Agno

Agno es un framework de Python de código abierto para crear, ejecutar y gestionar sistemas de IA multiagente. Fue creado por Ashpreet Bedi bajo el nombre de Phidata antes de ser renombrado como Agno el 29 de enero de 2025. El cambio de marca transformó la identidad del proyecto, pasando de ser una biblioteca general de herramientas de datos a un entorno de ejecución agéntico dedicado, con un nuevo nombre derivado de la palabra griega para "puro", lo que refleja el principio de diseño del framework: sin grafos, sin cadenas, sin abstracciones enrevesadas, solo Python puro. Hasta abril de 2026, el proyecto cuenta con casi 40,000 estrellas en GitHub y lanza múltiples actualizaciones de versión por semana. Está licenciado bajo Apache 2.0.

El framework incluye dos capas principales. La biblioteca de Python de código abierto permite a los desarrolladores definir agentes con memoria, bases de conocimiento, llamadas a herramientas, barreras de seguridad (guardrails) y entradas multimodales utilizando una API minimalista: un agente básico requiere aproximadamente cinco líneas de Python. La capa AgentOS es un backend de FastAPI sin estado con más de 50 endpoints, transmisión por SSE y WebSocket, control de acceso basado en roles mediante JWT, aislamiento de sesiones multiinquilino y rastreo con OpenTelemetry. AgentOS se implementa en Docker, Railway, AWS o GCP y expone interfaces para Slack, Telegram, Discord y WhatsApp. Los modelos compatibles incluyen a todos los proveedores principales: OpenAI, Anthropic, Gemini, Mistral, Groq, modelos locales a través de Ollama y cualquier endpoint compatible con OpenAI.

Lo que Agno realmente hace en abril de 2026

En su núcleo, Agno ejecuta un bucle de razonamiento: el agente recibe una tarea, decide qué acción tomar (llamar a una herramienta, consultar una base de conocimiento, delegar a un subagente), ejecuta la acción, observa el resultado y repite hasta que la tarea se completa o se alcanza un límite de pasos. Los desarrolladores definen agentes utilizando clases de Python puro con funciones de herramientas tipadas. Agno maneja automáticamente la ingeniería de prompts, la transmisión (streaming), el despacho de herramientas y la persistencia de la sesión. A diferencia de LangGraph, no hay necesidad de predefinir un esquema de estado o dibujar un grafo dirigido antes de ejecutar su primer agente.

Los equipos de agentes son una característica de primer nivel. Un agente líder puede delegar tareas a subagentes especialistas, cada uno con su propio modelo, herramientas y fuentes de conocimiento. La coordinación del equipo utiliza transmisión asíncrona, por lo que los subagentes se ejecutan simultáneamente y transmiten los resultados al líder del equipo. El anuncio del cambio de marca en enero de 2025 y la hoja de ruta posterior introdujeron flujos de trabajo de aprobación con intervención humana (HITL, por sus siglas en inglés), que se convirtieron en una característica de producción en la serie de versiones 2.5.x, respondiendo directamente a las solicitudes de la comunidad. El sistema HITL permite a los revisores humanos aprobar las acciones del agente antes de su ejecución, lo cual es fundamental para cualquier agente con acceso de escritura a sistemas externos como Jira, Salesforce o el correo electrónico.

El sistema de bases de conocimiento es una de las fortalezas más claras de Agno. El framework incluye integraciones de primer nivel para documentos PDF, bases de datos, API y almacenes de vectores (PgVector, Qdrant, Weaviate, Milvus, Pinecone), con fragmentación (chunking), incrustación (embedding) y recuperación integradas. Esto hace que Agno sea una opción natural para sistemas RAG agénticos: búsqueda de documentos legales, análisis de informes financieros, recuperación de conocimientos médicos o agregación de investigaciones académicas. A diferencia de los frameworks donde la recuperación se añade como una herramienta externa, Agno trata la base de conocimiento como una parte nativa de la arquitectura del agente. Los desarrolladores a menudo combinan Agno con LlamaIndex para canalizaciones de procesamiento de documentos más avanzadas, o con herramientas de LangChain, que Agno acepta de forma nativa.

La versión 2.6.0 (23 de abril de 2025) introdujo soporte para múltiples frameworks, permitiendo a los desarrolladores envolver agentes existentes construidos en LangGraph o DSPy dentro del entorno de ejecución AgentOS de Agno. La misma versión añadió un kit de herramientas Workspace que otorga a los agentes acceso de lectura/escritura y shell en la máquina local con puertas de confirmación de intervención humana, y una API de "Factories" para la creación dinámica de agentes a escala. Para la versión 2.6.4 (28 de abril de 2026), la plataforma había integrado WikiContextProvider, herramientas de CRM de Salesforce, procesamiento de documentos Docling y soporte para modelos de respaldo (fallback), donde un agente cambia automáticamente a un modelo alternativo si el proveedor principal devuelve errores.

"Me encanta Agno. Es tan fácil de usar que incluso yo, con mis bajos conocimientos de desarrollo, puedo crear agentes potentes. Construí con éxito un generador RSA y un agente de Google Ads." - Alfred Simon, Product Hunt, abril de 2025

Dónde se sitúa Agno frente a CrewAI y LangGraph

Los tres frameworks que más se comparan con Agno son CrewAI, LangGraph y, en menor medida, smolagents y Mastra. Cada uno representa una filosofía arquitectónica diferente para los sistemas multiagente.

CrewAI utiliza una abstracción basada en roles. A los agentes se les asigna un rol, un objetivo y una historia de fondo, y operan dentro de un "equipo" (crew) que ejecuta tareas de forma secuencial o jerárquica. Esta metáfora permite poner en marcha un prototipo rápidamente; CrewAI es citado constantemente como el camino de menor fricción hacia un flujo de trabajo empresarial funcional. Su modelo de memoria es de tres capas: memoria a corto plazo compartida entre todos los agentes en una sola ejecución, memoria a largo plazo almacenada en una base de datos SQLite local y memoria de entidades que rastrea sujetos específicos a través de las sesiones. La contrapartida es que el diseño dogmático de CrewAI se vuelve limitante a medida que crecen los requisitos; los equipos informan habitualmente que alcanzan este techo entre 6 y 12 meses después de entrar en producción, lo que requiere reescribir el código en un framework más flexible. Agno evita este techo manteniendo sus primitivas a un nivel más bajo, pero eso significa más configuración manual para casos de uso simples. Por recuento de estrellas, CrewAI lidera con aproximadamente 44,300 frente a las 40,000 de Agno, pero los 5.2 millones de descargas mensuales en PyPI de CrewAI frente a la base de descargas significativamente menor de Agno sugieren que CrewAI todavía tiene más implementaciones activas en producción.

LangGraph es el líder en uso en producción por volumen bruto de descargas, con aproximadamente 34.5 millones de descargas mensuales en PyPI. Su arquitectura de grafos dirigidos obliga a los desarrolladores a definir cada transición de estado como una arista con nombre, con esquemas de estado explícitos y persistencia tipada. Esta ceremonia vale la pena para flujos de trabajo complejos: la lógica de ramificación, el manejo de reintentos, la creación de puntos de control a mitad de ejecución y las puertas de aprobación con intervención humana son características de primer nivel. La desventaja de LangGraph es su curva de aprendizaje más pronunciada, y los críticos señalan una documentación fragmentada y la complejidad heredada del ecosistema de LangChain. Un flujo de trabajo básico de LangGraph requiere más de 60 líneas de código en comparación con las cinco de Agno. En cuanto a la velocidad de instanciación, los benchmarks de Agno muestran que es 529 veces más rápido que LangGraph, lo cual es importante cuando se generan cientos de agentes de corta duración por segundo. LangGraph también es significativamente más pesado en memoria por instancia de agente. Para los equipos que necesitan un control preciso a nivel de grafo sobre flujos de trabajo con estado de larga duración, LangGraph sigue siendo la opción de producción más segura. Para los equipos que construyen agentes con gran carga de conocimiento que necesitan un prototipado rápido y no requieren máquinas de estado explícitas, Agno es más ergonómico.

En relación con smolagents (el framework minimalista centrado en el código de Hugging Face), Agno es más dogmático sobre la capa de ejecución en producción, pero menos dogmático sobre el modelo de acción del agente. smolagents genera código Python como acciones; Agno utiliza llamadas a herramientas estándar con despacho JSON. smolagents mantiene todo su núcleo en aproximadamente 1,000 líneas y es deliberadamente no dogmático sobre la implementación, mientras que Agno incluye una pila de producción completa. En relación con AutoGen (el framework multiagente basado en conversaciones de Microsoft), el modelo de memoria de sesión de Agno es más estructurado, pero AutoGen tiene una comunidad de investigación más grande y un historial más largo en benchmarks académicos. El modelo de paso de mensajes de AutoGen, donde los agentes se turnan para contribuir a los hilos de conversación, es fundamentalmente diferente del modelo de despacho de herramientas de Agno; ambos resuelven problemas superpuestos pero distintos.

"Agno es ligero y rápido. No te obliga a usar una arquitectura de grafos pesada cuando solo necesitas un agente inteligente." - Resumen de desarrollador citado en una investigación de comparación de frameworks, 2025

Cómo es la realidad del bucle del agente

En la práctica, construir con Agno comienza instalando el paquete y definiendo herramientas como funciones tipadas de Python. El framework infiere el esquema de la herramienta a partir de las anotaciones de tipo. Añadir memoria significa pasar un almacén de memoria (SQLite, PostgreSQL o MongoDB) al constructor del Agente. Añadir una base de conocimiento significa apuntar el agente a un almacén de vectores y llamar a agent.knowledge.load(). El panel de monitorización en app.agno.com muestra cada ejecución, cada llamada a herramienta, cada recuento de tokens y cada respuesta del modelo en tiempo real. Para el desarrollo local, el entorno de pruebas integrado ejecuta una interfaz de Next.js en localhost que le permite chatear con cualquier agente e inspeccionar sus pasos de razonamiento.

El aspecto de la monitorización importa más de lo que sugiere el texto de marketing. Cada ejecución del agente se registra con trazas completas de llamadas a herramientas, latencia por paso, recuentos de tokens por llamada al modelo y las entradas y salidas exactas pasadas entre los agentes de un equipo. Cuando algo sale mal en una canalización multiagente (y saldrá mal durante el desarrollo), el plano de control le muestra exactamente qué agente tomó la decisión equivocada y con qué contexto estaba trabajando. Esto es cualitativamente diferente a depurar leyendo declaraciones de impresión en un flujo de trabajo de LangChain. Los equipos que construyen agentes internos para finanzas, legal u operaciones informan que esta capa de observabilidad por sí sola justifica la adopción de Agno en lugar de desarrollar su propia orquestación.

El flujo de trabajo HITL merece una mención específica porque es la característica más solicitada antes de su lanzamiento. Cuando un agente está a punto de llamar a una herramienta destructiva (enviar un correo electrónico, crear un ticket de Jira, modificar un registro de base de datos), la ejecución se pausa y muestra una solicitud de aprobación a través de la API de AgentOS. Un humano aprueba o rechaza. El agente se reanuda o termina limpiamente. Este patrón ahora está integrado tanto en agentes individuales como en equipos de agentes, aunque las discusiones de la comunidad muestran que las aprobaciones pausadas simultáneas en múltiples miembros del equipo pueden causar un bloqueo si no se diseñan cuidadosamente.

El soporte de modelos de respaldo añadido en la versión 2.5.14 (abril de 2025) aborda un problema real de producción: si su proveedor de modelo principal (por ejemplo, OpenAI) se cae a mitad de la ejecución, el agente cambia automáticamente a un respaldo designado. Este es el tipo de característica operativa que separa a los frameworks diseñados para producción de los diseñados para demostraciones.

Para quién está diseñado Agno

Agno es ideal para desarrolladores de Python que construyen agentes con gran carga de conocimiento donde el trabajo principal es razonar sobre grandes conjuntos de documentos estructurados: investigación legal, análisis financiero, recuperación de documentos médicos, gestión del conocimiento empresarial y atención al cliente con una profunda integración de CRM. La arquitectura agnóstica a modelos lo hace sensato para los equipos que no pueden permitirse la dependencia del proveedor de OpenAI, o que desean ejecutar inferencias en modelos locales por razones de privacidad o costo.

Es muy adecuado para equipos de ingeniería que desean crear prototipos rápidamente y luego implementarlos en su propia infraestructura con observabilidad real. La historia de implementación de AgentOS con 20 líneas de código es genuina: obtiene un backend de FastAPI con más de 50 endpoints, gestión de sesiones, autenticación y un plano de control sin tener que escribir esa infraestructura usted mismo.

Agno no es la herramienta adecuada para equipos que necesitan control a nivel de grafo sobre máquinas de estado complejas con lógica de ramificación, semántica de reintentos y puntos de control explícitos. LangGraph maneja mejor esos requisitos. Tampoco está diseñado para usuarios no técnicos que construyen agentes a través de una interfaz visual; a pesar del "Agent Studio" mencionado en el anuncio de enero de 2025, el framework sigue centrado en el código. Los equipos sensibles a la rotación de dependencias deben tener en cuenta que la cadencia de lanzamiento es agresiva, con múltiples lanzamientos por semana, y han aparecido cambios disruptivos en las importaciones de reranker, la compatibilidad con a2a-sdk y las actualizaciones de la API de memoria.

Para los desarrolladores que exploran este espacio junto con Agno, LangChain sigue siendo el ecosistema con la mayor amplitud de herramientas, mientras que LlamaIndex ofrece opciones más profundas de ingesta de documentos que combinan bien con la capa de base de conocimiento de Agno.