Introduzione
Nel 2026 l’ecosistema degli agenti LLM open-source è più ricco e maturo che mai. Che tu voglia automatizzare task complessi, costruire sistemi multi-agente o integrare l’AI nel tuo flusso di lavoro domestico (come il nostro Hermes Agent su Proxmox), scegliere il framework giusto fa la differenza tra un prototipo che funziona e una produzione solida.
I 6 framework da conoscere
- LangGraph — Il riferimento per workflow a stati complessi. Basato su
langgraph.jselanggraph.py, offre grafi di stato deterministici, persistenza e replay. Ideale per agenti che devono ricordare lo storico delle decisioni e orchestrare percorsi multi-step non lineari. - CrewAI — Il modo più rapido per passare dall’idea al prototipo. Modello ruolo-based: ciascun agente ha un
role, unogoale unobackstory. Perfetto per demo, proof-of-concept e task dove la divisione dei ruoli è chiara (ricercatore, codificatore, revisore). - AutoGen (e AG2) — Il framework di Microsoft per la comunicazione agente-agente. Si basa su messaggi async tra oggetti
ConversationManager. Supporta agenti tool-use, code-execution e human-in-the-loop. AG2 aggiunge la capacità di multi-agente cooperativo competitivo. - Semantic Kernel (SK) — Il framework “enterprise” di Microsoft, con forte integrazione Azure (Azure OpenAI, Azure Functions, Azure Cosmos). Offline-capable, con supporto a plugin C#/Python/Java ed è il punto di riferimento per chi deve rispettare standard di governance e compliance.
- LlamaIndex Agents — Non un framework a sé stante, ma il modulo
llama-index.core.agentche combina retrieval-augmented generation con ragionamento agente. Ideale quando l’agente deve interrogare basi di conoscenza, documenti o database prima di rispondere. - Pydantic AI — Il newcomer focalizzato sulla sicurezza dei tipi. Usa le annotazioni Pydantic per definire gli output strutturati degli agenti, garantendo che le chiamate tool restituiscano sempre il tipo atteso. Ottimo per evitare errori di runtime in produzione.
Tabella comparativa quick
| Framework | Modello mentale | Miglior caso d’uso | Learning curve |
|---|---|---|---|
| LangGraph | Graph of states | Workflow complessi, produzione, state persistence | Media-alta |
| CrewAI | Ruoli (role-play) | Prototipazione rapida, task divisione ruoli | Bassa |
| AutoGen | Chat graph tra agenti | Multi-agent conversation, tool uso complesso | Media |
| Semantic Kernel | Plugin + orchestrazione | Azure ecosystem, governance enterprise | Media |
| LlamaIndex Agents | Retrieval-augmented | RAG, knowledge-base query | Bassa-media |
| Pydantic AI | Tipi annotati | Output strutturati, validation produzione | Bassa |
Quando scegliere quale
Scegli LangGraph se il tuo agente deve seguire un grafo di stato complesso, salvare la memoria di sessione su disco, eseguire replay di decisioni o orchestrare workflow con percorsi non lineari. È il “motore” che alimenta molti prodotti commerciali.
Scegli CrewAI se vuoi un prototipo funzionante in 15 minuti e la tua architettura si basa su ruoli ben definiti (es. “Researcher”, “Writer”, “CodeReviewer”). Ideale per hackathon e demo rapide.
Scegli AutoGen se il cuore del tuo sistema è la conversazione tra più agenti, con turns alternati, human-in-the-loop e tool execution distribuiti. Ottimo per chatbot multi-persona.
Scegli Semantic Kernel se sei già nell’ecosistema Microsoft/Azure, hai requisiti di governance formali o vuoi un framework che parli C#, Python e Java con un’unica superficie API.
Scegli LlamaIndex Agents se il tuo agente deve necessariamente interrogare una knowledge base (PDF, database, API REST) prima di rispondere. È il bridge tra RAG e agente.
Scegli Pydantic AI se la qualità dei dati di output è critica e vuoi evitare che l’agente generi risposte con formato imprevisto. Gli schema Pydantic fanno da contratto tra LLM e il resto del codice.
Integrazione con Hermes Agent
Nel nostro homelab Proxmox (senza GPU), Hermes Agent gira su un container LXC e usa openrouter/auto come provider LLM. Ogni framework può essere usato “standalone” richiamando le sue API Python, oppure puoi scrivere un wrapper sottile che traduce le chiamate framework → chiamate Hermes.
# Esempio: wrapping CrewAI per usarlo da Hermes
from crewai import Crew, Task, Agent
def crewai_run(user_prompt):
researcher = Agent(role="Researcher", goal="Find the best answer", backstory="Expert analyst")
task = Task(description=user_prompt, agent=researcher)
crew = Crew(agents=[researcher], tasks=[task])
return crew.run()
# Da Telegram: /crew "Quali sono i vantaggi di Proxmox LXC?"
# → chiama questa funzione via tool Hermes e restituisce il risultato.
Conclusioni e next steps
Non c’è un “migliore in assoluto”: la scelta dipende dal modello mentale che preferisci (grafo di stato, ruolo, chat, retrieval) e dai vincoli del tuo ambiente. Per il nostro caso d’uso (agente AI su Proxmox LXC, accesso Telegram, integrazione Home Assistant), consigliamo di partire da CrewAI per la rapidità di prototipazione e passare a LangGraph quando la complessità dello stato crescerà.
Prossimo articolo: Come creare un agente multi-step con LangGraph e Hermes Agent su Proxmox.

