LangGraph acaba de publicar la v1.1.3 y hay dos cambios que valen la actualización si ya estás construyendo agentes con este framework: soporte de runtime distribuido en el CLI y deep agent templates precargadas con los patterns de producción que la mayoría termina armando a mano. No es un parche menor. Es la versión que cierra las últimas brechas que quedaban desde que el framework salió en GA en octubre de 2025.
Desde el lanzamiento de LangGraph 1.0, el equipo fue añadiendo piezas en silencio: per-node timeouts, node-level error handlers (no globales), DeltaChannel para reducir el overhead de checkpoints en threads largos, y una API v2 de streaming tipado. Cada una resolvía algo que los equipos en producción pedían. La 1.1.3 sigue esa lógica: trae lo que faltaba para escalar horizontalmente y para arrancar proyectos nuevos con una base sólida desde el primer commit.
Distributed runtime: lo que cambia para equipos en producción
Hasta la 1.1.3, si querías escalar LangGraph más allá de un solo proceso, te armabas la infraestructura vos: una cola externa, un store compartido entre workers, coordinación manual. Mucho andamiaje para algo que debería estar en el framework. Algunos equipos lo resolvían con Redis y colas propias. Otros directamente limitaban el paralelismo para no abrirse ese problema. La 1.1.3 cambia eso de forma nativa.
El CLI ahora incluye runtime distribuido de forma nativa. Podés levantar múltiples workers que comparten el mismo checkpoint store sin escribir una línea de código de orquestación adicional. En la práctica: un agente que procesa cientos de documentos en paralelo, un flujo de investigación que lanza varios sub-agentes concurrentes, o un pipeline de evaluación que corre varias hipótesis al mismo tiempo — todo eso funciona ahora sin infraestructura custom. Para el que ya tiene el agente funcionando en un solo proceso, el salto a multi-worker es básicamente cambiar la forma de levantar el servidor.
El límite que hay que tener claro: el distributed runtime brilla con tareas I/O-bound — llamadas a APIs, lectura de documentos, consultas a vectorstores. Si cada nodo hace cómputo pesado (encoding de embeddings en GPU, procesamiento de imágenes), el cuello de botella va a estar en otro lado y el runtime distribuido no va a ayudar tanto. Para esos casos, la arquitectura correcta sigue siendo workers especializados con GPU acceso directo.
Deep agent templates: el shortcut hacia producción
Las templates básicas de LangGraph existían desde antes. Las deep agent templates de la 1.1.3 son algo diferente: vienen precargadas con memoria integrada, tool call retry logic, observabilidad vía LangSmith configurada, y una estructura de nodos pensada para crecer sin tener que refactorizar todo cuando llegás a producción. La idea es que esas decisiones de arquitectura — las que la mayoría toma mal la primera vez — vengan resueltas por defecto.
Para arrancar con una deep template: actualizás con pip install -U langgraph y desde el CLI ejecutás langgraph new mi-agente --template deep-research. Eso genera un proyecto con el grafo base, el checkpoint store configurado, los hooks de LangSmith y un README con instrucciones para levantar el runtime distribuido en local. En producción, el cambio es solo de variables de entorno. La diferencia real con las templates anteriores es que no vas a llegar a producción y tener que reescribir la mitad.
Lo que ya traía LangGraph desde la v1.0
Para quienes evalúan migrar desde otras herramientas o llegan a LangGraph por primera vez, el estado actual del framework — todo lo que se fue añadiendo desde la GA de 1.0 hasta la 1.1.3:
- ▸Per-node timeouts: definís cuánto puede tardar cada nodo antes de fallar o hacer retry. Crítico para agentes con herramientas externas que pueden colgarse indefinidamente.
- ▸Node-level error handlers: manejo de errores por nodo, no solo a nivel global. Podés decidir si el grafo se detiene, reintenta o continúa con estado alternativo según qué nodo falla.
- ▸DeltaChannel: reduce el overhead de los checkpoints en threads largos. Marca diferencia en agentes conversacionales que acumulan mucho estado durante horas de operación.
- ▸v2 typed streaming API: streams con tipos definidos, sin parsear texto crudo. Los eventos del agente llegan con estructura predecible.
- ▸Endpoint MCP por agente en LangSmith: cada agente desplegado expone su propio endpoint MCP. Podés usarlo como herramienta desde cualquier cliente que soporte streamable HTTP, sin código custom.
- ▸Distributed runtime nativo en el CLI y deep agent templates (1.1.3): lo nuevo de esta versión.
LangGraph + LangSmith: la observabilidad que antes costaba semanas armar
La integración de LangGraph con LangSmith cambió bastante en los últimos meses. El dato más relevante: cada agente que desplegás en LangSmith expone ahora su propio endpoint MCP, lo que significa que podés llamarlo como herramienta desde cualquier cliente que soporte el protocolo — Claude, tu propia UI, otro agente de LangGraph — sin código custom ni wrappers. En la práctica: un agente de investigación corriendo en LangSmith puede ser una herramienta disponible para el agente de síntesis que tenés en otro stack.
La observabilidad también mejoró: los agentes ahora saltan servidores MCP inalcanzables de forma inmediata en lugar de reintentar, lo que reduce el tiempo hasta el primer token y elimina esos delays de 5-10 segundos al inicio que nadie sabía de dónde venían. Combinado con el runtime distribuido, el stack completo — LangGraph + LangSmith + MCP — es una plataforma de orquestación de agentes bastante seria para 2026.
LangGraph vs CrewAI en 2026: por qué el grafo ganó el debate
LangGraph superó a CrewAI en GitHub stars a comienzo de 2026, impulsado principalmente por adopción enterprise. Pero la razón por la que los equipos lo eligen en producción no son los stars: es la arquitectura de grafo. Cada nodo tiene auditoría, podés hacer rollback a cualquier estado previo del hilo, y los ciclos — agentes que se re-ejecutan hasta cumplir una condición — se controlan de forma explícita en el grafo. Cuando algo falla en producción, sabés exactamente en qué nodo falló y qué estado tenía el sistema en ese momento.
CrewAI sigue siendo una opción válida para sistemas multi-agente con roles bien definidos y poco estado compartido — sobre todo para equipos que prefieren la abstracción de 'agentes con roles' antes que pensar en nodos y edges. AutoGen tiene su lugar en prototipado y experimentos donde la flexibilidad importa más que el control. Para producción real — agentes que corren solos, manejan errores, se reintenten y necesitan auditoría — LangGraph es hoy el framework más completo.
Lo que nadie te dice: LangGraph tiene curva. El modelo mental del grafo — nodos, edges, state, checkpointer — lleva tiempo asentar. La mayoría de los problemas en las primeras semanas son con el state management: qué va en el estado global, cómo muta entre nodos, qué se persiste en el checkpointer. Una vez que eso hace clic, el resto viene solo. Pero ese clic puede tardar unas horas o varios días según tu background.
Cómo aprender LangGraph hoy
Si querés entender la arquitectura desde el primer nodo, el Taller de Creación de Agentes con LangGraph de DataPath arranca desde los conceptos — estado, nodos, checkpointer — y termina con un agente funcional en producción. Los ejercicios están actualizados con las versiones recientes del framework, incluyendo la API v2 de streaming. Para el path completo — LangGraph, CrewAI, MCP y los patterns de loop engineering — la ruta AI Agentic Engineer te da la visión completa de lo que se necesita cuando el agente tiene que correr solo en producción.
Si llegás a LangGraph desde LangChain 0.x, el curso Creación de Agentes con LangChain es un buen punto de entrada antes de subir a la complejidad del grafo — sobre todo si necesitás entender cómo funcionan las chains y los callbacks antes de pasarlos a nodos. Para el ecosistema multi-agente, el curso de Sistemas Multi-Agentes con CrewAI complementa bien lo que LangGraph no cubre con una abstracción de roles.
LangGraph 1.1.3 no es una actualización que podés posponer si estás en producción con la 1.0: el distributed runtime y las deep templates son las dos piezas más pedidas desde el lanzamiento. Para quien quiere aprender la arquitectura de principio a fin y construir algo real, el Taller de Creación de Agentes con LangGraph tiene los ejercicios actualizados. Y si el objetivo es el camino completo hacia producción — incluyendo observabilidad, MCP y orquestación multi-agente — la ruta AI Agentic Engineer es el paso a seguir. También podés ver el catálogo completo de cursos en DataPath para encontrar el punto de entrada correcto según tu nivel.
