Cuando alguien empieza con agentes de IA en Python, la pregunta llega antes de lo esperado: ¿uso LangChain, LangGraph, o los dos? En 2026 la confusión se mantiene porque los nombres se parecen, el ecosistema cambia rápido y muchos tutoriales mezclan versiones y conceptos. Esta guía no es un resumen de la documentación oficial — es la respuesta que daría si me preguntas antes de arrancar un proyecto real.
De dónde vienen y por qué existen los dos
LangChain lleva más de dos años como framework. Empezó como una capa de abstracción sobre los modelos de lenguaje: cadenas de prompts, herramientas, memoria básica. Con el tiempo el ecosistema creció con integraciones para decenas de proveedores, document loaders, vector stores y el LCEL (LangChain Expression Language) para componer pipelines de forma más legible. Es una librería madura con mucha comunidad.
LangGraph apareció después, como una librería separada dentro del mismo ecosistema. La razón: muchos proyectos intentaban usar LangChain para agentes con flujos no lineales y empezaban a forzar el modelo de 'cadena'. LangGraph resolvió eso desde el diseño: trabaja con grafos dirigidos donde cada nodo es un paso del agente y las aristas definen qué viene después según el estado actual. Eso permite ciclos, condicionales reales y estado persistente entre pasos.
LangChain: el kit de herramientas modular
LangChain es el kit de herramientas. Si necesitas conectar un modelo con una base de datos vectorial, una API externa, una cadena de prompts o un sistema RAG, LangChain tiene los componentes listos. Sus puntos fuertes en 2026:
- ▸Integración nativa con decenas de proveedores de modelos (OpenAI, Anthropic, Google, Cohere, Mistral, modelos de HuggingFace) sin cambiar la interfaz de tu código.
- ▸LCEL (LangChain Expression Language) para componer pipelines de forma legible con el operador pipe. Hace el código más mantenible cuando el flujo es relativamente lineal.
- ▸Soporte completo para RAG: document loaders para PDFs, páginas web y bases de datos; text splitters; embeddings; y conectores con vector stores como Pinecone, Chroma, Weaviate o pgvector.
- ▸Ecosistema amplio: cientos de integraciones mantenidas por la comunidad, documentación extensa y muchos ejemplos disponibles. Si tienes un caso de uso estándar, probablemente ya hay alguien que lo resolvió.
La limitación principal es estructural: LangChain fue diseñado para flujos lineales. Funciona bien cuando el camino es A → B → C con posibilidad de ramificación simple. Cuando el agente tiene que decidir qué hacer basado en el resultado del paso anterior, reintentar con otra estrategia o esperar input externo a mitad del proceso, LangChain solo empieza a mostrar sus costuras.
LangGraph: el motor para agentes con estado
LangGraph cambia el modelo mental: en lugar de cadenas, trabaja con grafos. Cada paso del agente es un nodo, el estado es un objeto que fluye entre nodos y las aristas definen qué nodo viene después según las condiciones actuales. Eso habilita cosas que en LangChain son complicadas de implementar bien:
- ▸Ciclos y condicionales reales: el agente puede reintentar un paso si falla, tomar una rama distinta según el resultado, o volver a un nodo anterior sin hackear la estructura de la cadena.
- ▸Estado persistente: el objeto de estado se comparte entre todos los nodos. El agente recuerda lo que hizo en los pasos anteriores sin necesidad de construir un sistema de memoria personalizado.
- ▸Human-in-the-loop: puedes pausar la ejecución del grafo en cualquier nodo para pedir aprobación o input humano antes de continuar. Esencial para agentes que toman acciones irreversibles.
- ▸Streaming nativo: puedes ver en tiempo real qué está haciendo el agente, qué nodo está ejecutando y qué está pensando, sin tener que esperar al resultado final.
La versión 1.2.x de LangGraph —donde estamos en septiembre de 2026— incorpora interrupts mejorados para elicitación MCP, controles de seguridad más granulares y manejo de errores más robusto. Eso lo hace más viable para producción que versiones anteriores.
Lo que nadie te dice al empezar
La trampa más común es usar LangGraph desde el día uno 'porque es más potente'. Si tu agente hace una tarea lineal con tres pasos, LangGraph es sobredimensionado y te agrega complejidad sin necesidad. He visto proyectos que tardaron el doble porque el equipo insistió en usar grafos para algo que una cadena simple hubiera resuelto en dos días. El stack mínimo que funciona suele ser LangChain para los componentes base y LangGraph solo cuando el flujo se vuelve genuinamente no lineal. Empezar al revés es la razón número uno por la que los proyectos de agentes se estancan antes de llegar a producción.
Cuándo usar LangChain solo
- ▸Pipelines RAG donde el flujo siempre es: recibir pregunta → buscar contexto → generar respuesta. No hay ramificación compleja.
- ▸Chatbots con memoria de conversación pero sin lógica condicional compleja. La memoria de LangChain es suficiente para manejar contexto de varios turnos.
- ▸Prototipos rápidos donde quieres validar una idea en un día antes de complicar la arquitectura. LangChain tiene menos boilerplate para casos simples.
- ▸Integración de herramientas simples: consultar una API, buscar en una base de datos, resumir documentos. Si el flujo es lineal, LangChain es más rápido de implementar y más fácil de mantener.
Cuándo LangGraph es la respuesta
- ▸El agente necesita decidir entre múltiples herramientas o rutas de acción, y esa decisión puede cambiar a mitad de la ejecución según lo que encuentre.
- ▸El flujo tiene pasos que dependen del resultado del paso anterior de forma no lineal: el agente puede tener que volver a un paso anterior o saltar varios pasos según lo que encontró.
- ▸Quieres supervisión humana en puntos específicos: aprobar una acción antes de ejecutarla, revisar un borrador antes de enviarlo, o pedir input adicional cuando el agente queda en incertidumbre.
- ▸El agente necesita correr por varios minutos u horas con estado persistente entre pasos. LangGraph maneja ese estado de forma mucho más limpia que implementarlo a mano en LangChain.
- ▸Estás construyendo sistemas multi-agente donde varios agentes se coordinan: un grafo puede tener sub-grafos que representan agentes especializados que colaboran en una tarea más grande.
¿Se pueden usar juntos?
Sí, y esa es la arquitectura más común en producción. LangGraph orquesta el flujo: decide qué nodo ejecutar, maneja el estado y gestiona las condiciones entre pasos. Dentro de los nodos, llamas a componentes de LangChain: un retriever para RAG, un chain de LangChain para procesamiento de texto, integraciones de herramientas del ecosistema. No son competidores — son capas distintas del mismo ecosistema. LangGraph es el cerebro que coordina; LangChain es la caja de herramientas que ejecuta.
Cómo aprenderlos en DataPath
El camino más directo es empezar con LangChain para entender los bloques base y luego pasar a LangGraph cuando vayas a construir agentes más complejos. En DataPath tienes el curso de Creación de Agentes con LangChain y el de Creación de Agentes con LangGraph (más el Taller intensivo de LangGraph si quieres ir rápido), que siguen exactamente esa progresión. Si tu objetivo es trabajar como AI Agentic Engineer, la ruta AI Agentic Engineer cubre LangGraph junto a CrewAI, sistemas multi-agente y despliegue en producción — el perfil más demandado en el mercado de datos en 2026.
Si quieres ver código antes de comprometerte con un curso, en la Comunidad AI Builders hacemos talleres prácticos semanales de agentes — incluyendo sesiones de LangGraph con proyectos reales. Es el espacio donde la teoría toca el código. El catálogo completo de cursos está en datapath.ai/cursos.
