Orquestar agentes con LangChain, LangGraph y DeepAgents: cuándo usar cada uno
Orquestación de agentesLangChainLangGraphDeepAgentsQuales AuraIA empresarial
Quales Group·
La mayoría de las empresas ya hizo su primera demo con un agente. Lo difícil empieza después: el momento en que un agente tiene que leer documentos internos, llamar a tres herramientas seguidas, esperar la aprobación de un gerente y seguir funcionando mañana cuando alguien reabra el hilo. En ese punto, la elección de la capa de orquestación deja de ser una preferencia del desarrollador y pasa a ser una decisión de arquitectura.
El ecosistema de LangChain ofrece hoy tres capas que suelen confundirse: LangChain, LangGraph y DeepAgents. No son competidoras. Cada una responde a una pregunta distinta, y elegir la equivocada suele significar una reescritura seis meses después. Este artículo explica qué hace cada capa, cuándo usar cuál, los problemas que aparecen en producción y cómo los aborda Quales.
LangChain es la caja de herramientas. Te da una interfaz uniforme hacia modelos de chat de distintos proveedores, una forma estándar de declarar herramientas, salida estructurada, plantillas de prompts, cargadores de documentos, recuperadores y las primitivas de composición (cadenas) que unen todo eso.
Desde LangChain 1.x también incluye un punto de entrada create_agent: un bucle de llamada a herramientas listo para usar, con un sistema de middleware que podés extender. Eso alcanza para una proporción sorprendentemente grande de casos de uso: un asistente de soporte que llama a dos API, un clasificador con salida estructurada, un paso de recuperación en un pipeline.
Lo que LangChain no intenta abarcar es el flujo de control complejo. Si tu agente necesita ramificaciones, bucles con condiciones, ramas en paralelo, estado persistente a lo largo de días o una persona que intervenga a mitad de camino, te falta una capa.
LangGraph modela un agente como un grafo con estado. Los nodos son unidades de trabajo (una llamada al modelo, una herramienta, un fragmento de código común), las aristas definen qué se ejecuta después, y un objeto de estado tipado recorre el grafo.
Las funcionalidades que importan en una empresa son las operativas:
Checkpointing. Cada paso puede persistirse (Postgres, SQLite, en memoria). Un hilo puede reanudarse después de una caída, de un despliegue o de una semana de silencio.
Humano en el bucle. Un nodo puede llamar a interrupt(), el grafo se pausa, una persona aprueba o edita, y la ejecución se reanuda exactamente desde ese punto.
Ejecución durable. Las tareas largas sobreviven a los reinicios; podés reproducir o bifurcar desde cualquier checkpoint ("viaje en el tiempo") para depurar una mala decisión.
Streaming. Los tokens, las llamadas a herramientas y las actualizaciones de estado se transmiten al cliente a medida que ocurren.
Subgrafos. Un nodo puede ser a su vez un grafo, que es como se construyen los sistemas multiagente sin terminar en un plato de espaguetis.
LangGraph es deliberadamente de bajo nivel. Obtenés control y durabilidad; también te toca diseñar el grafo.
DeepAgents es una biblioteca construida sobre LangGraph y el middleware de agentes de LangChain que empaqueta los patrones que hacen que los agentes sean buenos en trabajos de largo aliento. De fábrica le da a un agente:
una herramienta de planificación (una lista de tareas que el modelo mantiene actualizada),
una herramienta task para lanzar subagentes con sus propios prompts, herramientas y ventanas de contexto,
un sistema de archivos virtual que el agente lee y escribe a través de backends conectables,
skills (carpetas de instrucciones que el agente carga a demanda),
gestión de contexto, como la sumarización y la reparación de llamadas a herramientas que quedaron colgadas.
El resultado es un agente que puede tomar un encargo vago ("compará estos cuarenta contratos de proveedores y producí un informe"), dividirlo en pasos, delegar la investigación en subagentes, tomar notas en archivos y terminar horas después. Es la misma forma que impulsa a los agentes de código modernos, generalizada a cualquier dominio.
Harness de agente profundo prearmado sobre LangGraph
Duración típica de la tarea
Un turno o unas pocas llamadas a herramientas
Cualquiera, incluso de varios días
Largo aliento, varios pasos, varios documentos
Estado y persistencia
Mínimos, en proceso
Checkpointers de primera clase
Heredados de LangGraph
Humano en el bucle
Básico
Interrupciones y reanudación nativas
Heredado, más aprobaciones a nivel de herramienta
Multiagente
Manual
Subgrafos
Herramienta task y especificaciones de subagentes
Planificación y trabajo con archivos
Ninguno
Lo construís vos
Lista de tareas, sistema de archivos, skills
Curva de aprendizaje
Baja
Media a alta
Baja para empezar, media para personalizar
Ideal para
Asistentes, pipelines, pasos de RAG
Flujos con control, aprobaciones, durabilidad
Investigación, producción de documentos, trabajo de conocimiento agéntico
Algunas reglas prácticas que aplicamos con clientes:
Empezá con LangChain si la tarea cabe en una sola petición. Un paso de recuperación, un clasificador, un asistente con herramientas que responde de una vez. No pagues por un grafo que no necesitás.
Pasá a LangGraph cuando aparezcan el flujo de control, la durabilidad o las aprobaciones. Todo lo que tenga que pausarse, reintentar un paso concreto, correr en paralelo o reanudarse más tarde pertenece a un grafo con un checkpointer de verdad.
Usá DeepAgents cuando la tarea sea abierta. Si no podés dibujar el grafo de antemano porque el agente tiene que decidir el plan, el patrón de agente profundo (planificar, delegar, escribir, revisar) es el punto de partida correcto. Seguís teniendo LangGraph por debajo.
Componé, no reemplaces. En la práctica, un sistema maduro usa las tres: componentes de LangChain dentro de subagentes de DeepAgents, corriendo sobre un runtime de LangGraph con checkpoints en Postgres.
Elegir la capa es la decisión fácil. Estos son los problemas que consumen tiempo de ingeniería una vez que llegan los usuarios reales y los datos reales.
Estado y memoria. Un hilo que vive durante semanas acumula salidas de herramientas que ya no entran en la ventana de contexto. Necesitás una sumarización que no pierda decisiones, una forma de desalojar resultados viejos de herramientas sin perder la capacidad de recuperarlos, y una separación clara entre el estado de la conversación, la memoria del usuario y la memoria del equipo.
Fiabilidad de las herramientas. Los modelos escriben mal los nombres de las herramientas, envían argumentos malformados y, de vez en cuando, repiten la misma llamada fallida veinte veces. Los harnesses de producción necesitan reparación de llamadas a herramientas, detección de bucles y límites duros de llamadas por turno y por hilo.
Evaluación. "Respondió bien en la demo" no es una prueba. Los agentes de varios pasos necesitan evaluación a nivel de trayectoria: ¿llamó a las herramientas correctas, en un orden razonable, con el alcance correcto, y el artefacto final cumplió con el encargo?
Costo y latencia. Un agente profundo que planifica, delega en tres subagentes y revisa su salida puede hacer decenas de llamadas al modelo por cada mensaje del usuario. Sin caché de prompts, enrutamiento de modelos (modelos baratos para subtareas rutinarias) y presupuestos por workspace, la factura y el tiempo de espera sorprenden a todos.
Observabilidad. Cuando un agente produce un informe equivocado necesitás ver cada llamada al modelo, cada llamada a herramienta, cada subagente, con conteo de tokens, en una sola traza. Los logs no alcanzan; necesitás spans.
Permisos y acceso a datos. El agente debe ver solo lo que el usuario tiene permitido ver. Eso significa alcance del conocimiento por agente, reglas de permisos por herramienta, aprobaciones para acciones sensibles (enviar un correo, modificar un registro) y una capa de identidad que las herramientas respeten, no solo la interfaz.
Deriva de prompts y versiones. Los prompts de sistema, las skills, las descripciones de herramientas y las versiones de los modelos cambian de forma independiente. Sin versionado y una suite de regresión, una pequeña edición de un prompt cambia silenciosamente el comportamiento en todos los workspaces.
Ejecutar código de forma segura. Los agentes que generan planillas, convierten documentos o corren análisis necesitan ejecutar código. Ese código tiene que correr en un sandbox aislado, sin acceso a credenciales, redes internas ni endpoints de metadatos de la nube.
Ninguno de estos problemas se resuelve eligiendo una biblioteca. Se resuelven con el harness que la rodea.
Quales Group construye y opera este stack para empresas, y nuestros propios productos son la implementación de referencia.
Quales Aura está construido sobre LangGraph y DeepAgents. El backend depende de langgraph, langchain, deepagents y langgraph-checkpoint-postgres. En lugar de usar el constructor de agente profundo de una sola llamada, Aura compone los bloques de DeepAgents (especificaciones de subagentes, el middleware de subagentes, el middleware de skills, el protocolo de backend del sistema de archivos, la sumarización) dentro del create_agent de LangChain con su propio stack de middleware. En la práctica eso significa:
Un agente principal que enruta y subagentes especializados que trabajan. El agente principal delega mediante la herramienta task en subagentes de recuperación de conocimiento, entregables (DOCX, PDF, PPTX, XLSX, imágenes, pódcasts, presentaciones en video), memoria, descubrimiento de servidores MCP, conectores de archivos (Google Drive, OneDrive, Dropbox) e investigación web. Cada subagente se compila contra el mismo checkpointer de Postgres, así que sus ejecuciones son reanudables por sí mismas.
Alcance del conocimiento por agente. Cada asistente personalizado puede fijarse a documentos y carpetas específicos; un middleware renderiza ese árbol acotado en el contexto del modelo en cada turno, y la recuperación es híbrida (vectorial más palabras clave con fusión de rango recíproco y reranking) sobre pgvector.
Un stack de middleware de producción para los problemas listados arriba: límites de llamadas al modelo y a herramientas, reparación de llamadas a herramientas, detección de bucles fatales, edición de contexto que vuelca a almacenamiento la salida de herramientas desalojada en lugar de descartarla, compactación, reintento y fallback, caché de prompts, evaluación de permisos con interrupciones de humano en el bucle, y registro de acciones.
Herramientas mediante MCP y conectores. Aura habla con servidores MCP alojados usando el SDK oficial de MCP, e incluye conectores para Slack, Notion, Jira, Confluence, Linear, ClickUp, Airtable, Gmail, Google Calendar, SharePoint y más.
Ejecución en sandbox. La generación de código y de documentos corre en sandboxes aislados (OpenSandbox autoalojado, Daytona o pods de Kubernetes), nunca en el host de la aplicación.
Identidad y acceso a través de Quales AuthOne. Los roles, permisos, workspaces y SSO (OIDC, Google, Microsoft Entra ID) los aplica el servicio de identidad de la suite, y el modo enforce falla cerrado.
Observabilidad y control de costos. Trazas con OpenTelemetry, integración con Langfuse, enrutamiento multimodelo a través de LiteLLM con fallbacks, y presupuestos por workspace con topes de gasto.
Quales Code cubre el lado de los agentes de código. Cuando los agentes que necesitás escriben software en lugar de informes, Quales Code provee un harness declarativo sobre Claude Code, Codex, Cursor y tus propios agentes, con sesiones, worktrees, políticas y agentes revisores. Lo cubrimos en detalle en Qué es un agent harness.
Servicios de Quales Group. Para las empresas que quieren construir sus propios agentes sobre este stack, ayudamos con las decisiones de este artículo: elegir la capa, diseñar el grafo y la división en subagentes, definir alcances de conocimiento y reglas de permisos, montar la evaluación y la observabilidad, y desplegar en tu propia nube o en tus instalaciones para que los datos nunca salgan de tu perímetro.
Si estás decidiendo entre LangChain, LangGraph y DeepAgents para una carga de trabajo real, la respuesta honesta suele ser "los tres, con un harness alrededor". Ese harness es donde dedicamos nuestro tiempo, para que vos puedas dedicar el tuyo al caso de uso.
Quales Group·