Por qué usé CrewAI en lugar de LangChain
Una comparación pragmática después de llevar ambos a producción.
Llevé ambos frameworks a producción en sistemas distintos. Esta no es una comparación de features — es lo que aprendí manteniéndolos.
El problema de LangChain no es técnico
Es de abstracción. LangChain abstrae todo: prompts, memoria, herramientas, parsers. Cuando algo falla en producción, el stack trace atraviesa seis capas de abstracciones que no escribiste. Depurar un AgentExecutor a las 2 AM es una experiencia formativa que no le deseo a nadie.
CrewAI acierta en el modelo mental
Roles, tareas y procesos. Un agente investigador, un agente escritor, un proceso secuencial. El código se lee como la descripción del problema:
crew = Crew(
agents=[researcher, writer],
tasks=[research_task, writing_task],
process=Process.sequential,
)Cuando el QA lead pregunta “¿qué hace este sistema?”, le muestro el código y lo entiende. Eso vale más que cualquier feature.
Donde CrewAI se queda corto
Control fino del loop de ejecución. Si necesitas interceptar cada llamada al LLM, reintentar con lógica custom o hacer streaming granular, terminas peleando contra el framework. Para eso, llamadas directas a la API con un loop propio siguen siendo imbatibles.
Mi regla
Workflows multi-agente con roles claros → CrewAI. Control total del loop → API directa. LangChain → solo si ya lo tienes y funciona.