LangGraph 1.2 es la primera versión de la serie que se siente escrita por gente que ya tuvo un agente colgado en producción a las 3 de la mañana. El último parche publicado en PyPI, el 1.2.22, salió el 14 de noviembre de 2026, así que la rama está viva y moviéndose rápido. Si tu grafo sigue en 1.0 o en 1.1, este es un buen momento para mirar qué te estás perdiendo.
Te adelanto el resumen honesto: no hay nada aquí que no pudieras hacer a mano antes. Lo que cambia es que ya no tienes que hacerlo a mano, y ese código casero tuyo probablemente tenía bugs que no habías encontrado todavía.
Lo que trae la 1.2, en orden de impacto real
La versión 1.2.0 gira alrededor de un control más fino sobre la ejecución de cada nodo: timeouts, recuperación de errores y apagado ordenado. A eso se suman un tipo de canal nuevo que recorta el peso de los checkpoints en hilos largos y una API de streaming v3 centrada en bloques de contenido, con proyecciones tipadas por canal.
Timeouts por nodo
Ahora pasas timeout= directo en add_node para limitar cuánto puede durar un intento. Puedes poner un tope de reloj (run_timeout), un tope de inactividad que se reinicia cuando hay progreso (idle_timeout), o los dos con TimeoutPolicy. Cuando salta, LangGraph lanza NodeTimeoutError, descarta las escrituras de ese intento y le pasa la pelota a la política de reintentos.
El detalle que me parece el mejor diseñado es ese idle_timeout. Un nodo que está llamando a un modelo con streaming no está colgado, está trabajando; con un timeout de reloj seco lo matabas injustamente. Con el de inactividad solo mueren los que de verdad se quedaron esperando.
Error handlers por nodo
Con error_handler= defines una función de recuperación que corre cuando ya se agotaron todos los reintentos. Recibe un NodeError tipado y puede devolver un Command para actualizar el estado y enrutar a otro nodo. En la práctica es el patrón Saga: si el paso de cobro falló tres veces, en vez de reventar el grafo entero disparas la compensación, dejas la conversación en un estado consistente y mandas al usuario a un nodo de disculpa.
DeltaChannel (beta)
Un canal que guarda solo el incremento de cada paso en lugar de volver a serializar el valor acumulado completo. Sirve cuando un canal crece sin parar, que es exactamente lo que le pasa a una lista de mensajes en un hilo de días. Con snapshot_frequency=K escribes un snapshot completo cada K pasos para que la lectura no se vaya a las nubes. Es beta: pruébalo en un hilo largo real y mide, no lo prendas en todo el grafo de una.
Caché a nivel de nodo
La serie 1.2 también trajo CachePolicy para cachear el resultado de nodos individuales y dejar de recomputar lo mismo. En un grafo con un paso de enriquecimiento que consulta siempre la misma tabla, esto se nota en la factura de tokens el primer día. Donde no lo quieres es en nodos con efectos secundarios: un nodo que escribe en tu base y se cachea es un bug esperando turno.
La 1.2 no te hace más listo armando agentes. Te hace menos frágil cuando algo falla, que es lo que separa un demo de un sistema.
Cómo migrar sin romper lo que ya corre
Un orden que funciona si tienes un agente en producción y poca tolerancia al susto:
- ▸Fija la versión antes de tocar nada. Pon langgraph==1.2.22 en tu archivo de dependencias y corre tus pruebas tal cual. Si ya estabas en 1.x, la mayoría del código no se mueve.
- ▸Agrega timeouts solo a los nodos que llaman afuera: modelos, APIs, scraping. Los nodos de lógica pura no los necesitan y solo te meten ruido.
- ▸Recién después pon un error_handler en el nodo que más te duele cuando falla, no en todos. Un handler mal escrito esconde el error de verdad.
- ▸Deja el streaming v3 y el DeltaChannel para una segunda tanda, cuando ya tengas trazas comparables de antes y después.
Si usas el streaming para pintar la respuesta en una interfaz, la v3 con bloques de contenido tipados te va a obligar a tocar el front. No es un cambio enorme, pero es trabajo de verdad: planifícalo como tal y no lo metas en el mismo pull request que los timeouts.
¿Y si mejor me paso a CrewAI?
Es la pregunta que siempre aparece. CrewAI va por la 1.15 (publicada en PyPI en noviembre de 2026) y tiene su propio runtime, independiente de LangChain; LangGraph sigue siendo el runtime durable del ecosistema LangChain y se describe a sí mismo como una orquestación de bajo nivel para agentes largos y con estado. Ninguno de los dos está abandonado: ambos sacaron versiones este mes.
La diferencia práctica no cambió con la 1.2. Si tu problema se describe bien como roles y tareas (un investigador, un redactor, un revisor), CrewAI te deja escribirlo en menos líneas. Si tu problema es una máquina de estados con ramas, reintentos y gente aprobando en el medio, LangGraph es el que te va a doler menos a los seis meses. Lo que la 1.2 hace es ensanchar esa segunda ventaja.
Cómo aprenderlo bien
Leer el changelog no te enseña a diseñar el grafo, y ese es el problema real. Si estás empezando, el taller de creación de agentes con LangGraph es la vía rápida para tener un grafo tuyo funcionando en una sesión. Para el oficio completo, con despliegue, evaluación y agentes que sobreviven a un reinicio, la ruta AI Agentic Engineer es la que te lleva de armar demos a sostener sistemas.
Un ejercicio concreto para esta semana: toma tu grafo actual, mete un nodo que llame a una API inexistente y mira qué pasa. Si el grafo entero se cae y pierdes el estado de la conversación, ya sabes cuál es tu primer error_handler. Empieza por ahí antes de leer un solo artículo más de arquitectura de agentes.
Si quieres ver el panorama antes de decidir, revisa el catálogo de cursos o entra directo al curso de agentes con LangGraph. Y si prefieres practicar acompañado, en la Comunidad AI Builders armamos un taller en vivo cada semana, desde 19 USD al mes.



