LangChain es el framework más conocido para construir aplicaciones con modelos de lenguaje (LLMs). Apareció como prototipo en 2022, se convirtió en el estándar de facto para tutoriales y pruebas de concepto, sufrió críticas duras por la complejidad, evolucionó hacia el ecosistema actual con LangGraph, LangSmith y LangServe, y hoy es una elección viable para empresas que saben lo que hacen, pero también es un camino que hunde a quien entra sin criterio.
Esta guía muestra qué es LangChain de verdad hoy, cuándo usarlo, cuándo evitarlo, cuál es el papel de LangGraph para flujos con estado, y cómo evitar los errores que cuestan meses de retrabajo.
El ecosistema LangChain hoy
El nombre "LangChain" se volvió un paraguas para cuatro cosas distintas. LangChain (core): biblioteca de abstracciones para prompts, chains, retrievers, parsers y memory. LangGraph: framework para construir aplicaciones con estado, control de flujo explícito (nodos, aristas, ciclos) y soporte para múltiples agentes coordinados. LangSmith: plataforma SaaS de observabilidad, debugging, datasets y evals para cualquier aplicación con LLM (no solo LangChain). LangServe: utilitario para exponer chains como APIs REST.
En 2026, el punto de gravedad de la comunidad migró claramente hacia LangGraph. Las aplicaciones nuevas con complejidad real se construyen encima de él, mientras que LangChain core se usa más como una caja de herramientas de utilidades.
Puntos fuertes de LangChain
1. Un ecosistema inmenso: integraciones con prácticamente cualquier LLM, vector DB, document loader, search tool. Resuelve en horas lo que llevaría semanas integrar desde cero. 2. Patrones comunes listos: RAG, agents, summarization, structured output, function calling, multimodal. 3. Una comunidad activa: cursos, libros, repositorios, ejemplos que cubren casi cualquier caso de uso. 4. Observabilidad integrada vía LangSmith: trace de ejecución, debug visual, datasets para eval continua. 5. LangGraph: para flujos con estado, ciclos, intervención humana y múltiples agentes, ofrece un modelo mental sólido.
Críticas y dolores reales
LangChain colecciona críticas justas. Abstracciones excesivas que cambian con frecuencia, generando código frágil y dependiente de la versión. "Magia" implícita en chains que dificultan el debug. Rendimiento y costo no siempre transparentes (chains anidadas que disparan más llamadas de las que parecen). Una curva de aprendizaje para quien solo quería hacer "una llamada con retrieval" y termina en siete capas de clases.
Estos problemas fueron parcialmente abordados en las últimas versiones y en la migración hacia LangGraph, pero siguen siendo reales. La lección: trata a LangChain como una herramienta, no como una religión.
Cuándo usar LangChain (o LangGraph)
Vale la pena usarlo cuando: (a) necesitas entregar valor rápido con pocos ingenieros y el problema es estándar (RAG, clasificación, resumen, un agente simple); (b) el equipo va a consumir bastante el ecosistema de integraciones; (c) necesitas LangSmith para observabilidad desde el día uno; (d) tu aplicación tiene flujos complejos con estado (LangGraph brilla aquí); (e) quieres evitar reinventar abstracciones comunes como retriever, parser, prompt template.
Cuándo NO usar LangChain
Evítalo cuando: (a) tu caso de uso es simple y cabe en 200 líneas de TypeScript o Python puro con el SDK directo del proveedor; (b) el rendimiento y el costo necesitan ser absolutamente previsibles (con LangChain agregas capas que dificultan el profiling); (c) el equipo tiene aversión a los frameworks pesados; (d) necesitas un control muy fino sobre el ciclo del agente (un harness propio puede ser más simple).
Alternativas que crecieron en 2025-2026
El escenario se volvió plural. Vercel AI SDK: excelente para apps web y edge, integración natural con Next.js, streaming bien hecho. Mastra: nació en TypeScript con foco en agentes, workflows y observabilidad nativa. Claude Agent SDK: para quien usa Claude y quiere un ciclo de agente estandarizado por Anthropic. LlamaIndex: fuerte en RAG y data ingestion, especialmente sobre documentos. SDK directo + harness propio: para equipos que quieren control total y están dispuestos a invertir.
Buenas prácticas en proyectos LangChain reales
Cinco reglas que ahorran meses. 1. Versión fijada: trata una actualización como una migración, no como una rutina. La ruptura de API pasa. 2. LangSmith desde el día uno: sin trace, el debug se vuelve adivinanza. 3. No escondas las llamadas caras: cada chain debe tener logging de tokens y costo agregado. 4. Prueba tu retriever de forma aislada: el 80% de los problemas de calidad en RAG vienen del retriever, no del LLM. 5. LangGraph para flujos con estado: no simules estado encima de chains, usa la herramienta correcta.
LangChain y la era post-MCP
Con el ascenso del MCP (Model Context Protocol), parte de lo que LangChain ofrecía como integración custom se volvió un estándar abierto. La dirección sensata en 2026 es usar LangGraph (o similar) para orquestación y estado, MCP para conectar tools y datos, y el SDK directo del proveedor para las llamadas críticas donde la latencia y el costo importan. Esta combinación separa responsabilidades y evita el vendor lock-in de framework.
Conclusión práctica
LangChain no es ni un milagro ni una maldición. Es una herramienta con alcance amplio, comunidad gigante, debilidades conocidas y evolución constante. Quien lo usa con criterio, entendiendo lo que hay bajo el capó y cuándo cambiar de herramienta, entrega rápido y se mantiene sano. Quien entra sin criterio paga en mantenimiento y refactor. En Steply, usamos LangChain y LangGraph en casos específicos, al lado de Mastra, Claude Agent SDK y un harness propio, eligiendo según el problema. El framework es un medio, no un fin.