LangChain lanzó typesafe el 18 de setiembre de 2026: un paquete que le da a tus agentes un clasificador rápido para decidir qué modelo, qué skill o qué herramienta usar, sin gastar tokens generando texto solo para tomar esa decisión. Si construyes agentes con LangChain o LangGraph, esto te importa porque ataca justo el problema que más dinero quema en producción: usar un modelo caro para preguntas simples.
Qué es TypeSafeClassifier
El corazón de typesafe es TypeSafeClassifier, construido sobre Jev, un modelo de TypeSafe AI que en vez de generar texto devuelve respuestas tipadas y probabilidades calibradas. Funciona como un Runnable más de LangChain: lo invocas, lo corres en batch o lo combinas con otros runnables, y acepta desde strings sueltos hasta JSON estructurado o mensajes completos de LangChain. Cada llamada queda registrada en LangSmith con su traza y su consumo de tokens, así que puedes auditar por qué el agente tomó tal decisión y no otra.
El nombre 'System One' que TypeSafe AI le puso a Jev no es casual: hace referencia al pensamiento rápido e intuitivo, en contraste con el razonamiento más lento y deliberado de un LLM generativo que arma una respuesta palabra por palabra. La apuesta es que para decisiones acotadas, como qué modelo usar o si una acción es riesgosa, no necesitas ese razonamiento lento. Necesitas una respuesta calibrada y rápida, y ahí es donde un clasificador chico le gana en tiempo y costo a un LLM completo.
Cómo se resolvía esto antes (a mano y de forma frágil)
Hasta ahora, si querías que tu agente usara un modelo barato para lo simple y uno caro para lo complejo, tenías dos caminos y ninguno era bueno del todo: escribir reglas rígidas (si el mensaje tiene menos de X palabras, usa el modelo chico) que se rompen apenas cambia el patrón, o pedirle al mismo LLM que se autoevalúe con un prompt tipo 'clasifica esta consulta como simple o compleja'. Eso suma una llamada más, cuesta tokens y encima no es tan confiable, porque el modelo no siempre acierta con su propio juicio. TypeSafeClassifier ataca ese segundo problema: en vez de generar texto para decidir, devuelve una probabilidad calibrada, más barata de computar y más fácil de auditar después.
La diferencia se nota en la factura. Si el 80% de las consultas que recibe tu agente son preguntas repetitivas tipo FAQ y las mandas todas a un modelo de salida cara cuando podrías resolverlas con uno diez veces más barato, en un mes de tráfico real hablamos de una diferencia de miles de dólares, no de centavos. Ese es justo el caso que ModelRouterMiddleware quiere resolver sin que tengas que mantener tú mismo esas reglas a mano y sin sorpresas cuando el tráfico cambia de forma.
Los tres middlewares que trae la primera alpha
La versión 0.0.1a2 del paquete langchain-typesafe trae tres middlewares experimentales, todos pensados para meterse en el loop de un agente sin que tengas que reescribirlo entero:
- ▸ModelRouterMiddleware: evalúa cada request y elige el modelo según tus reglas, uno barato y rápido para lo simple, uno más capaz para lo complejo.
- ▸SkillsMiddleware: decide qué skill o herramienta específica activar antes de que el agente intente varias a ciegas.
- ▸AutoModeMiddleware: revisa las llamadas a herramientas antes de que se ejecuten y bloquea las que considera riesgosas, algo clave si tu agente puede borrar archivos o mover dinero.
El que más me interesa de los tres es AutoModeMiddleware, porque resuelve un problema que casi nadie automatiza bien todavía: parar una acción riesgosa antes de que el agente la ejecute, no después de que ya mandó un reembolso que no correspondía o borró un registro que no debía tocar. Imagina un agente de soporte que puede emitir devoluciones automáticas: sin ese tipo de gating, basta un mensaje ambiguo de un usuario para que el agente interprete mal la intención y dispare una acción que te cuesta dinero real.
Lo interesante no es el clasificador en sí, es que LangChain lo empaquetó como middleware: no reescribes tu agente, solo agregas una capa que decide antes de que el agente actúe.
Por qué importa si ya tienes agentes en producción
Si ya corriste un agente con LangGraph en producción, sabes que el costo se dispara cuando usas el mismo modelo grande para todo, desde clasificar un ticket hasta redactar un contrato. Un router de modelos no es una idea nueva, pero hacerlo con probabilidades calibradas en vez de que el LLM 'adivine' con un prompt de sistema cambia la confiabilidad del asunto. Y el gating de herramientas con AutoModeMiddleware resuelve algo que casi nadie automatiza bien: parar una acción antes de que el agente la ejecute, no después de que ya rompió algo.
Hay algo más que no siempre se menciona con este tipo de anuncios: para un equipo de datos o de riesgo, tener cada decisión de routing y cada bloqueo de herramienta trazado en LangSmith, con su probabilidad y su consumo de tokens, es información de auditoría. Si tu empresa opera en un sector regulado, eso pesa tanto como el ahorro en la factura del modelo, porque puedes reconstruir por qué el agente hizo lo que hizo cuando alguien te lo pregunte, en vez de encogerte de hombros.
Ojo con un detalle: Jev, el modelo detrás del clasificador, lo entrena TypeSafe AI, un proveedor externo, no Anthropic, OpenAI ni el propio equipo de LangChain. Y todo el paquete sigue en alpha, con documentación todavía corta. Antes de darle control real sobre acciones sensibles de tu negocio, corre tus propias pruebas de precisión con tráfico y prompts reales, no solo con el demo del blog de LangChain.
Cómo empezar a usarlo
Es alpha, así que no lo metas en producción tal cual todavía. Pero es buen momento para entender el patrón, porque en unos meses vas a ver esto (o algo parecido) en cualquier stack de agentes serio. Si estás construyendo con LangChain, el curso de Creación de Agentes con LangChain te lleva de cero a un agente funcional con herramientas reales; si ya diste ese paso y quieres orquestar flujos con estados y loops, el curso de Creación de Agentes con LangGraph es el siguiente escalón.
Y si tu meta es ser quien diseña estos sistemas completos (routing, memoria, guardrails, todo junto) en la ruta AI Agentic Engineer vas paso a paso desde los fundamentos hasta un portafolio de agentes en producción, incluyendo justo este tipo de decisiones de arquitectura sobre cuándo delegar el control a un modelo y cuándo bloquearlo.
Si quieres ver este tipo de librerías nuevas probadas en vivo antes de que se vuelvan mainstream, cada semana armamos un taller nuevo en la Comunidad AI Builders donde revisamos justo estas novedades con código real.
Con LangChain, LangGraph y los frameworks de agentes hay actualización casi cada semana. Si prefieres aprender esto con proyectos guiados en vez de perseguir cada release por tu cuenta, revisa el catálogo completo de cursos de IA o arranca directo por la ruta AI Agentic Engineer.
