# Como Escolher seu Agent Framework em 2026 > Guia prático com decision tree, mapa de frameworks por caso de uso e os erros que fazem 88% dos pilotos morrerem antes de chegar a produção. Source: https://agentify.ia.br/blog/como-escolher-agent-framework/ **TL;DR** — Não existe “melhor framework”. Existe o que encaixa no seu caso de uso, no nível técnico do seu time e no grau de controle que você precisa. A maioria dos projetos de agentes morre no piloto — 88% deles, segundo Forrester e Anaconda — e a causa número um não é a capacidade do modelo: é o descompasso entre a arquitetura escolhida e a realidade do deploy. Este artigo entrega cinco perguntas que eliminam 80% das opções erradas, uma decision tree visual e um mapa por caso de uso para você sair daqui com uma decisão fundamentada. --- ## Por que a escolha importa (mais do que você imagina) Tem uma estatística que circula em todo board meeting e reunião de estratégia de IA em 2026: **88% dos pilotos de agentes IA nunca chegam a produção**. O número vem de um estudo conjunto da Forrester com a Anaconda publicado no início de 2026. Não são 88% que demoram mais do que o esperado. São 88% que simplesmente morrem. E o Gartner vai além: prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o final de 2027. A pergunta óbvia é: por que tanta gente falha? A resposta curta: **framework-application mismatch**. Times escolhem baseados em familiaridade com o vendor ou na quantidade de stars no GitHub, e seis meses depois descobrem lacunas críticas que exigem reescrever tudo do zero. O JSManifest resumiu bem: “A maioria das falhas em sistemas multi-agente nasce do descompasso entre framework e aplicação.” O ponto não é que escolher errado te atrasa um sprint. É que escolher errado gera meses de investimento que terminam num projeto engavetado. A pesquisa da S&P Global mostra que 42% das empresas abandonaram a maioria de suas iniciativas de IA em 2025 — aumento drástico em relação aos 17% do ano anterior. Então sim, a escolha do framework é uma das decisões mais consequentes que você vai tomar num projeto de agentes. Não porque o framework vai resolver tudo — mas porque o errado vai travar tudo. --- ## 5 perguntas a se fazer antes de escolher Existe um padrão entre times que acertam a escolha na primeira tentativa: eles não começam comparando features. Começam respondendo perguntas sobre si mesmos e sobre o problema. Aqui estão as cinco que filtram 80% das opções irrelevantes. ### 1. Qual a complexidade real do meu caso de uso? Seja honesto aqui. Uma árvore de decisão com três nós não precisa de um framework para grafos dirigidos com checkpointing. Um FAQ bot não justifica LangGraph. - **Baixa complexidade** (fluxo linear, agente único, poucas tools): qualquer framework serve — escolha o mais rápido de subir - **Média complexidade** (2-5 agentes, handoffs, branching): CrewAI ou AutoGen/MAF - **Alta complexidade** (workflows estatais, roteamento condicional, audit trails, checkpointing): LangGraph O erro mais comum? Overengineering. Times que começam com o framework mais poderoso gastam semanas montando infraestrutura antes de validar se o caso de uso vale ser construído. ### 2. Quanto controle eu realmente preciso? Pense num espectro. De um lado, autonomia total — o agente decide sozinho o fluxo. Do outro, controle determinístico — você define cada aresta do grafo. - **Autonomia alta** → CrewAI com Crews (agentes decidem a colaboração) - **Controle alto** → LangGraph (você define cada transição de estado) - **Meio-termo** → AutoGen/MAF ou CrewAI com Flows Como o civic.com colocou: “Bons frameworks te dão controle sobre tool calling, memória e coordenação multi-agente sem enterrar sua lógica.” Se o framework te obriga a lutar contra a abstração para fazer algo básico, é o framework errado. ### 3. Qual o nível técnico real do meu time? Essa é a pergunta que todo guia pula — e a que mais mata projetos. O framework certo para um time de seniors com background em teoria de grafos não é o mesmo para desenvolvedores que aprenderam Python há seis meses. - **Python básico** → CrewAI (config YAML, role-based, protótipo em 1-3 dias) - **Python intermediário** → AutoGen/MAF ou LlamaIndex - **Python avançado** (async, state machines, grafos) → LangGraph (curva de 4-8 semanas) - **Time que não usa Python** → Vercel AI SDK (JS/TS), Semantic Kernel (.NET/Java), ou Mastra (TypeScript) Dado concreto: LangGraph requer em média 2-4 semanas até o primeiro protótipo funcional. CrewAI leva 1-3 dias. Não é que um seja “melhor” — é que rodar LangGraph num time júnior é receita para frustração. ### 4. Preciso de multi-agente de verdade? Multi-agente virou buzzword. Mas um agente único com boas tools resolve 70% dos casos de uso reais. Antes de montar uma “crew” com cinco agentes, pergunte: a tarefa realmente decompõe em papéis distintos com handoffs claros? - **Agente único com tools** → OpenAI Agents SDK, Claude Agent SDK, ou LlamaIndex (mantenha simples) - **Time de agentes com papéis definidos** → CrewAI (pesquisador + analista + redator, por exemplo) - **Agentes conversacionais com roteamento dinâmico** → AutoGen/MAF - **Orquestração determinística com recuperação de falhas** → LangGraph ### 5. Quais são os requisitos não-negociáveis de infra? Compliance, multi-tenancy, observabilidade, SLAs — esses requisitos mudam completamente o cálculo. - **Enterprise Azure** → Microsoft Agent Framework (AutoGen + Semantic Kernel, GA Q1 2026) - **Enterprise não-Azure com compliance** → LangGraph + LangSmith - **Self-hosted obrigatório** → LangGraph ou LlamaIndex (mais portáveis) - **RAG pesado com data lineage** → LlamaIndex + LlamaCloud - **Google Cloud native** → Google ADK - **AWS native** → AWS Strands Agents --- ## Decision tree visual Siga as perguntas na ordem. Cada bifurcação elimina opções até restar a recomendação. ``` START │ ├─ Seu caso de uso é primariamente RAG/retrieval? │ ├─ SIM → LlamaIndex (sozinho ou wrappado em LangGraph para orquestração) │ └─ NÃO ↓ │ ├─ Você está locked-in num cloud provider? │ ├─ Azure enterprise → Microsoft Agent Framework (MAF) │ ├─ Google Cloud → Google ADK │ ├─ AWS → AWS Strands Agents │ └─ Agnóstico/multi-cloud ↓ │ ├─ Qual a complexidade do workflow? │ ├─ BAIXA (agente único, linear) → OpenAI Agents SDK ou Claude Agent SDK │ ├─ MÉDIA ↓ │ └─ ALTA (stateful, routing condicional, checkpointing) → LangGraph │ ├─ [MÉDIA] Precisa de multi-agente? │ ├─ NÃO → LangChain (integrações amplas) ou Pydantic AI (tipagem forte) │ └─ SIM ↓ │ ├─ Que tipo de coordenação? │ ├─ Role-based (papéis definidos, handoffs claros) → CrewAI │ ├─ Conversacional (debate, consenso dinâmico) → AutoGen/AG2 │ └─ Determinístico (controle total sobre cada edge) → LangGraph │ END ``` **Nota importante:** a decisão não precisa ser permanente. O caminho mais comum em 2026 é começar com CrewAI, validar o caso de uso, e migrar para LangGraph quando a complexidade exige. Migração é normal — planeje para ela em vez de tentar otimizar para requisitos futuros que você ainda não conhece. --- ## Mapa de frameworks por caso de uso Aqui vai o mapeamento direto. Sem enrolação — encontre seu cenário e veja a recomendação. Caso de uso Framework primário Alternativa Por quê Chatbot de suporte (FAQ + escalation) CrewAI LangGraph (se precisa audit trail) Handoffs role-based são nativos no CrewAI Pipeline de código (gen → test → review) LangGraph CrewAI (se sem checkpointing) Loops iterativos com checkpoint nativo Pesquisa + redação (content pipeline) CrewAI ou AutoGen — Papéis claros: pesquisador, analista, redator RAG / Document Intelligence LlamaIndex LlamaIndex + LangGraph Retrieval é cidadão de primeira classe Análise de dados (ETL agêntico) LangGraph — Recuperação de falhas por nó, não por pipeline Automação enterprise Azure Microsoft Agent Framework — SLAs nativos, Azure AI Foundry integration Protótipo rápido / hackathon CrewAI OpenAI Agents SDK 1-3 dias até MVP funcional Agente único com tools OpenAI Agents SDK Claude Agent SDK Simples e eficiente, sem overhead Multi-agente com controle determinístico LangGraph — Grafo dirigido com controle total Aplicação Google Cloud nativa Google ADK — Integração profunda com Vertex AI Aplicação AWS nativa AWS Strands Agents — Integração com Bedrock e AgentCore **Frameworks emergentes para ficar de olho:** Pydantic AI (tipagem forte, validação nativa), Mastra (TypeScript-first para times JS), Agno (lightweight, model-agnostic). --- ## Erros comuns (e como evitar cada um) ### Erro 1: Escolher pelo número de stars no GitHub CrewAI tem 44.600+ stars. LangGraph tem ~25.000. Se você escolhesse só por popularidade, usaria CrewAI para tudo — inclusive para casos onde LangGraph, com seus 38.7 milhões de downloads mensais no PyPI, é a escolha da comunidade de produção. Stars medem entusiasmo. Downloads medem deploy real. Use a métrica certa. ### Erro 2: Começar pelo framework mais poderoso “Vou direto pro LangGraph porque quero fazer certo desde o início.” Resultado: semanas montando infraestrutura antes de validar se o agente resolve o problema. A IBM aconselha: comece com uma implementação simples de agente único para testar o framework antes de commitar num deploy enterprise. Otimização prematura se aplica à seleção de frameworks também. ### Erro 3: Ignorar o caminho de migração CrewAI → LangGraph é a migração mais comum do ecossistema hoje. Ignorar esse padrão leva a dois erros simétricos: escolher LangGraph cedo demais (pagando complexidade desnecessária num protótipo) ou escolher CrewAI e se surpreender quando o time supera a abstração. Planeje a migração como parte da estratégia, não como falha. ### Erro 4: Tratar a escolha como permanente LangGraph e AutoGen coexistem em stacks de produção. LlamaIndex integra explicitamente com CrewAI. Um padrão comum: LlamaIndex para retrieval, CrewAI para coordenação de agentes, LangGraph para orquestração do workflow geral. Você não precisa casar com um framework — precisa entender as fronteiras de cada um na sua arquitetura. ### Erro 5: Pular a avaliação de skills do time O framework certo para seniors com background em grafos não é o mesmo para um time que acabou de aprender async em Python. O skill set real do seu time é uma restrição mais dura que qualquer feature list de framework. Pular essa avaliação é como comprar um carro de fórmula 1 para dirigir na cidade. ### Erro 6: Confundir “agent framework” com “coding agent” Agent frameworks (LangGraph, CrewAI, AutoGen) são bibliotecas para **construir** sistemas de agentes. Coding agents (Claude Code, Cursor, Kiro) são agentes **prontos** que escrevem código para você. São categorias completamente diferentes com propósitos diferentes. Muita gente mistura os dois quando está avaliando opções. → Para entender essa distinção a fundo: [Agent Frameworks vs Coding Agents](/blog/agent-frameworks-vs-coding-agents) --- ## Próximos passos Se você chegou até aqui, já tem contexto suficiente para tomar uma decisão informada. Aqui vai o playbook: **1. Responda as 5 perguntas** — de preferência por escrito, num doc compartilhado com o time. A decisão não deveria viver na cabeça de uma pessoa só. **2. Siga a decision tree** — ela filtra rápido. Se a resposta for ambígua entre dois frameworks, protótipo em ambos por 2-3 dias. O custo de testar é muito menor que o custo de reescrever em 6 meses. **3. Valide com um caso de uso real** — não com um tutorial. Pegue um workflow concreto do seu negócio (mesmo que simplificado) e implemente end-to-end. Se o framework trava em algo que deveria ser trivial, é sinal de mismatch. **4. Defina os critérios de migração** — antes de commitar. “Vamos migrar para LangGraph se precisarmos de checkpointing” é melhor do que “vamos reescrever tudo daqui a 6 meses porque ficamos presos.” **5. Invista na arquitetura, não no framework** — boas abstrações no seu código (interfaces claras entre agentes, tool calling isolado, memória como serviço) tornam a migração trivial. Código acoplado ao framework torna a migração um pesadelo. --- ### Leitura complementar - [Agent Frameworks vs Coding Agents](/blog/agent-frameworks-vs-coding-agents) — A distinção que 90% das pessoas confundem - [Por que Agentes IA Morrem no Piloto](/blog/por-que-agentes-ia-morrem-no-piloto) — Os padrões dos 88% que não sobrevivem - [Harness e Loop: Arquitetura de Agentes](/blog/harness-e-loop-arquitetura-agentes) — Como estruturar o runtime independente do framework --- *A escolha certa em 2026 é diferente da de um ano atrás — e será diferente daqui a um ano. O que não muda: as perguntas certas antes de decidir, e a arquitetura que sobrevive à troca de peças.* -->