LangChain es el framework open source más usado para construir aplicaciones con modelos de lenguaje. Supera los 100 millones de descargas al mes y proporciona abstracciones probadas para conectar modelos de IA con datos, herramientas externas y memoria persistente de forma estructurada. Cinco de las diez mayores empresas del Fortune 10 usan su plataforma de observabilidad.
Qué es exactamente
Es una caja de piezas para no montar cada aplicación de IA desde cero. En lugar de escribir tu propio código de llamadas al modelo, gestión de contexto y conexión a bases de datos, usas componentes ya resueltos y los encadenas. El proyecto tiene tres capas: LangChain (el framework de arranque rápido con plantillas), LangGraph (control de bajo nivel para agentes en producción) y LangSmith (la plataforma de observabilidad y evaluación).
Componentes principales
Chains: secuencias de llamadas al modelo donde la salida de una alimenta la entrada de la siguiente (extraer datos de un PDF, clasificarlos y generar un informe en tres pasos encadenados). Agents: modelos que deciden qué herramientas usar y en qué orden según la tarea (buscar en una base de datos, llamar a una API, calcular un resultado). RAG (Retrieval Augmented Generation): conexión del modelo con bases de datos vectoriales (Pinecone, Weaviate, pgvector) para responder con información propia en lugar de conocimiento general. Memory: persistencia de contexto entre conversaciones con buffers, resúmenes o ventanas deslizantes.
LangGraph: agentes con estado
La pieza para producción es LangGraph, que construye agentes como grafos de estado y da control determinista donde lo necesitas. Permite flujos con bifurcaciones (si el usuario pide X, ejecutar la rama A; si pide Y, la rama B), loops (reintentar hasta que el resultado pase validación) y puntos de control humano (pausar y pedir aprobación antes de enviar un email). Los agentes ejecutan varios pasos, retroceden si algo falla y guardan su estado para retomar más tarde.
LangSmith: observabilidad
La plataforma complementaria para monitorizar, depurar y evaluar aplicaciones de IA en producción. Traza cada llamada con entradas, salidas y latencia, con SDKs para Python, TypeScript, Go y Java. Mide costes por usuario y por feature. Permite crear datasets de evaluación con casos reales y comparar la calidad entre versiones de tu prompt o entre modelos distintos (medir, por ejemplo, si Claude Sonnet rinde igual que otro modelo para tu caso). Su componente Engine agrupa los fallos de producción en incidencias priorizadas. Más de 6.000 clientes activos lo usan.
Precio
LangChain y LangGraph son open source y gratuitos (licencia MIT). LangSmith tiene plan gratuito con trazas limitadas al mes; los planes de pago escalan por volumen de trazas y evaluaciones, con opción Enterprise (SSO, soporte dedicado, despliegue on-premise). El coste de los modelos que uses por debajo va aparte y lo pagas al proveedor.
Caso práctico
Una consultora construyó un asistente interno que busca en 10.000 documentos de proyectos anteriores (PDFs, presentaciones, hojas de cálculo). Los consultores preguntan "que metodología usamos en el proyecto X para el cliente Y" y obtienen respuestas con citas a los documentos originales y enlaces directos al archivo. Montado con LangChain y Pinecone por un equipo pequeño en pocas semanas.
Casos de uso donde brilla
- Chatbots con RAG que responden preguntas sobre tus documentos internos, con citas a la fuente.
- Agentes autónomos que ejecutan tareas usando herramientas externas (bases de datos, APIs, cálculo).
- Cadenas complejas que orquestan varios pasos de modelo con memoria y contexto que persiste entre turnos.
- Pipelines de extracción: leer un documento, clasificarlo y generar un informe en pasos encadenados.
Cuándo encaja y cuándo no
Encaja cuando construyes algo más allá de una llamada suelta al modelo: varios pasos, conexión a datos propios, herramientas y memoria. Las abstracciones te ahorran escribir ese pegamento y LangSmith te da la visibilidad para depurar en producción, que es donde estas aplicaciones se rompen de verdad. No encaja tanto si tu caso es una sola llamada simple al modelo: ahí el framework añade capas que no necesitas y es más directo llamar a la API del proveedor. Alternativas: LlamaIndex (más centrado en RAG), Haystack y CrewAI.
Relacionado
