Orquestração e agentes

O que observar

As perguntas que separam as opções, em ordem de importância.

1. 01

   Linguagem e encaixe com a equipe

   A maioria dos frameworks é Python em primeiro lugar; equipes de TypeScript devem olhar o Mastra, ou os ports em TypeScript do LangGraph, do OpenAI Agents SDK e do Google ADK, e verificar se o port tem paridade de recursos. Equipes .NET têm uma opção séria no Microsoft Agent Framework. Um framework que a sua equipe consegue ler e depurar vale mais do que um mais capaz que ninguém entende.

2. 02

   Nível de abstração: grafo, loop de agente ou canvas

   Frameworks de grafo ou máquina de estados (LangGraph, workflows do Microsoft Agent Framework, ADK 2.0, LlamaIndex Workflows) tornam explícitos cada etapa e cada desvio, o que combina com processos regulados ou de longa duração. SDKs de loop de agente (OpenAI Agents SDK, Pydantic AI, smolagents, Agno) deixam o modelo escolher a próxima ferramenta, o que é mais rápido de construir e mais difícil de prever. Canvases low-code (Dify, n8n) permitem que quem não é desenvolvedor monte fluxos, mas são difíceis de testar, revisar e versionar como código. Muitas equipes começam com um loop e passam os caminhos críticos para um grafo.

3. 03

   Estado e execução durável

   Um agente que roda por minutos ou dias precisa sobreviver a uma falha ou a um deploy sem recomeçar do zero. Procure checkpoints em um banco de dados de verdade (checkpointers do LangGraph, checkpoint storage da Microsoft, @persist do CrewAI, DatabaseSessionService do ADK) ou integração com um motor durável como Temporal ou DBOS, como o Pydantic AI oferece. Verifique se as ferramentas podem ser executadas de novo com segurança, porque a retomada geralmente garante execução pelo menos uma vez, não exatamente uma vez.

4. 04

   Humano no circuito que sabe esperar

   Aprovações antes de chamadas de ferramenta arriscadas (enviar dinheiro, apagar dados, mandar e-mail a clientes) devem ser um recurso de primeira classe: a execução pausa, uma pessoa aprova ou edita, e a execução retoma, possivelmente horas depois em outro servidor. A maioria dos frameworks oferece isso hoje, mas só sobrevive a reinícios quando combinado com estado durável. Teste cedo o caminho de pausa e retomada; é onde os bugs se concentram.

5. 05

   Observabilidade e avaliações

   Você vai passar mais tempo lendo traces do que escrevendo prompts. Prefira frameworks que emitem OpenTelemetry ou se conectam a ferramentas de tracing como Langfuse, Phoenix ou LangSmith, em vez de oferecer apenas um painel do fornecedor. O tracing integrado (ativado por padrão no OpenAI Agents SDK, Logfire para o Pydantic AI, tracing e avaliações do Mastra) economiza tempo de verdade, desde que você consiga exportar os dados.

6. 06

   Multiagente só quando um agente não dá conta

   Equipes de agentes com papéis e repasses rendem boas demonstrações, mas multiplicam o uso de tokens e tornam as falhas mais difíceis de rastrear, uma reclamação que os avaliadores fazem sobre o CrewAI em particular. Comece com um agente e boas ferramentas; divida em vários quando as tarefas realmente precisarem de contexto ou permissões separados. Se fizer isso, prefira repasses explícitos ou arestas de grafo a conversas livres entre agentes.

7. 07

   Licença, dependência do fornecedor e ritmo de lançamentos

   A maioria dos frameworks de código é MIT ou Apache 2.0, mas verifique os limites open-core (a pasta ee/ do Mastra) e licenças fair-code ou modificadas nas plataformas (a Sustainable Use License do n8n, as condições adicionais do Dify para hospedagem multi-tenant). SDKs de fornecedores funcionam melhor com os próprios modelos e nuvens. Confira o histórico de versões: um framework sem lançamentos por meses, como aconteceu com o smolagents em 2026, vai ficar para trás nos recursos dos novos modelos.

18 ferramentas comparadas

Ordenadas pela nossa nota. Abra qualquer avaliação para ver as fontes, os preços e o veredito completo.

Ferramentas de Orquestração e agentes comparadas

Ferramenta	Nota	Nosso veredito	Ideal para	Preço
LangGraphrepositório	4.6/5	Controle explícito sobre cada passo que um agente dá, pago em código e tempo de aprendizado, e que vale a pena quando um agente precisa sobreviver a reinícios e esperar por uma pessoa.	Equipes de engenharia que criam agentes de longa duração ou de vários passos que precisam ser confiáveis e auditáveis.	Gratuito e de código aberto sob a licença MIT. O LangSmith (rastreamento e implantação) é separado: Developer gratuito para um assento, Plus US$ 39/assento/mês mais computação, Enterprise sob medida.
Pydantic AIrepositório	4.5/5	O Pydantic AI leva a disciplina do Python tipado aos agentes, ao custo de um ritmo de versões que você precisa fixar.	Engenheiros Python que constroem agentes de produção e querem tipagem forte, testabilidade e liberdade para trocar de modelo.	Gratuito e de código aberto sob a licença MIT. Observabilidade com Logfire: Personal gratuito até 10M registros/mês, Team $49/mês mais $2 por milhão de registros extra. O Pydantic AI Gateway acrescenta uma margem de 5% sobre os provedores embutidos.
Difyrepositório	4.5/5	O Dify dá às equipes de negócio um construtor completo de apps com LLM que elas mesmas podem editar, com uma licença que só aperta quando você o revende como serviço hospedado.	Equipes que criam chatbots internos e apps de RAG que serão mantidos por pessoas que não são engenheiras.	Community Edition auto-hospedada gratuita (Apache 2.0 modificada, um workspace). Dify Cloud: Sandbox gratuito (200 créditos de mensagem únicos), Professional US$ 590/workspace/ano, Team US$ 1.590/workspace/ano (cobrança anual, que segundo o Dify economiza 17%), Enterprise sob orçamento.
OpenAI Agents SDKrepositório	4.4/5	Um SDK de agentes pequeno e legível cujos padrões pressupõem discretamente a OpenAI: o tracing envia suas execuções ao painel dela, e o sandbox local confia na sua máquina.	Desenvolvedores que constroem agentes principalmente com modelos da OpenAI e querem um SDK mínimo e bem documentado.	Gratuito e de código aberto sob a licença MIT. Você paga pelo uso dos modelos.
Mastrarepositório	4.4/5	O kit de agentes mais completo do TypeScript, lançado em um ritmo que favorece equipes que fixam versões e leem changelogs.	Equipes de TypeScript e Next.js que constroem agentes e workflows de IA.	O núcleo é gratuito sob Apache 2.0; o código nas pastas ee/ exige uma licença Mastra Enterprise em produção. Plataforma hospedada do Mastra: Starter US$ 0, Teams US$ 250/mês, Enterprise sob medida; o Enterprise auto-hospedado é uma taxa anual fixa.
n8nrepositório	4.4/5	Grande alcance para ligar etapas de IA a sistemas de negócio por um custo fixo auto-hospedado, contrabalançado por um ritmo de correções de segurança que nenhum auto-hospedador pode ignorar.	Equipes de operações e engenharia que automatizam processos de negócio com etapas de IA.	Fair-code: Community Edition gratuita para auto-hospedar sob a Sustainable Use License. Cobrança anual: Cloud Starter € 20/mês (2.500 execuções), Pro € 50/mês (10.000); Business auto-hospedado € 667/mês (40.000); Enterprise sob medida.
LlamaIndexrepositório	4.3/5	Ainda é um kit de ferramentas profundo para RAG com muitos documentos, mas seu criador agora diz com todas as letras que o framework não é mais a prioridade.	Desenvolvedores Python construindo RAG ou agentes de documentos sobre fontes de dados grandes e variadas.	Framework gratuito sob MIT. LlamaParse (nuvem paga): Free com 10k créditos, Starter $50/mês (40k créditos), Pro $500/mês (400k créditos), Enterprise sob consulta; 1.000 créditos = $1.25.
Hermes Agentrepositório	4.3/5	O Hermes é o agente open source para colocar em um servidor de US$ 5 se você quer um que se lembre de você, com um modelo de segurança que você precisa ler antes de ativar o modo YOLO.	Desenvolvedores e pequenas equipes que querem um assistente auto-hospedado que rode tarefas agendadas e responda nos seus apps de chat.	Gratuito sob a licença MIT; você paga pelos modelos e pela hospedagem. Nous Portal opcional: Free, Plus US$ 20/mês, Super US$ 100/mês, Ultra US$ 200/mês.
Google Agent Development Kit (ADK)repositório	4.2/5	Um framework de agentes sério e de evolução rápida, cujo caminho mais curto sempre leva ao Gemini e ao Google Cloud, o que é ou a proposta ou o porém.	Equipes que criam agentes com o Gemini ou fazem deploy no Google Cloud.	Gratuito e open source sob a licença Apache 2.0. Você paga pelos modelos e serviços do Google Cloud que usar.
Microsoft Agent Frameworkrepositório	4.2/5	A casa óbvia para equipes de .NET e Azure que constroem agentes, e uma escolha competente, mas menos comprovada, para equipes de Python fora desse ecossistema.	Equipes de .NET e Azure, e qualquer um migrando do AutoGen ou do Semantic Kernel.	Gratuito e de código aberto sob a licença MIT. Você paga só pelos modelos e serviços do Azure que usar.
CrewAIrepositório	4.1/5	Rápido para chegar a uma demo multiagente funcional e mais difícil de conduzir quanto mais se afasta dela, por isso equipes de produção acabam escrevendo Flows em vez de Crews.	Desenvolvedores Python que querem um workflow multiagente rodando rápido e aceitam menos controle de baixo nível.	Gratuito e de código aberto sob a licença MIT. CrewAI AMP: Basic gratuito com 50 execuções de workflow por mês; Enterprise (mais execuções, SSO, RBAC, implantação em VPC ou on-prem) sob consulta.
Agnorepositório	4.1/5	O Agno transforma um agente Python em uma API servida com muito pouca cola, mas essa API vem com a autenticação desligada.	Equipes Python que querem rodar agentes em produção na própria infraestrutura com o mínimo de encanamento.	Framework e AgentOS gratuitos sob Apache 2.0. Painel de controle: gratuito contra um AgentOS local; Pro a $150/mês (uma conexão em produção, três assentos, assentos extras a $30, SAML SSO a $300); Enterprise sob consulta.
Activepiecesrepositório	4.1/5	O Activepieces é o substituto auto-hospedado do Zapier mais fácil de entregar a quem não é desenvolvedor, e a forma mais barata de transformar seus conectores em ferramentas MCP.	Equipes de operações que querem um construtor de automações no-code auto-hospedado cujas integrações também sirvam a agentes de IA via MCP.	Free: 1,000 créditos/mês; Plus a $20/mês por 10,000 créditos; Team a $200/mês por 50,000 créditos; créditos extras a $0.007; Ultimate sob consulta; Embed a partir de $36k por ano.
TreeQuestrepositório	3.8/5	Uma implementação limpa e mínima de um método de busca respeitado, que faz exatamente uma coisa e deixa as partes difíceis, pontuar e escolher uma resposta final, com você.	Engenheiros que já têm um verificador para as saídas do modelo e querem um algoritmo de busca testado para transformar um orçamento maior de chamadas em respostas melhores.	Gratuito sob Apache 2.0. Os custos são as chamadas de LLM que suas funções de geração e de pontuação fazem.
MaxKBrepositório	3.7/5	O MaxKB é uma alternativa competente ao Dify para stacks corporativas chinesas, desde que você trate o histórico de segurança dele como um custo operacional permanente.	Equipes de TI em organizações que usam WeCom, DingTalk ou Feishu e querem um assistente de documentos auto-hospedado, e conseguem acompanhar as correções de segurança.	Community Edition gratuita (GPL-3.0), um único tenant, suporte da comunidade. Professional ¥ 48.000 por implantação, perpétua, com um ano de manutenção incluído, depois ¥ 9.600 por ano. Enterprise sob orçamento.
Lettarepositório	3.7/5	A Letta ainda tem as ideias mais bem pensadas sobre memória de agentes, mas reconstruir o produto em pleno voo deixou os usuários antigos com uma migração e os novos com um alvo em movimento rápido.	Desenvolvedores que querem agentes pessoais ou de equipe de longa duração com memória inspecionável e versionada e estão dispostos a adotar um harness inteiro.	Apache 2.0, gratuito para rodar localmente com as suas próprias chaves de modelo. Letta Cloud: Free (3 agentes, 5 MiB por repositório de memória); Pro US$ 20/mês (20 agentes, 50 MiB, cota de modelos); plano API US$ 20/mês mais US$ 0,10 por agente ativo por mês e US$ 0,00015 por segundo de execução de ferramentas, tokens à parte; Teams Pro US$ 20/usuário/mês; Enterprise sob consulta.
smolagentsrepositório	3.5/5	Uma demonstração clara de que agentes podem agir em código, agora deslizando para o modo de manutenção com 590 pull requests à espera.	Pesquisadores e estudantes explorando agentes que escrevem código, especialmente com modelos abertos.	Gratuito e de código aberto sob a licença Apache 2.0.
Coze Studiorepositório	3.5/5	O Coze Studio tem a licença mais limpa entre os grandes construtores visuais de agentes, mas a ByteDance parece ter parado de fazê-lo avançar.	Equipes que querem um construtor visual de agentes com licença Apache para fazer fork e manter por conta própria, e que podem mantê-lo fora da internet pública.	Gratuito sob Apache 2.0. Alguns recursos, como a personalização do tom de voz, ficam reservados à plataforma comercial Coze hospedada pela ByteDance.

Lado a lado

As especificações que importam nesta etapa. Verificadas em 19 de out. de 2026; confirme no site do fornecedor antes de decidir.

Onde esta etapa se encaixa

• Converse com os seus documentos: começaríamos com LlamaIndex.
• Agente de atendimento ao cliente: começaríamos com LangGraph.
• Pesquisa e grafo de conhecimento: começaríamos com LlamaIndex.
• Assistente com memória de longo prazo: começaríamos com OpenAI Agents SDK.
• Agente de voz: começaríamos com Pydantic AI.
• Processamento de documentos: começaríamos com n8n.
• Automação de fluxos de trabalho: começaríamos com n8n.

Fontes deste guia

• LangGraph.js repository
• Pydantic AI: deferred tools and approval
• CrewAI docs: Flows
• Google ADK: action confirmations
• Google ADK: resume stopped agents
• Microsoft Agent Framework: human-in-the-loop workflows
• LlamaIndex: human in the loop
• smolagents: human-in-the-loop plan customisation
• Dify: the Human Input node
• n8n docs: human-in-the-loop for tools
• smolagents: orchestrate a multi-agent system
• Mastra: multi-agent systems