CrewAI ou AutoGen: 2,8 s de diferença na partida

No benchmark medido pela Tacavar em setembro de 2026, pyautogen 0.2.35 levou 1.631 ms para iniciar contra 4.441 ms do CrewAI 1.15.22 — diferença de 2.810 ms, ou cerca de 2,8 segundos —, enquanto as médias de ida e volta foram 1.135 ms e 861 ms, respectivamente. O teste abriu processos Python novos numa máquina Ubuntu e fez cinco rodadas por framework com gpt-4o-mini e uma chamada curta de ferramenta.

Para uma função que abre um processo a cada pedido, a inicialização merece entrar na conta; para um serviço que continua ativo, a estrutura do trabalho e o controle do estado tendem a importar mais. CrewAI é a escolha mais direta quando agentes têm responsabilidades e entregas definidas. AutoGen AgentChat combina com tarefas em que a conversa, a revisão e a escolha do próximo participante fazem parte da solução. Os tempos publicados descrevem uma configuração específica, não uma previsão para toda implantação.

Papéis e tarefas ou conversas entre agentes

Em CrewAI, uma Crew reúne agentes com papéis definidos e tarefas que especificam o resultado esperado. A documentação do CrewAI separa essa colaboração dos Flows, que organizam etapas, estado, persistência e retomada de execuções. A divisão serve a processos nos quais uma entrega pode ser recebida, validada e passada adiante sem depender de uma conversa aberta para decidir cada transição.

No AgentChat, a unidade de coordenação é uma equipe que troca mensagens. A documentação das equipes do AutoGen descreve RoundRobinGroupChat, com turnos alternados, SelectorGroupChat, que seleciona o próximo agente, e Swarm, baseado em passagens de controle. O padrão escolhido muda a lógica do trabalho: alternar participantes é previsível, enquanto selecionar o próximo pela conversa permite responder ao que acabou de acontecer.

O mesmo processo nas duas arquiteturas

Considere um exemplo hipotético: chega uma solicitação, um agente reúne dados, outro redige uma resposta e um revisor decide se a entrega pode sair. Em CrewAI, é possível atribuir cada responsabilidade a um agente e cada entrega a uma tarefa. Um Flow pode reservar a liberação da resposta para uma etapa de aprovação, preservando o estado necessário caso a execução precise continuar depois.

Em AgentChat, o redator e o revisor podem atuar como participantes de uma equipe. O revisor comenta, o redator ajusta e uma condição de término encerra a conversa quando o resultado satisfaz a regra estabelecida. Se a quantidade de revisões variar conforme o conteúdo, esse formato expressa o processo sem fixar de antemão todas as passagens; o preço operacional é precisar definir com precisão quando a equipe para e quais mensagens são guardadas.

A comparação só é útil se os dois caminhos fizerem o mesmo trabalho. Encerrar a Crew após uma revisão e deixar o AgentChat revisar até aprovar altera o número de chamadas ao modelo e, com ele, tempo e custo. Entrada, ferramentas, modelo, regra de aprovação e entrega final precisam ser equivalentes.

O que a partida fria muda no servidor

Uma função curta que inicia um processo Python para cada pedido pode expor ao usuário o tempo de carregamento do framework antes de executar o trabalho. Nesse caso, a distância observada entre as partidas é material, especialmente se a chamada ao modelo ou à ferramenta for breve. Já num serviço persistente, a inicialização ocorre antes de muitos pedidos; seu peso por solicitação cai, enquanto chamadas externas, número de turnos e decisões de roteamento continuam a consumir tempo.

A partida teve uma observação por framework; a amostra não permite estimar sua variação. A diferença de 274 ms entre as médias de ida e volta deriva dos valores publicados, mas a dispersão das chamadas à API impede tratá-la como vantagem estável do orquestrador. O teste também não cronometrou um processo completo de pesquisa e revisão.

Também é preciso separar o custo de abrir o processo do custo de manter uma conversa. Uma equipe que acrescenta turnos de crítica, escolha do próximo agente ou novas ferramentas pode gastar mais tempo mesmo que o framework inicie depressa. Em outra carga, uma sequência de tarefas com entregas intermediárias pode ter menos mensagens e ainda fazer mais chamadas ao modelo. O tempo que interessa é o da entrega completa sob a regra de término exigida pelo produto.

Versão medida, estado e controle do fluxo

Há uma ressalva importante: o guia oficial de migração do AutoGen informa que a Microsoft perdeu o controle do pacote pyautogen no PyPI, que seus lançamentos a partir de 0.2.34 já não são dela e que o novo AgentChat permite salvar e carregar o estado de agentes e equipes; o benchmark usou pyautogen 0.2.35. O AgentChat descrito na documentação atual pertence a outra linha de API. Por isso, o tempo medido para aquele pacote não pode ser transferido diretamente ao AgentChat que uma equipe instalaria hoje.

Salvar o estado dá à aplicação uma forma de continuar uma conversa, desde que ela decida quando serializar, onde persistir e como restaurar o conteúdo. Num processo sujeito a aprovação ou interrupção, esse trabalho deve ser comparado ao desenho de etapas, estado e retomada dos Flows do CrewAI. Dizer apenas que um dos frameworks “tem memória” esconderia decisões diferentes de persistência e recuperação.

Conversar livremente também não é a única opção do AutoGen. O GraphFlow do AgentChat admite caminhos sequenciais, paralelos, condicionais e ciclos entre agentes, mas aparece na documentação como recurso experimental, sujeito a mudanças. Ele aproxima o AutoGen de um fluxo com ordem explícita quando isso é necessário. Para uma aplicação que exige API estável e muitas regras de transição, esse status entra na avaliação junto com o esforço de implementar e manter o grafo.

Qual encaixe faz mais sentido

Se a entrega segue responsabilidades relativamente estáveis e precisa de passagens claras entre tarefas, CrewAI com Crews e Flows oferece uma representação direta. Se o valor está na discussão entre especialistas, em revisões de duração variável ou na escolha dinâmica de quem responde, os padrões de equipe do AgentChat são mais naturais. Quando há simultaneamente debate e ordem rígida, o AutoGen também oferece GraphFlow, com a ressalva de maturidade já descrita.

Em cargas curtas, convém medir a versão e o pacote efetivamente instalados. Em serviços duradouros, pesam os turnos exigidos pela entrega, as etapas que precisam de estado persistente e a regra que encerra a execução.