Engenharia de agentes de IA em 2026: como escolher entre LangGraph e OpenAI Agents SDK
"Documentação do OpenAI Agents SDK"
Uma demo de agente para pesquisa de clientes já consegue buscar documentação, resumir resultados e enviar uma mensagem no Lark. O problema aparece quando a equipe tenta colocar isso em produção: ainda faltam filas, aprovações, recuperação de falhas, logs, limites de custo e testes de regressão. Quando o produto pergunta se operações pode usar na semana seguinte, o desenvolvedor percebe que escolher entre LangGraph e OpenAI Agents SDK não é uma questão de qual demo roda mais rápido. É uma questão de sete dimensões de engenharia: persistência de estado, aprovação humana, observabilidade, orçamento de custos, modelo de permissões, eval dataset e recuperação de falhas.
OpenAI Agents SDK: a escolha leve primeiro
OpenAI Agents SDK é um toolkit leve, code-first, para criar agentes perto do ecossistema de modelos e chamadas de ferramentas da OpenAI.
As primitivas principais incluem:
| Primitiva | O que faz | Limite |
|---|---|---|
| Agents | Unidade composta por instructions, model, tools, MCP servers, handoffs e guardrails | Não é um grafo de estado explícito; o estado de negócio ainda precisa ser desenhado |
| Handoffs | Mecanismo multiagente em que um agente pode passar a tarefa para outro | Não equivale a controle de workflow de longa duração |
| Guardrails | Guardrails input/output que executam verificações em paralelo e lançam exceção quando um tripwire dispara | Não equivale a modelo completo de permissões, auditoria ou aprovação de conformidade |
| Tracing | Traces/spans integrados, com processor personalizado e controle de dados sensíveis | Não equivale a sistema completo de monitoramento, alertas, orçamento ou rollback |
| Tools | Suporta OpenAI Hosted tools, ferramentas de função personalizadas e MCP servers | Tipos concretos de ferramentas e suporte MCP devem ser verificados na documentação atual |
| Sessions / HITL | A documentação oficial inclui entradas para sessions, human-in-the-loop e sandbox agents | Não equivale a graph checkpointing, time travel ou replay no estilo LangGraph |
Se você precisa criar rapidamente um agente leve em código, depende principalmente de modelos e ferramentas da OpenAI, precisa de handoffs multiagente, guardrails em entradas e saídas, tracing do SDK e menor complexidade de framework, OpenAI Agents SDK é a opção mais leve. Exemplos: atendimento ao cliente, busca em documentos + resumo, ou agentes que processam etapas em sequência.
O custo é a responsabilidade. Guardrails pode validar entradas e saídas, mas fluxos complexos de aprovação, isolamento de permissões e logs de auditoria continuam na camada de negócio. Tracing pode se conectar a OpenTelemetry ou a um processor próprio, mas a equipe ainda precisa de logs, métricas, alertas, orçamento de custos e testes de regressão. Sessions e HITL cobrem parte da conversa e da intervenção humana. Se você precisa de grafo de estado explícito, checkpoints, resume/replay, time travel ou controle de workflow longo, ainda deve avaliar LangGraph, Temporal ou uma camada própria de estado de negócio.
Cenários em que não encaixa bem: ramificações complexas de estado, pausa e retomada após aprovação, processos com SLA forte que precisam de retry, rollback e rastreabilidade, ou workflows que exigem replay de estado e orquestração de longa duração.
Nota sobre fatos voláteis: API, modelos padrão, Hosted tools, suporte MCP, sessions, sandbox agents, comportamento de tracing e preços do OpenAI Agents SDK podem mudar. Verifique a documentação do OpenAI Agents SDK antes de integrar.
LangGraph: forte em estado explícito e persistência
LangGraph é um low-level orchestration framework para stateful agents. O foco está em durable execution, HITL, memory e time travel.
Capacidades principais:
| Capacidade | O que significa | Uso típico |
|---|---|---|
| Durable execution | Persiste threads e checkpoint/state snapshots por meio de um checkpointer | Retomar ou reproduzir a partir de um checkpoint após falha |
| Human-in-the-loop | Usa interrupt para pausar e Command resume para continuar; permite approve/reject/edit/review de tool calls | Fluxos complexos de aprovação e revisão humana de ações sensíveis |
| Memory | Oferece comprehensive memory para contexto de curto e longo prazo | Design de sistemas de memória de agentes |
| Time travel | Reproduz ou cria fork a partir de checkpoints históricos | Reproduzir execuções com falha e comparar ramificações |
Mecânica de persistência
A persistência do LangGraph não é apenas histórico de chat. Ela é organizada em torno de threads e checkpoints:
Thread: o fio de execução de uma conversa ou workflow. Checkpoint: um snapshot completo do estado em um momento, incluindo graph state, pending tasks e pending writes. Resume/Replay: continuar a partir de um checkpoint ou reproduzir um caminho histórico de execução.
Esse modelo combina com casos que precisam de pausa/retomada, retry após falha e replay de estado. Exemplos: fluxos de aprovação em atendimento, workflows de negócio com várias etapas e agentes de pesquisa de longa duração.
Human-in-the-loop(HITL)
O HITL do LangGraph se parece mais com pausa e retomada em um workflow com estado:
Interrupt pausa a execução em um nó e espera entrada humana. Command resume continua depois que uma pessoa aprova, rejeita ou edita. Tool-call review pode pausar antes de uma chamada de ferramenta para pedir aprovação.
Comparado aos guardrails do OpenAI Agents SDK, guardrails são mais verificações antes ou depois de uma execução. O HITL do LangGraph pausa e retoma no meio do workflow. Se o seu fluxo de aprovação precisa de vários turnos, estado salvo, replay e ramificações, LangGraph costuma se encaixar melhor.
Se você precisa de ramificações complexas de estado, recuperação, pausas de aprovação e replay de estado, LangGraph fica mais perto de uma orquestração de produção. Exemplos: fluxos de aprovação em atendimento, workflows de negócio com várias etapas e agentes de pesquisa de longa duração.
O custo é a complexidade. Você precisa desenhar e manter um grafo de estado. Também precisa escolher um backend de persistência, e o suporte pode mudar; por isso, vale verificar a documentação atual antes da integração.
Cenários em que não encaixa tão bem: tarefas curtas, protótipos com pouco estado e projetos que dependem principalmente do ecossistema de ferramentas da OpenAI sem precisar de persistência ou aprovações complexas.
Nota sobre fatos voláteis: LangGraph v1, Platform/Studio/Deployment e suporte a backends de persistência podem mudar. Verifique a documentação do LangGraph antes de integrar.
Para se aprofundar em gerenciamento de estado com LangGraph, veja LangGraph na prática: gerenciamento de estado e LangGraph vs AutoGen: rastreamento de estado.
AutoGen, CrewAI e Temporal: colaboração multiagente e durable execution
A escolha não é só OpenAI Agents SDK contra LangGraph. Se o foco é colaboração multi-papel, prototipagem de pesquisa ou uma camada independente de infraestrutura de workflow, também vale olhar AutoGen, CrewAI e Temporal.
AutoGen / AG2
AutoGen é um layered framework com Core API, AgentChat API, Extensions e Studio para criar conversas e aplicações colaborativas multiagente.
Core API cobre o runtime de agente de baixo nível e roteamento de mensagens. AgentChat API oferece abstrações de conversa e colaboração de nível mais alto. Extensions integra ferramentas, modelos e plataformas externas. Studio oferece uma superfície visual para construção e depuração.
Cenários adequados: pesquisa e protótipos de conversa/colaboração multiagente; equipes que já conhecem o ecossistema AutoGen.
Avalie separadamente: persistência de estado, recuperação de falhas, observabilidade, permissões e deploy. Também revise a relação de versões AutoGen/AG2, estabilidade da API e entrada da documentação na documentação do AutoGen.
Nota sobre fatos voláteis: migrações entre AutoGen e AG2, relação com Microsoft Agent Framework e estabilidade de API podem mudar. Este artigo trata AutoGen como candidato de colaboração multiagente, não como afirmação fixa sobre seu roadmap.
CrewAI
CrewAI organiza colaboração multiagente com conceitos como crews, agents, tasks, processes e flows, com Flows para uma orquestração mais estruturada.
Conceitos principais: Crews agrupa agents e tasks. Agents define papéis. Tasks descreve o trabalho concreto. Processes define o fluxo de execução. Flows oferece um modelo mais estruturado de orquestração com várias etapas.
Cenários adequados: aplicações de agentes com colaboração por papéis; orquestração rápida e protótipos.
Avalie separadamente: módulos de produto, capacidades hospedadas, pricing e recursos enterprise. Verifique a documentação do CrewAI antes de integrar.
Nota sobre fatos voláteis: módulos de produto, capacidades hospedadas, pricing e recursos enterprise do CrewAI podem mudar. Este artigo não o classifica como “o mais forte”; ele o posiciona como candidato de colaboração multiagente.
Temporal
Temporal não é um framework de agente. É durable execution infrastructure. Ele oferece workflow, activity, retry, timeout e visibility, o que o torna adequado para processos de negócio que precisam executar com confiabilidade.
Capacidades principais: Workflow define processos de longa duração. Activity encapsula operações externas que podem falhar. Retry/Timeout configura políticas de reintento e limites de tempo. Visibility permite consultar e monitorar o estado de execução do workflow.
Relação com frameworks de agente: um agente pode ser uma etapa dentro de um workflow ou activity do Temporal. Temporal cuida do processo de negócio confiável; o framework de agente cuida dos passos inteligentes.
Cenários adequados: processos com SLA forte que precisam de retry, rollback e rastreabilidade; workflows empresariais complexos com fila, retry, timeout e auditoria.
O que ele não é: não é motivo para colocar toda a lógica dentro de um framework de agente. Temporal + Agent SDK ou LangGraph pode ser uma divisão mais limpa.
Nota sobre fatos voláteis: Temporal Cloud pricing, APIs SDK e opções de deploy podem mudar. Verifique a documentação do Temporal antes de integrar.
Matriz de seleção: diferenças nas dimensões de produção
Seleção não é ranking de popularidade. É uma verificação em sete dimensões de engenharia: persistência de estado, aprovação HITL, observabilidade, orçamento de custos, modelo de permissões, eval dataset e recuperação de falhas. A tabela compara cinco opções nessas dimensões e seus limites.
| Framework | Persistência de estado | Aprovação HITL | Observabilidade | Orçamento de custos | Modelo de permissões | Eval dataset | Recuperação de falhas |
|---|---|---|---|---|---|---|---|
| OpenAI Agents SDK | Sessions pode manter contexto conversacional, mas não é graph checkpoint nem time travel | HITL e guardrails existem, mas fluxos complexos precisam de design na camada de negócio | Tracing integrado; ainda são necessários logs, métricas e alertas | Não há sistema completo integrado; implemente à parte | Guardrails não é modelo completo de permissões, auditoria ou conformidade | Implemente à parte | Retries, recuperação e rollback comuns precisam de design na camada de negócio |
| LangGraph | Checkpointer + thread + checkpoint/state snapshots, com resume/replay | Interrupt + Command resume, com approve/reject/edit/review de tool calls | Pode se conectar a OpenTelemetry; ainda são necessários logs, métricas e alertas | Não integrado; implemente à parte | Implemente em nós do graph ou na camada de negócio | Implemente à parte | Resume ou replay a partir de checkpoint; suporta padrões de retry e replay |
| AutoGen | Avaliar persistência separadamente | Avaliar HITL separadamente | Avaliar integrações de observabilidade separadamente | Avaliar separadamente | Avaliar separadamente | Avaliar separadamente | Avaliar separadamente |
| CrewAI | Avaliar persistência separadamente | Avaliar HITL separadamente | Avaliar integrações de observabilidade separadamente | Avaliar separadamente | Avaliar separadamente | Avaliar separadamente | Avaliar separadamente |
| Temporal | Workflow + activity dão suporte ao estado de workflows longos | Workflows podem esperar entrada humana; aprovações podem viver na camada workflow | Visibility integrado; conexão possível com OpenTelemetry | Controle possível na camada workflow/activity | Verificações possíveis na camada workflow/activity | Implemente à parte | Retry/timeout integrado; adequado para execução confiável e recuperação |
A leitura principal: LangGraph e Temporal são mais fortes em persistência de estado, aprovação HITL e recuperação de falhas. OpenAI Agents SDK é mais leve, mas a governança complexa de produção continua sendo sua responsabilidade. Em observabilidade, todas as opções precisam de logs, métricas e alertas da equipe; OpenAI Agents SDK e LangGraph oferecem abstrações de tracing, Temporal oferece visibility. Orçamentos de custo, modelos de permissão e eval datasets continuam sendo responsabilidade da equipe. Não presuma que um framework de agente já resolveu tudo. AutoGen e CrewAI combinam com colaboração multi-papel e protótipos, mas suas dimensões de produção devem ser avaliadas à parte.
Também mantenha os limites claros: tracing não é observabilidade completa. Guardrails não é um modelo completo de permissões, auditoria ou conformidade. Checkpoints e threads não eliminam a necessidade de filas, bancos de dados ou workflow engines.
Árvore de decisão: da demo funcional à produção
Se a sua demo de agente já funciona, passe por este fluxo antes de colocá-la diante de usuários reais.
Passo 1: avaliar a complexidade da tarefa
Pergunta: seu agente é uma tarefa curta com pouco estado, ou tem ramificações e precisa de pausa/retomada?
Tarefa curta / pouco estado: exemplos incluem pergunta pontual, busca em documentos + resumo e processamento de dados uma única vez. Comece com OpenAI Agents SDK. Motivo: é leve, próximo ao ecossistema de modelos e ferramentas da OpenAI e não exige gerenciamento de estado complexo.
Ramificações / pausa e retomada: exemplos incluem fluxo de aprovação em atendimento, workflow de negócio com várias etapas e agente de pesquisa de longa duração. Siga para o segundo passo.
Passo 2: avaliar ecossistema de ferramentas e necessidade de estado
Pergunta: seu agente depende principalmente do ecossistema de ferramentas da OpenAI, ou precisa de um grafo de estado explícito?
Ecossistema OpenAI primeiro: se você usa principalmente OpenAI Hosted tools, MCP servers e modelos OpenAI, comece com OpenAI Agents SDK. Se também precisa de aprovações complexas ou replay de estado, avalie LangGraph ou a combinação Temporal + Agents SDK.
Grafo de estado explícito necessário: se há ramificações complexas, recuperação, pausas de aprovação e replay de estado, escolha LangGraph. Espere mais complexidade de engenharia, porque será preciso desenhar e manter o grafo de estado.
Passo 3: avaliar governança de produção
Pergunta: isso é um protótipo de pesquisa ou precisa de governança de produção?
Protótipo de pesquisa: para pesquisa de conversa/colaboração multiagente, ou uma equipe que já conhece AutoGen/CrewAI, avalie AutoGen e CrewAI. Verifique separadamente persistência, recuperação, observabilidade, permissões e deploy.
Governança de produção: para processos com SLA forte que precisam de retry, rollback e rastreabilidade, considere LangGraph + Temporal. Temporal cuida do workflow de negócio confiável externo; LangGraph cuida do grafo de estado do agente e da orquestração LLM.
Ponto de decisão
Seja qual for o framework, adicione estas capacidades antes do lançamento:
| Capacidade | Checklist |
|---|---|
| Persistência de estado | Existem checkpoints/threads? É possível fazer resume ou replay? |
| Aprovação HITL | Existem interrupt/Command resume? O fluxo de aprovação está completo? |
| Observabilidade | O tracing está conectado a logs, métricas e alertas da equipe? |
| Orçamento de custos | Existem limites de orçamento, rastreamento de custos e alertas? |
| Modelo de permissões | Existem isolamento de permissões, logs de auditoria e aprovação de conformidade? |
| Eval dataset | Existem testes de regressão, eval datasets e definições de métricas? |
| Recuperação de falhas | Existem lógica de retry, planos de rollback e caminhos de intervenção humana? |
Próximo passo: se escolher OpenAI Agents SDK, ainda será preciso conectar logs, métricas, alertas, orçamentos, permissões, eval datasets e recuperação de falhas. Se escolher LangGraph, desenhe o grafo de estado, escolha um backend de persistência e conecte observabilidade, custos, permissões e evals. Se escolher Temporal mais um framework de agente, defina workflows e activities, configure retry/timeout e conecte observabilidade, custos e permissões.
Próximos passos e leituras relacionadas
Quando você tiver uma direção de framework, aprofunde por dimensão de engenharia:
Artigos existentes da BetterLink: Desenvolvimento de agentes de IA na prática: guia de arquitetura e implementação serve como base de arquitetura de agentes, incluindo limites de componentes, tool calling e design de estado. LangGraph na prática: gerenciamento de estado explica checkpoints, threads, resume/replay e recuperação de falhas. LangGraph vs AutoGen: rastreamento de estado compara as duas abordagens de state tracking. Monitoramento, alertas e recuperação de falhas para agentes de IA aprofunda logs, alertas, recovery e intervenção humana. Design de sistema de memória para agentes é o próximo passo para memória de curto/longo prazo e gerenciamento de contexto.
Os próximos artigos desta série vão detalhar context engineering, fluxos de aprovação HITL, orçamento e controle de custos, modelos de permissões, design de state machine, eval datasets e testes de regressão, além da checklist completa de lançamento da demo à produção.
Se você ainda está escolhendo, comece pela árvore de decisão: complexidade da tarefa, ecossistema de ferramentas e necessidade de estado. Não pare em “a demo funciona”. Antes do lançamento, revise persistência de estado, aprovação HITL, observabilidade, orçamentos de custo, modelos de permissão, eval datasets e recuperação de falhas.
Como escolher uma stack de engenharia para agentes de IA
Um fluxo de seleção para sair de uma demo funcional e chegar à produção, decidindo o framework principal, o workflow engine externo e as peças de governança que ainda faltam.
⏱️ Estimated time: 30 min
- 1
Step 1: Decidir se a tarefa é uma sessão curta ou um workflow longo
Verifique se o trabalho é uma pergunta pontual, busca ou resumo, ou se atravessa várias etapas, aprovações humanas, períodos de espera e recuperação. - 2
Step 2: Listar os requisitos de governança em produção
Escreva explicitamente estado, aprovações, permissões de ferramentas, recuperação de falhas, orçamento de custo, trace/audit e eval datasets. - 3
Step 3: Mapear o limite de responsabilidade de cada framework
Use OpenAI Agents SDK, LangGraph, AutoGen/CrewAI e Temporal para separar primitivas leves de agente, grafos de estado, colaboração multi-papel e workflows confiáveis. - 4
Step 4: Testar com uma tarefa real de negócio
Use uma tarefa real para validar traces, retries, intervenção humana, isolamento de permissões e testes de regressão, em vez de parar em uma demo hello world. - 5
Step 5: Decidir o framework principal e os sistemas complementares
Decida qual framework de agente cuida dos passos inteligentes, qual workflow engine assume a confiabilidade e como observabilidade, custos e permissões serão implementados.
FAQ
LangGraph e OpenAI Agents SDK substituem um ao outro?
Todo agente de produção precisa de LangGraph?
AutoGen e CrewAI ainda valem a pena?
Como Temporal e LangGraph dividem responsabilidades?
O que as equipes mais esquecem ao escolher um framework de agentes de IA?
13 min de leitura · Publicado em: 11 set 2026 · Atualizado em: 11 set 2026
Guia de engenharia de AI Agents
Se você chegou pela busca, o caminho mais rápido é ir para o post anterior ou próximo desta série.
Anterior
Gerenciamento de estado no LangGraph na prática: checkpoint, thread state e recuperação de falhas
Guia prático de gerenciamento de estado no LangGraph em 2026: entenda checkpoint, thread state, recuperação de falhas, comparação com AutoGen e monitoramento para projetar uma arquitetura de agentes resiliente e pronta para produção.
Parte 7 de 13
Próximo
Context engineering para agentes de IA: como separar System Prompt, Memory, Tools e Files
Um guia prático para dividir o contexto de um agente entre system prompt, regras de desenvolvimento, memory, files, retrieval, tool schema, runtime state e output contract, evitando perda de regras em execuções longas.
Parte 9 de 13
Comentários
Entre com GitHub para comentar