LangChain
Marco de desarrollo para construir aplicaciones con modelos de lenguaje, encadenando llamadas, herramientas, memoria y fuentes de datos. Facilita crear sistemas RAG y agentes.
LangChain ayuda a convertir una llamada aislada a un modelo de lenguaje en un flujo de trabajo compuesto por piezas reutilizables. Una aplicación puede organizar el prompt, conservar el contexto, consultar una fuente de datos o utilizar una herramienta autorizada y entregar el resultado al siguiente paso.
Esto no significa que el modelo ejecute código por sí solo ni que una herramienta sea segura automáticamente. La aplicación debe validar las entradas, los permisos y los resultados antes de continuar.
Actualizado: 15 de septiembre de 2026.
Qué resuelve
LangChain estandariza patrones repetitivos: gestionar prompts, encadenar pasos, orquestar herramientas y mantener el contexto entre llamadas. Esa estructura puede servir para conectar un modelo con bases de datos vectoriales, herramientas externas y memoria, y para construir aplicaciones de RAG o agentes.
En el ecosistema
Conviene distinguir varias piezas y también otros frameworks. create_agent es un arnés minimalista para construir un agente y está construido sobre LangGraph. LangGraph se utiliza para la orquestación de flujos y permite pensar el trabajo como pasos coordinados. Deep Agents es una pieza distinta dentro del mapa de agentes, no un sinónimo de LangGraph. LangSmith se orienta a trazar, depurar y evaluar aplicaciones y agentes. En términos simples: create_agent ayuda a ensamblar un agente, LangGraph organiza el flujo, Deep Agents es otra opción para escenarios de agentes y LangSmith aporta observabilidad. LlamaIndex aparece como otro framework, no como sinónimo de LangChain.
De un prompt a RAG o a un agente
Imagina una aplicación que debe responder una pregunta sobre un manual interno. Un prompt fija el objetivo y los límites. El sistema recupera los fragmentos relevantes de los documentos; una herramienta puede consultar una base de datos o realizar una acción permitida; la memoria conserva el contexto necesario entre pasos.
Un prompt conceptual podría decir:
“Responde usando solo los documentos recuperados. Si falta evidencia, indícalo; decide si necesitas consultar la herramienta permitida y verifica el resultado antes de responder”.
Si el flujo solo recupera información y la añade al contexto del modelo antes de generar la respuesta, es un caso de RAG. Si el sistema además decide qué paso ejecutar, actúa con herramientas, comprueba el resultado y continúa, se acerca al patrón de agente. LangChain puede ayudar a encadenar esas piezas; los permisos, la evaluación y la supervisión siguen dependiendo de la aplicación.
Antes de elegir una herramienta, separa tres preguntas: ¿necesitas recuperar conocimiento externo o reciente?, ¿el sistema debe decidir y ejecutar pasos?, ¿cómo vas a observar y evaluar el flujo? Responderlas ayuda a elegir el nivel de orquestación y los controles adecuados. LangChain organiza ese trabajo, pero no sustituye los permisos ni la evaluación.