Die besten Open-Source-KI-Agent-Frameworks zum Self-Hosting 2026

agency-agents ist eine schnell wachsende, MIT-lizenzierte Sammlung mit mehr als 200 spezialisierten Persona-Definitionen für KI-Agenten. Jede davon ist eine Markdown-Datei, die eine Rolle, einen Arbeitsablauf und Ergebnisse beschreibt, etwa für Frontend-Spezialisten, Security-Reviewer oder Growth-Marketer. Dabei ist eine genaue Einordnung wichtig: Es handelt sich weder um ein Python-Framework noch um einen Dienst, den du bereitstellst. Für die Installation kopierst du die Persona-Dateien in das Konfigurationsverzeichnis eines bereits verwendeten KI-Coding-Tools wie Claude Code, Cursor oder Codex. Anschließend kannst du jede Persona in deinen bestehenden Sitzungen aktivieren. Es gibt keinen Server, keinen Docker-Container und nichts, was du auf einem VPS hosten müsstest. Das Multi-Agent-Verhalten findet direkt im Coding-Tool statt. Wegen seiner Beliebtheit mit mehr als 100.000 GitHub-Sternen solltest du agency-agents kennen. Benötigst du ein eigenständiges, bereitstellbares Multi-Agent-System, kombiniere es mit einem der folgenden Orchestrierungs-Frameworks.

OpenClaw ist ein quelloffener, MIT-lizenzierter persönlicher KI-Assistent, der sich mit deinen vorhandenen Messaging-Plattformen verbindet, darunter WhatsApp, Telegram, Slack, Discord, Signal und viele weitere. Er arbeitet mit dauerhaftem Speicher und einem Skill-System, über das du seine Funktionen erweitern kannst. Das Projekt ist sehr schnell gewachsen; mehrere Quellen nennen mehr als 300.000 GitHub-Sterne. Self-Hosting ist mit Docker oder npm möglich. Passender Contabo Server: ein Cloud VPS 8 oder ein Cloud VDS S, wenn du zusätzlich lokale Modellinferenz betreibst.

LangGraph stammt vom LangChain-Team und bildet den Workflow eines Agenten als gerichteten Graphen ab. Knoten stehen für LLM-Aufrufe, Werkzeugnutzung oder menschliche Eingaben, während Kanten den Ablauf mit bedingten Verzweigungen und Schleifen steuern. LangGraph gilt weithin als die am besten für Produktivsysteme geeignete Option in diesem Vergleich. Integrierte Funktionen umfassen State Checkpointing, Streaming und Human-in-the-Loop-Unterstützung für lang laufende Workflows. Das Framework ist in Python geschrieben, unterstützt TypeScript und ist nicht an bestimmte Modelle gebunden.

Das ursprüngliche Multi-Agent-Framework von Microsoft modelliert Agenten als Teilnehmer eines Gesprächs. In einem Gruppenchat diskutieren mehrere Agenten, überarbeiten Ergebnisse und übergeben Aufgaben aneinander. Auch die Codeausführung in einer Sandbox wird unterstützt. Vor einer Festlegung solltest du wissen: Microsoft hat AutoGen in den Wartungsmodus versetzt und seine Architektur im übergeordneten Microsoft Agent Framework gebündelt. Dieses vereint AutoGen und Semantic Kernel und ist seit April 2026 allgemein verfügbar. AutoGen und der von der Community gepflegte Fork AG2 funktionieren weiterhin. Für bestehende Bereitstellungen im Stil von v0.2 und akademische Forschung zu dialogbasierten Multi-Agent-Mustern bleiben sie die richtige Wahl. Neue Projekte im Microsoft-Stack sollten stattdessen mit Microsoft Agent Framework beginnen. Passender Contabo Server: Ein Cloud VDS M bietet genügend Reserven für rechenintensive Gruppenchat-Durchläufe mit mehreren Runden.

CrewAI modelliert die Zusammenarbeit mehrerer Agenten als „Crew“: Jeder Agent erhält eine Rolle, ein Ziel und eine Hintergrundgeschichte sowie eine Reihe gemeinsam zu erledigender Aufgaben. Das Framework wird regelmäßig als schnellster Weg von null zu einem funktionierenden Multi-Agent-Prototyp genannt und hat eine große, aktive Community. Laut Entwicklerfeedback liegt der Nachteil in der weniger präzisen Steuerung und Beobachtbarkeit gegenüber LangGraph, sobald ein Projekt vom Prototyp zum Produktivbetrieb wächst.

Flowise ist ein unter Apache 2.0 lizenzierter visueller Drag-and-Drop-Builder auf Basis der LangChain-Bibliothek. Du stellst einen Agenten auf einer Arbeitsfläche aus Knoten zusammen, etwa einem Modell, einem Prompt, einem Dokumenten-Loader oder einem Werkzeug, statt den Orchestrierungscode selbst zu schreiben. Über MCP lassen sich externe Werkzeuge und Datenquellen anbinden. Beim Self-Hosting mit Docker benötigt Flowise für kleine Abläufe nur etwa 1–2 GB RAM; anspruchsvollere Dokumentverarbeitung braucht mehr Reserven. Passender Contabo Server: Ein Cloud VPS 6 deckt typische Einsätze gut ab.

Dify ist eine vollständige Plattform für LLM-Anwendungen. Sie vereint einen visuellen Workflow-Editor, eine RAG-Pipeline für Produktivsysteme, Agent-Funktionen und Unterstützung für mehr als 100 Modellanbieter in einem selbst gehosteten Stack. Unter den hier aufgeführten Tools stellt Dify die höchsten Anforderungen: Docker Compose startet einen API-Server, einen Celery-Hintergrundprozess, das Web-Frontend, PostgreSQL, Redis, einen Vektorspeicher mit standardmäßig Weaviate, eine Code-Sandbox und einen nginx-Proxy. Als Basis werden ungefähr 4 GB RAM benötigt. Passender Contabo Server: Ein Cloud VPS 8 mit 24 GB RAM bietet Reserven, wenn neben der Plattform lokale Embedding-Modelle oder mehrere anspruchsvolle Workflows gleichzeitig laufen.

n8n ist eine ausgereifte Low-Code-Plattform zur Workflow-Automatisierung, die seit mehr als sieben Jahren entwickelt wird. Sie bietet über 400 Integrationen und eigene KI-Knoten, mit denen du LLM-Aufrufe in größere Automatisierungen einbindest. So kannst du einen Lead aus einem CRM abrufen, ihn mit einem LLM bewerten und das Ergebnis in Slack veröffentlichen, alles innerhalb eines Ablaufs. Ist der KI-Schritt nur ein Teil eines größeren betrieblichen Workflows, passt n8n besser als ein reines Agent-Framework. Passender Contabo Server: ein Cloud VPS 6.