o flujos de aprobación con intervención humana → LangGraph. Startup en TypeScript → Mastra. Modelo OpenAI + Code Interpreter imprescindible → Assistants v2. Con estos cinco criterios, rara vez se falla en la elección.