AutoGen

AutoGen es un framework de Python creado por Microsoft Research para orquestar múltiples agentes de IA en flujos de trabajo colaborativos. Lanzado en 2023 y actualmente en su versión 0.7.x, permite a los desarrolladores componer agentes autónomos que se comunican mediante el intercambio estructurado de mensajes, delegan tareas, llaman a herramientas y escriben y ejecutan código, todo dentro de un entorno de ejecución que puede funcionar localmente o distribuido en varios procesos. El framework cuenta con 57.500 estrellas en GitHub y sigue siendo uno de los frameworks de agentes de código abierto más citados en uso de producción.

El framework principal incluye tres capas: AutoGen Core (entorno de ejecución de modelo de actores con intercambio de mensajes asíncrono basado en eventos), AgentChat (una API de nivel superior para patrones comunes como el chat entre dos agentes y el chat grupal) y Extensions (integraciones para OpenAI, Azure OpenAI y servidores MCP). AutoGen Studio proporciona una interfaz gráfica web sin código (no-code) para crear prototipos y depurar flujos de trabajo sin escribir en Python. Magentic-One, un preajuste multiagente generalista incluido con el framework, logró resultados competitivos en los benchmarks de GAIA, AssistantBench y WebArena a finales de 2024. El soporte multiplataforma abarca Python 3.10+ y .NET.

Lo que AutoGen realmente hace en abril de 2026

La versión estable actual de AutoGen (v0.7.x, con la etiqueta v0.7.5 de septiembre de 2025) se basa en la reescritura arquitectónica de la v0.4 lanzada en enero de 2025. Esa reescritura reemplazó el bucle de conversación síncrono original con un entorno de ejecución de modelo de actores: los agentes son unidades computacionales independientes que reciben y envían mensajes tipados a través de un entorno de ejecución central, en lugar de llamarse entre sí en una cadena lineal. Esto desacopla la entrega de mensajes de su manejo, lo que significa que los agentes pueden ejecutarse en procesos separados, en máquinas separadas o en lenguajes separados.

En la práctica, esto desbloquea un conjunto más amplio de patrones: distribuir tareas (fan-out) a agentes paralelos, componer pipelines que guardan puntos de control a mitad de ejecución, transmitir resultados parciales a un proxy de usuario o transferir el control entre un agente programador y un agente revisor según las condiciones de ejecución. La capa AgentChat conserva la API más sencilla y familiar para los usuarios de AutoGen 0.2, por lo que los patrones existentes de dos agentes y chat grupal siguen funcionando sin necesidad de reescribirlos.

AutoGen Studio, incluido como interfaz web y paquete de Python, representa a los agentes y las configuraciones de equipo en un lienzo de arrastrar y soltar. Está orientado a casos de uso de creación de prototipos y depuración: los desarrolladores pueden intercambiar modelos, ajustar los prompts de los agentes y reproducir sesiones sin tocar el código. Microsoft señala explícitamente que AutoGen Studio es un prototipo de investigación y no un objetivo de implementación en producción.

Magentic-One, un sistema multiagente preestablecido construido sobre AgentChat, conecta un orquestador de planificación con cuatro agentes especialistas: un navegador web, un navegador de archivos, un ejecutor de código y una terminal. En el benchmark GAIA obtuvo un 38%; en WebArena, un 32,8%. Estas cifras son competitivas con los principales sistemas de código abierto en el momento de su publicación.

"Un paso por delante de los agentes de LangChain y parece estar recibiendo más atención y desarrollo del que LangChain estaba interesado en comprometer para los agentes." - anais9, Hacker News, octubre de 2023

Dónde se sitúa AutoGen frente a CrewAI y AG2

Las dos comparaciones más directas son CrewAI (la alternativa más popular para nuevos proyectos) y AG2 (el fork de la comunidad que se separó de AutoGen a finales de 2024).

AutoGen vs. CrewAI: CrewAI utiliza un modelo declarativo basado en roles donde los desarrolladores definen un "equipo" (crew) de agentes asignando texto de rol, texto de objetivo y texto de historia de fondo, y el framework infiere la coordinación. Un pipeline básico de CrewAI requiere aproximadamente 20 líneas de Python. La capa AgentChat de AutoGen requiere más código repetitivo (boilerplate) para especificar tipos de agentes, condiciones de terminación y enrutamiento de mensajes, pero admite patrones de conversación que CrewAI no: debates grupales multipartitos, protocolos de consenso y cambio dinámico de roles dentro de una sesión. Los benchmarks de sobrecarga de tokens muestran consistentemente que AutoGen consume más que CrewAI (aproximadamente 24% frente a 18%) porque su modelo centrado en la conversación conserva el historial completo de mensajes por turno. CrewAI ha crecido más rápido en estrellas de GitHub durante 2025-2026 y es la recomendación predeterminada en la mayoría de los tutoriales de "introducción a los agentes".

AutoGen vs. AG2: En septiembre-octubre de 2024, el líder original de AutoGen, Chi Wang, y la coautora Qingyun Wu dejaron Microsoft. Posteriormente, Wang se unió a Google DeepMind. Los dos investigadores crearon un fork del código base de AutoGen 0.2 llamado AG2 bajo una nueva organización de GitHub (ag2ai), lo relicenciaron bajo Apache 2.0 y lo rebautizaron como "el fork gobernado por la comunidad". AG2 mantiene la compatibilidad con versiones anteriores de AutoGen 0.2 y ha atraído a mantenedores de Meta, IBM y varias universidades. La diferencia mecánica clave es la gobernanza y la trayectoria: AG2 avanza hacia una v1.0 con gobernanza abierta, mientras que AutoGen de Microsoft ha entrado oficialmente en modo de mantenimiento sin nuevas funciones planeadas, y Microsoft está dirigiendo a los nuevos usuarios empresariales hacia Microsoft Agent Framework. Para los equipos en AutoGen 0.2 que necesitan estabilidad y compatibilidad con versiones anteriores, AG2 es la ruta de migración natural. Para los equipos que construyen sistemas de agentes completamente nuevos, el panorama se ha fracturado.

"AutoGen está muy vivo, todavía se está invirtiendo mucho en él... sistemas de agentes subyacentes en múltiples productos propios." - Marc Sweet, arquitecto de Microsoft, en respuesta a las preocupaciones sobre la fragmentación de la comunidad, a finales de 2024

Cómo es la realidad del bucle de agentes en el día a día

Un flujo de trabajo típico de AutoGen implica definir un UserProxyAgent (que puede ejecutar código y representar al humano) y uno o más AssistantAgents (que llaman al LLM), para luego iniciar un chat. El framework maneja los turnos, las condiciones de terminación y el aislamiento (sandboxing) del código. De forma predeterminada, la ejecución de código se realiza dentro de contenedores Docker, lo que proporciona aislamiento pero añade latencia y una dependencia de que Docker esté disponible en el entorno.

Los puntos de fricción recurrentes en los foros de desarrolladores y los problemas de GitHub se agrupan en cuatro áreas. Primero, los bucles de agentes: sin condiciones de terminación cuidadosamente ajustadas, los agentes pueden entrar en ciclos de intercambio repetitivos que consumen tokens sin converger. Segundo, la opacidad de los costes: debido a que cada turno de agente se añade a un búfer de conversación en crecimiento, las sesiones multiagente generan recuentos de tokens que son difíciles de predecir antes de la ejecución. Una ejecución compleja de chat grupal puede costar significativamente más que una llamada a un solo LLM para resolver la misma tarea. Tercero, la migración de v0.2 a v0.4: la reescritura arquitectónica no era compatible con versiones anteriores, y los equipos que construyeron sistemas de producción en v0.2 se enfrentaron a una reescritura parcial. Microsoft mantuvo una rama heredada de v0.2 pero no le añadió nuevas funciones. Cuarto, la confusión con los nombres de los paquetes: cinco paquetes diferentes de PyPI (autogen, pyautogen, autogen-agentchat, ag2 y autogen-core) circulan simultáneamente, y la instalación del incorrecto produce un comportamiento inesperado.

El fork AG2 añade una capa política. Los equipos que eligen AutoGen hoy están eligiendo implícitamente la trayectoria de mantenimiento de Microsoft sobre el fork gobernado por la comunidad. Ninguna de las opciones es obviamente superior para todos los casos de uso, pero la elección es importante para la gestión de dependencias a largo plazo.

Para quién está diseñado AutoGen

AutoGen es ideal para desarrolladores de Python que necesitan patrones de agentes conversacionales flexibles y se sienten cómodos gestionando su propia infraestructura. El framework recompensa a los ingenieros que desean un control detallado sobre el flujo de mensajes, la lógica de terminación y la composición de los agentes. Los equipos que construyen prototipos de investigación, herramientas internas o pipelines de agentes únicos son los que obtienen el mayor valor. El SDK de .NET lo convierte en uno de los pocos frameworks de agentes de código abierto con soporte nativo para bases de código empresariales en C#.

AutoGen Studio reduce la barrera de entrada para los no ingenieros que experimentan con configuraciones de agentes, pero es explícitamente una herramienta de creación de prototipos. Los equipos que necesitan fiabilidad en producción, observabilidad de la interfaz de usuario o alojamiento gestionado deben tratar a Studio únicamente como un entorno de pruebas (sandbox).

El propio posicionamiento de Microsoft ha cambiado. La empresa ahora recomienda Microsoft Agent Framework para proyectos empresariales completamente nuevos, enmarcando a AutoGen como el prototipo de investigación que lo inspiró. AutoGen sigue recibiendo parches de seguridad y correcciones de errores, pero la velocidad de lanzamiento de nuevas funciones ha disminuido sustancialmente desde la versión v0.4.

Lo que AutoGen no es

AutoGen no es un servicio gestionado. No hay una API alojada, ni un entorno de ejecución en la nube, ni un panel de observabilidad integrado, ni un nivel de soporte del proveedor. Cada decisión de implementación, desde la selección del modelo hasta la configuración del contenedor y la gestión de costes, recae en el equipo de implementación.

No es el camino más fácil hacia un agente funcional en 2026. CrewAI logra una demostración funcional más rápido y con menos código repetitivo. LangGraph proporciona una gestión de estado más explícita y mejores herramientas para flujos de trabajo condicionales en producción. Si su objetivo principal es lanzar una función de agentes en un producto, la curva de aprendizaje de AutoGen y la incertidumbre de su mantenimiento lo hacen una opción más difícil de justificar que en 2023.

Tampoco es una buena opción para los equipos que necesitan garantías del proveedor. La licencia MIT significa que puede usarlo libremente, pero Microsoft ha señalado una reducción en la inversión. Los equipos que construyen automatizaciones críticas en AutoGen deberían tener un plan de migración, ya sea hacia Microsoft Agent Framework (ruta empresarial) o AG2 (ruta de la comunidad), antes de que la postura de mantenimiento se convierta en un problema.