Hay una fecha que todo el que construye agentes de IA debería tener marcada: el 22 de octubre de 2025. Ese día LangChain y LangGraph llegaron a su versión 1.0. Suena a detalle técnico, pero no lo es. Significa que el framework más usado para crear agentes dejó de ser un experimento que cambiaba cada semana y pasó a ser una base estable, lista para producción. Y en 2026 la discusión ya se acabó: con 90 millones de descargas al mes y gente como Uber, LinkedIn y JP Morgan corriéndolo en serio, se volvió el estándar para levantar agentes. Si estás aprendiendo a construirlos, te conviene entender qué cambió.
Qué significa que LangChain y LangGraph lleguen a 1.0
Seamos honestos: durante años, LangChain tenía fama de inestable. Potente, sí, pero cada par de versiones cambiaba una API y te rompía el código que ya funcionaba. La 1.0 cierra esa etapa con una promesa que casi nadie hace en el mundo de la IA: nada de breaking changes hasta la 2.0. ¿Qué significa para ti? Que puedes meterle semanas a aprenderlo y construir encima sin el miedo de que mañana se caiga todo.
Y la adopción respalda la jugada. El stack de LangChain pasó los 90 millones de descargas al mes y hoy corre en producción en Uber, LinkedIn, Klarna, JP Morgan, Blackrock y Cisco. Cuando un banco lo pone en el camino crítico de su operación, ya no estamos hablando de un juguete. Es infraestructura.
«Dependemos mucho del runtime durable que da LangGraph; el nuevo agente prebuilt y el middleware de LangChain 1.0 lo hacen mucho más flexible.» — Ankur Bhatt, Head of AI en Rippling
Las 3 cosas que de verdad cambian para construir agentes
1. Estado durable en LangGraph
LangGraph 1.0 guarda el estado de tu agente solo. ¿El servidor se reinició a media conversación? ¿Se cortó un proceso largo? El agente retoma justo donde quedó, sin que tengas que armar tu propia lógica de checkpoints en una base de datos. Para un agente que encadena cientos de pasos, esto lo es todo: es la diferencia entre perderlo absolutamente todo por un timeout y seguir como si nada.
Te lo pongo con un caso real. Un agente procesa 300 facturas y se cae en la 250. Sin estado durable, arrancas otra vez de cero, y pagas de nuevo todos los tokens. Con LangGraph, retoma en la 251 y listo. Esa diferencia, que parece menor, es justo lo que separa una demo bonita de algo que de verdad usas en una empresa.
2. Middleware en LangChain
Para mí, esta es la pieza nueva más interesante. El middleware te deja meterte en el loop del agente con hooks ya hechos: human-in-the-loop para frenar y pedir aprobación antes de una acción sensible, resumen automático del historial cuando te acercas al límite de contexto, y borrado de datos personales (PII) por patrón. Todo eso que antes programabas a mano y te tocaba mantener, ahora viene incluido.
Un ejemplo que se entiende al toque: un agente de soporte que puede emitir reembolsos. Con el hook de human-in-the-loop, prepara el reembolso pero se frena y te lo muestra para que apruebes antes de mover un solo sol. Sin middleware, esa lógica la cableabas tú, a mano, cruzando los dedos para que no metiera la pata con un cliente real.
3. create_agent y bloques de contenido estándar
La función create_agent te arma un agente con cualquier proveedor de modelo en pocas líneas, sobre el runtime de LangGraph. Y los standard content blocks ordenan las salidas del modelo (razonamiento, citas, llamadas a herramientas) de forma que no quedas pegado a un solo proveedor. ¿La ventaja real? Cambias de modelo mañana y tu código no se rompe.
- ▸Estado durable: tus agentes sobreviven reinicios e interrupciones sin código extra.
- ▸Middleware: human-in-the-loop, resumen de contexto y borrado de PII de fábrica.
- ▸Portabilidad: create_agent y los content blocks funcionan con cualquier proveedor de modelo.
Dos cosas prácticas si vas a actualizar: ahora necesitas Python 3.10 o más, y todo lo viejo se mudó al paquete langchain-classic. En LangGraph lo único que se deprecó en serio es el módulo langgraph.prebuilt; el resto mantiene compatibilidad hacia atrás. O sea, migrar no es el dolor de cabeza que te estás imaginando.
LangChain o LangGraph: ¿cuál uso?
Es la duda más común, y la respuesta es fácil: no compiten. LangChain te da los bloques de alto nivel (create_agent, middleware) para armar un agente rápido y prototipar. LangGraph es el motor que va por debajo: grafos, estado durable, control fino del flujo. De hecho, LangChain 1.0 corre sobre LangGraph. Lo natural es arrancar con LangChain para tener algo vivo hoy, y bajar a LangGraph cuando necesites aguante y control total.
Y vas a escuchar un tercer nombre seguido: LangSmith. Es la capa de observabilidad para ver qué hace tu agente paso a paso, medir cuánto te cuesta y depurar cuando se comporta raro. No lo necesitas para arrancar, pero en producción se vuelve tu mejor aliado el día que tengas que entender por qué el agente decidió lo que decidió.
Por qué este es el mejor momento para aprenderlo
Una API estable más una demanda altísima: esa es la mejor señal para invertir tu tiempo. Las ofertas de AI Engineer y Agentic Engineer piden exactamente esto: agentes que usan herramientas, recuerdan contexto y se despliegan en serio. Y cuando un solo agente se queda corto, ahí entran los sistemas multi-agente con CrewAI, donde varios se reparten el trabajo. Si ya vienes de Python o de datos, el salto es más corto de lo que crees.
Cómo empezar sin perder el tiempo
Un camino que funciona, en orden:
- ▸Domina el loop básico de un agente con create_agent: un modelo, unas herramientas y una tarea concreta.
- ▸Agrega memoria y herramientas reales: búsqueda, APIs y consultas a base de datos.
- ▸Mueve la orquestación a LangGraph y activa el estado durable.
- ▸Suma human-in-the-loop antes de cualquier acción crítica: pagos, envíos, borrados.
- ▸Despliega y mide: logs, costos y los casos donde el agente se equivoca.
No te hace falta memorizar la librería entera. Te hace falta construir tres o cuatro agentes de verdad, equivocarte con ellos, y entender en carne propia por qué el estado durable y el human-in-the-loop te salvan en producción. Lo demás se aprende en el camino.
El error más común al empezar con agentes
Si tuviera que señalar una sola trampa, es esta: querer que el agente lo haga todo solo desde el día uno. La gente le mete quince herramientas, lo suelta sin supervisión, y después se sorprende cuando alucina o se gasta el presupuesto de tokens en una tarde. Los agentes que funcionan en producción empiezan chicos: una tarea clara, dos o tres herramientas, y un humano revisando los pasos críticos. Después creces.
El segundo error, y lo que casi nadie te dice: ignorar los costos. Cada llamada al modelo cuesta, y un agente que razona en bucle puede inflar la factura sin que te des cuenta. Por eso el enrutamiento inteligente, mandar lo simple a un modelo barato y reservar el caro para lo difícil, dejó de ser un lujo y es parte del diseño. Mídelo desde el primer prototipo, no cuando ya te llegó el susto a fin de mes.
Aprende a construir agentes en DataPath
Si quieres pasar de la teoría a agentes que aguanten producción, en DataPath lo trabajamos con proyectos reales. Arranca con el curso de Creación de Agentes con LangChain, sigue con Creación de Agentes con LangGraph para dominar la orquestación y el estado durable, y si buscas el camino completo, la ruta AI Agentic Engineer te lleva de cero a un perfil que se contrata. Date una vuelta por todos los cursos de IA y elige por dónde entrar.
