¿Qué son LangChain y LangGraph?

LangChain y LangGraph son frameworks de código abierto para Python (también con soporte JavaScript) para construir aplicaciones sobre grandes modelos de lenguaje: desde un RAG sencillo hasta agentes de IA con herramientas, memoria y flujos con ramificaciones. LangChain aporta bloques (modelos, prompts, cadenas, retrievers); LangGraph es un grafo de estados para flujos de agentes complejos donde hace falta control, bucles y confirmación humana. Abajo - en qué se diferencian, cuándo usar cada uno y qué debe vigilar el negocio.

• LangChain - biblioteca de componentes: LLM, prompts, cadenas, embeddings, búsqueda vectorial, tools
• LangGraph - orquestación mediante un grafo de nodos: estado, ramas, bucles, retry, human-in-the-loop
• Cadena (chain) - pipeline fijo «entrada → pasos → respuesta»
• Agente - el modelo decide qué herramienta llamar y cuándo parar
• No sustituye al modelo - el framework no hace GPT/Claude «más inteligente»; ayuda a conectar APIs, datos y lógica
• Práctica - un RAG/FAQ simple suele bastar con LangChain; rutas de soporte complejas y multiagente son territorio de LangGraph

Qué es LangChain en palabras simples

Una llamada a la API del modelo es «preguntar → responder». Un producto real es más amplio: traer documentos de la base de conocimiento, llamar al CRM, comprobar un pedido, guardar historial, contar tokens y evitar que el modelo alucine «de memoria».

LangChain es un conjunto de abstracciones sobre proveedores (OpenAI, Anthropic, Gemini, LLM locales y otros) para no reescribir el mismo glue code a mano:

Flujo típico en LangChain: el usuario pregunta → el retriever encuentra trozos de documentación → el prompt une pregunta + contexto → el modelo responde con fuentes. Es el RAG clásico, y para muchos casos de negocio basta.

Qué es LangGraph y cómo complementa a LangChain

LangGraph es una biblioteca del mismo ecosistema LangChain para construir aplicaciones de agentes como grafo: los nodos ejecutan pasos, las aristas definen transiciones y hay un estado compartido que se actualiza por el camino.

Por qué un grafo si ya hay cadenas:

1. Ramificación - si la confianza es baja → escalar a un humano; si el cliente pide devolución → otro escenario.
2. Bucles - el agente llama una herramienta, lee el resultado, piensa otra vez, vuelve a llamar.
3. Control - puntos de parada explícitos, retry, límites de pasos; menos «caja negra».
4. Multiagente - varios roles (investigador, editor, moderador) se pasan el resultado.
5. Human-in-the-loop - antes de enviar un email al cliente o cobrar, el sistema espera confirmación del operador.

En resumen: LangChain = piezas del constructor, LangGraph = plano de montaje del mecanismo complejo. A menudo se usan juntos: los nodos del grafo llaman modelos, retrievers y tools del ecosistema LangChain.

LangChain vs LangGraph: cuándo elegir qué

Regla práctica: empiece por el pipeline más simple. Si la lógica ya parece un diagrama de flujo con condiciones y bucles - pase al grafo, no acumule «cadenas de if en un archivo».

Cómo se ve un stack típico

Conjunto mínimo viable para negocio:

• Modelo - GPT / Claude / Gemini o local vía Ollama;
• LangChain - prompts, retriever, tools;
• Almacén vectorial - para embeddings y búsqueda de conocimiento;
• LangGraph (si hace falta) - orquestación del agente y ramas;
• Observabilidad - logs de pasos, latencia, coste de tokens, trazas de error;
• Integraciones - CRM, helpdesk, bot de Telegram, BD interna.

Importante: el framework no sustituye datos limpios ni producto. Una base de conocimiento pobre + LangGraph potente sigue dando respuestas débiles. El cálculo del coste de un sistema RAG y de un agente de IA llave en mano suele chocar con datos, integraciones y control de calidad, no solo con la librería.

Pros y contras para un proyecto

Pros:

• prototipos rápidos en Python;
• integraciones listas con LLM y BD vectoriales populares;
• un estilo de código para prompts, tools y RAG;
• LangGraph hace explícito el esquema del agente - más fácil explicar al cliente y depurar;
• ecosistema maduro, muchos ejemplos y documentación.

Contras y riesgos:

• coste de abstracción: un principiante puede ahogarse en capas cuando bastarían 50 líneas de API directa;
• las APIs del ecosistema cambian - fije versiones y vigile breaking changes;
• agentes con bucles disparan el gasto de tokens sin límites;
• sin tests y evals el producto se degrada en silencio;
• no todo caso de negocio necesita un agente - a menudo basta un script determinista + LLM en un paso.

Cuándo lo necesita el negocio - y cuándo es pronto

Tiene sentido si:

• construye RAG, un asistente o un agente sobre sus datos y APIs;
• el equipo ya escribe Python/JS y quiere un marco estándar, no scripts ad-hoc;
• necesita ramas, confirmación humana y escenarios multistep (LangGraph);
• planea mantener el producto meses - la arquitectura explícita se amortiza.

Se puede aplazar si:

• la tarea se resuelve con una o dos llamadas API y un buen prompt;
• no hay base de conocimiento ni integraciones estables - el framework no salva datos vacíos;
• el equipo aún no domina la llamada básica a LLM ni los embeddings;
• solo necesita un chatbot no-code sin lógica custom.

Conclusión

LangChain es una forma de ensamblar aplicaciones LLM con bloques listos: modelos, prompts, RAG, tools. LangGraph es una forma de orquestar lógica compleja de agentes como grafo de estados con ramas, bucles y puntos de control. Para FAQ y búsqueda en documentos suele bastar LangChain; para agentes de soporte, procesos multistep y human-in-the-loop conviene diseñar el flujo en LangGraph desde el inicio. La librería es secundaria frente a la calidad de datos, métricas y presupuesto de tokens - pero el marco correcto ahorra meses de caos en el código.

Preguntas frecuentes

¿LangChain y LangGraph son productos distintos o lo mismo?

Son un ecosistema conectado: LangChain aporta componentes, LangGraph orquesta flujos complejos. Se pueden usar por separado, pero en la práctica los nodos del grafo suelen llamar modelos y tools de LangChain. Piense en «bloques + plano», no en un «o esto o aquello» estricto, cuando el escenario se complica.

¿Necesito LangGraph para un RAG normal?

No necesariamente. El RAG clásico (pregunta → búsqueda → respuesta) se hace bien con LangChain o incluso con llamadas API directas + BD vectorial. LangGraph aporta valor cuando sobre el RAG aparecen ramas, repreguntas, varios agentes, bucles de verificación o confirmación humana obligatoria.

¿En qué se diferencia un agente LangGraph de «solo llamar a ChatGPT»?

Una llamada a ChatGPT es una respuesta del modelo dentro de una ventana de contexto. Un agente LangGraph puede llamar tools muchas veces, actualizar estado, ramificar por condiciones y detenerse para el operador. Está más cerca de un motor de workflow con LLM dentro que de un chat normal.

¿Mejor Python o JavaScript?

Para backend, data pipelines y la mayoría de ejemplos del ecosistema suele elegirse Python. JavaScript/TypeScript encaja si el agente vive junto al stack Node del sitio. Funcionalmente son parecidos; elija el idioma del equipo y del servicio donde incruste el LLM.

¿Cuánto cuesta implantar LangChain / LangGraph?

El framework es open source - se paga por las APIs de modelos, infraestructura (BD vectorial, hosting) y desarrollo/operación. Un prototipo RAG puede cerrarse en días y un presupuesto modesto de tokens; un agente de producción con CRM, monitorización y evals es un proyecto de semanas con un presupuesto de agente notable. El coste oculto principal son bucles sin límite y contexto hinchado.