Comparación de agentes gestionados: Anthropic, LangGraph y Google ADK
¿Quién gestiona el entorno de pruebas, las credenciales y los registros? Una comparación de Anthropic Managed Agents, LangGraph y Google ADK con precios, modos de fallo y una guía rápida para tomar decisiones.
Fuentes: Anthropic Managed Agents vs LangGraph vs Google ADK: Pick One
Imagen de la 3 a.m. Un error llega a Sentry. Un bot lee el fallo, lo relaciona con una condición de carrera en el código de pagos, escribe la solución y abre una solicitud de integración. Cuando el ingeniero de turno abre Slack a las 7, ya hay una solicitud esperando revisión. Nadie escribió la diferencia entre versiones ni presentó el ticket.
Ese bot es un agente gestionado. Antes, crear uno requería a seis ingenieros y un cuarto del tiempo de trabajo: un entorno de pruebas personalizado, un almacén de estado, lógica de intentos repetidos, un cofre fuerte para credenciales y una tubería de registro. Sentry desarrolló el suyo con un equipo en seis semanas, y la diferencia no radica en un modelo más inteligente. Ahora otra persona se encarga de los detalles técnicos. El agente toma el análisis de la causa raíz realizado por Seer, la IA de diagnóstico de Sentry, y lo convierte en una solicitud de solución. Anthropic lo nombró cliente inaugural el 10 de abril de 2026.
Tres proveedores venden este servicio a escala industrial actualmente: Anthropic, LangChain y Google. Sus enfoques difieren respecto a cómo se divide el trabajo operativo entre ustedes y ellos. A continuación se explica qué ha cambiado, qué ofrece cada uno, dónde suelen fallar y cómo elegir. La verdadera pregunta no es cuál framework es el mejor, sino qué superficie operativa desea manejar su equipo.
Qué significa “agente gestionado”
Comencemos con la palabra “agente”. Se trata de un software que recibe una tarea, elige acciones, llama a herramientas, verifica cómo avanza y vuelve a intentarlo. Un chatbot no es eso.
"Gestionado" significa que el proveedor se encarga de la infraestructura: el contenedor seguro, el estado de las sesiones, las credenciales y los intentos de reintentar tras una interrupción en la red. Usted proporciona las tareas y las definiciones de las herramientas. Los agentes gestionados se relacionan con el código de los agentes desarrollados manualmente, al igual que las bases de datos gestionadas se relacionan con Postgres autohospedado. Usted mantiene el esquema y las consultas, mientras que el proveedor se ocupa del hardware, las copias de seguridad, la conmutación por fallas y el monitoreo.
Así es como funciona. Usted envía una tarea, por ejemplo “resuma estos tres artículos en un informe de una página”. El proveedor inicia un contenedor Linux seguro y el agente comienza a trabajar dentro de él, utilizando herramientas y creando archivos mientras los resultados se envían de vuelta a usted. Incluso si cierra su portátil, el proceso continúa; aunque se pierda la conexión a la red, sigue funcionando. Al reconectarse una hora después, puede retomar donde lo dejó. Cada acción se registra en un registro de sesión duradero, similar a un historial de commits o a un libro mayor contable, y ese registro es la fuente de verdad.
Ese es el cambio fundamental. El agente ya no opera dentro de su proceso; se trata de un trabajador del lado del servidor que resiste interrupciones, reinicios y portátiles apagados. No es necesario escribir código para lograr este comportamiento; de momento no hay código involucrado. Usted solo especifica el trabajo, el proveedor gestiona al trabajador y los resultados perduran más allá de su conexión.
Por qué es importante ahora
La mayoría de los agentes empresariales fracasan en la fase de demostración. El cuaderno de notas funciona, el video se ve genial, y luego el entorno de producción solicita funcionalidades que nadie quiere desarrollar. Se necesita un entorno aislado para que el agente no pueda afectar al servidor host, un sistema seguro para evitar fugas de tokens, capacidad de persistencia para que una nueva implementación no interrumpa una ejecución en curso, intentos de reintentar llamadas a herramientas que han expirado, capacidad de observabilidad para que la persona de guardia pueda saber qué sucedió a las 2 a.m., y alertas presupuestarias para evitar que un bucle atascado gaste 500 dólares antes de que alguien se dé cuenta.
Nada de eso corresponde al trabajo con modelos. Todo es trabajo relacionado con la plataforma, y la mayoría de los equipos de IA no cuentan con ingenieros de plataforma disponibles.
La propuesta de Anthropic apunta a esa brecha. Sus materiales de lanzamiento para abril de 2026 prometen “10 veces más rápido hacia la producción”. Se trata de una afirmación de marketing, no de una medida concreta, pero señala el problema adecuado. Informes de prensa (de VentureBeat, por lo que no es una cifra revelada por Anthropic) indican que los ingresos anuales recurrentes de la empresa superan los 30 mil millones de dólares, siendo el sector empresarial responsable de aproximadamente el 80%. El producto Managed Agents soluciona el problema por el cual esos ingresos se estancaban.
Cuatro clientes iniciales ya lo están utilizando. Notion integra agentes especializados en ingeniería y trabajo basado en conocimientos en su espacio de trabajo. Rakuten distribuye agentes entre los departamentos de productos, ventas, marketing y finanzas. Sentry envía el bot para relaciones públicas. Asana lo utilizó para acelerar el trabajo en AI Teammates.
Un resumen de las tres plataformas
Diferen en cuánto gestiona el proveedor y cuánto lo hace usted. El de Anthropic es el más reciente, por lo que se trata con mayor detalle a continuación. LangGraph y Google ADK ya existen desde hace tiempo.
Agentes gestionados por Anthropic
Lanzado el 10 de abril de 2026, es el primer producto de agente completamente gestionado por un proveedor de modelos. Anthropic se encarga del contenedor de ejecución, del almacenamiento del historial de sesiones, del cofre fuerte con credenciales, de la lógica de reintentos para las llamadas a herramientas fallidas y del seguimiento. Usted solo debe escribir dos cosas: la descripción de la tarea y la lista de herramientas.
Un único proceso se lleva a cabo de la siguiente manera: envías una solicitud POST que dice “iniciar un agente con estas herramientas en esta tarea”. Anthropic crea un contenedor Linux nuevo y efímero, es decir, se genera al inicio y se destruye al final, por lo que las sesiones nunca comparten un sistema de archivos. Claude ejecuta el bucle interno: lee la tarea, elige un paso, llama a una herramienta, lee el resultado y vuelve a decidir. Cada evento se escribe en un registro de sesión que Anthropic mantiene por ti, un libro mayor de solo escritura. Los eventos te son enviados vía HTTP, y si tu conexión se interrumpe, el agente continúa trabajando.
La tarificación es inusual para la infraestructura. Paga las tarifas normales de tokens de Claude más ocho centavos fijos por hora de sesión activa. Un bot que funciona las 24 horas cuesta aproximadamente 58 dólares al mes en tiempo de ejecución, sin contar los tokens, mientras que una ejecución de tres minutos para atender un ticket de soporte cuesta menos de un centavo. Se le cobra según el tiempo de la sesión, no según el tiempo de CPU.
El costo de esta comodidad es la dependencia. El tiempo de ejecución está diseñado para Claude, por lo que no puede integrarse un modelo diferente sin reescribir la capa de razonamiento. La solución es el SDK de Claude Agent de código abierto, que es un bucle de agente similar a una biblioteca que se hospeda uno mismo. A cambio, se obtiene un tiempo de ejecución que cuatro empresas pusieron en producción dentro de seis semanas de su lanzamiento. LangChain y Google han lanzado plataformas de agentes desde hace unos dieciocho meses, por lo que lo novedoso aquí es un tiempo de ejecución completamente gestionado por un proveedor de modelos.
LangGraph con LangSmith
Este par corresponde al plano de control, una herramienta que se sitúa sobre su infraestructura y coordina el funcionamiento del agente. Usted crea el grafo, un diagrama de flujo que muestra los pasos que sigue el agente. LangChain proporciona alojamiento, seguimiento (un registro de cada paso) y un almacén de trazas, la base de datos donde se guardan esos registros y que pueden ser buscados. La biblioteca de grafos está licenciada bajo MIT, por lo que puede copiarla, modificarla o alojarla en sus propios servidores libremente, lo que brinda una verdadera portabilidad. El factor de dependencia radica en el almacén de trazas, ya que los registros solo pueden buscarse completamente dentro de LangSmith.
Google ADK con Vertex AI Agent Engine
Este enfoque supone que ya trabajas con Google Cloud. Escribes agentes en Python (Java y TypeScript llegarán en 2026) y los despliegas en Agent Engine, el entorno de ejecución gestionado por Google en Cloud Run o Kubernetes. El agente hereda tu configuración de seguridad en la nube: reglas del perímetro de red, política de claves de cifrado y configuración IAM. Cuando tu documentación de cumplimiento ya está basada en Google Cloud, ADK es el camino más rápido para pasar de un prototipo a algo que apruebe tu equipo de seguridad.
Qué incluye Anthropic Managed Agents
Tú describes la tarea y Anthropic la ejecuta. El código demuestra cuán poco tienes que escribir:
import os
import httpx
from anthropic import Anthropic, APIStatusError
# API surface is beta (managed-agents-2026-04-01); confirm against
# platform.claude.com/docs before shipping.
client = Anthropic(
api_key=os.environ["ANTHROPIC_API_KEY"],
default_headers={"anthropic-beta": "managed-agents-2026-04-01"},
)
# The Managed Agents surface uses two REST endpoints against the beta:
# POST /v1/managed-agents/sessions -> create a session
# POST /v1/managed-agents/sessions/{id}/runs -> start a run on that session
# Use httpx directly until the typed namespace stabilizes in the SDK.
BASE = "https://api.anthropic.com/v1/managed-agents"
session = client.post(
f"{BASE}/sessions",
json={
"model": "claude-opus-4-7",
"tools": ["bash", "code_execution", "web_fetch", "memory"],
"sandbox": {"network": "egress_allowlist", "timeout_hours": 24},
"system": (
"You are a research summarizer. Fetch the top three papers "
"on retrieval-augmented generation from arXiv this week, "
"run eval code, and write a one-page brief."
),
},
).json()
run = client.post(
f"{BASE}/sessions/{session['id']}/runs",
json={"input": "Start the weekly research brief."},
).json()
# Stream run events; wrap to survive transient disconnects.
try:
with client.stream("GET", f"{BASE}/runs/{run['id']}/events") as events:
for event in events.iter_lines():
print(event)
except (httpx.RemoteProtocolError, APIStatusError) as e:
# Persist run['id'] and reattach with GET /runs/{id}/events; the
# session log survives disconnects so the agent is not lost.
raise
Eso es un agente de producción en unas pocas docenas de líneas. No hay manifiesto de Kubernetes, ninguna imagen de entorno aislado que mantener, ni configuración de checkpointer. El encabezado beta managed-agents-2026-04-01 te inscribe en lo que los ingenieros de Anthropic describen como un meta-harness, compuesto por tres partes separadas.
La sesión es un registro de solo escritura. Las llamadas a herramientas, los mensajes del agente y las observaciones se escriben allí, formando un registro duradero que puedes reproducir de principio a fin. El meta-harness está formado por Claude junto con las interfaces de las herramientas, el bucle que lee desde la sesión, elige la siguiente acción, llama a la herramienta y escribe el resultado de vuelta. El entorno aislado es un contenedor Linux efímero, creado para cada tarea y descartado al final. Las credenciales de Git y los tokens MCP OAuth se guardan en bóvedas que se encuentran fuera del entorno aislado, de modo que el agente puede acceder a ellos sin tenerlos almacenados nunca.
La persistencia de la sesión es una característica que se subestima. Una tarea de investigación que dura varias horas no se reinicia cuando el cliente se desconecta. La sesión permanece activa, el agente vuelve a conectarse y continúa su trabajo. Cualquiera que haya supervisado un proyecto largo con un agente a través de una conexión Wi-Fi inestable apreciará eso.
En cuanto al costo, la cifra mensual de 58 dólares por un agente disponible las 24 horas del día, los 7 días de la semana resulta menos onerosa si se compara con seis semanas de trabajo en un entorno aislado personalizado. En cuanto a las pruebas, Notion integra agentes de ingeniería junto con agentes para trabajadores del conocimiento, Rakuten conectó agentes a Slack y Teams en varios departamentos y obtuvo hojas de cálculo, diapositivas y aplicaciones como resultado, el agente de Sentry escribe la solución y abre una solicitud de integración, y Asana atribuye a la plataforma el haber liberado al equipo para que se enfoque en la experiencia de usuario multijugador en lugar de en tareas técnicas durante el funcionamiento del sistema.
El vínculo es real: no puedes cambiar de Gemini a GPT en un solo paso sin salir del sistema. La salida posible es el Claude Agent SDK, y ese SDK puede ejecutarse en AWS Bedrock, Google Vertex AI o Azure AI Foundry. Si tu lógica se desarrolla desde el principio utilizando las interfaces del SDK, abandonar el entorno gestionado implica un cambio de despliegue, no una reescritura completa.
Qué incluye LangGraph
LangGraph te proporciona las piezas y tú las ensamblas.
import os
from langgraph.graph import StateGraph, START, END
from langgraph.checkpoint.postgres import PostgresSaver
from typing import TypedDict
class State(TypedDict):
query: str
sources: list
draft: str
approved: bool
def fetch_sources(state: State) -> State:
# implement with your retrieval and LLM layer
return {"sources": retrieve(state["query"])}
def draft_answer(state: State) -> State:
# implement with your retrieval and LLM layer
return {"draft": synthesize(state["sources"])}
def human_review(state: State) -> State:
# interrupt; resumes when approval is posted
return state
graph = StateGraph(State)
graph.add_node("fetch", fetch_sources)
graph.add_node("draft", draft_answer)
graph.add_node("review", human_review)
graph.add_edge(START, "fetch")
graph.add_edge("fetch", "draft")
graph.add_edge("draft", "review")
graph.add_conditional_edges(
"review",
lambda s: "done" if s["approved"] else "draft",
{"done": END, "draft": "draft"},
)
# Never hardcode DSN - pull from env and configure a connection pool in prod.
DSN = os.environ["POSTGRES_DSN"]
app = graph.compile(checkpointer=PostgresSaver.from_conn_string(DSN))
Considere a LangGraph como un editor de máquinas de estado para el comportamiento de los agentes. El grafo define el siguiente paso y los datos que se transmiten. Cada nodo es una función sencilla, cada arista está declarada y cada ramificación puede ser auditada.
En octubre de 2025, LangChain cambió el nombre de LangGraph Platform a LangSmith Deployment. Actualmente, LangSmith atiende a más de 300 clientes empresariales y ha procesado más de 15 mil millones de trazas y 100 billones de tokens. Ese volumen constituye su ventaja competitiva, ya que el vínculo operativo radica en la capacidad de observabilidad y no en la biblioteca gráfica MIT.
Los clientes exigen mayor control. El asistente de Klarna, desarrollado con LangGraph y LangSmith, atiende a 85 millones de usuarios activos y ha reducido el tiempo de resolución en un 80%. El equipo de la plataforma de desarrolladores de Uber creó Validator para la detección de infracciones y AutoCover para la generación de pruebas, sirviendo a 5,000 ingenieros y, según se informa, ahorrando 21,000 horas de trabajo de desarrolladores. El agente de programación de Replit ejecuta flujos de trabajo multiagente con aprobación humana para la instalación de paquetes y la creación de archivos, mientras que LangChain tuvo que ampliar su capacidad de procesamiento de registros para manejar aquellos con cientos de pasos. LinkedIn (un reclutador basado en IA) y AppFolio (un copiloto para administradores de propiedades, con una precisión en las decisiones supuestamente duplicada) figuran en el índice de estudios de caso de LangChain, pero es necesario consultar la página actual del cliente antes de considerarlos casos resueltos.
Se observa un patrón: una vez que un flujo de trabajo tiene más de tres ramas o una etapa de aprobación humana, los equipos eligen LangGraph, ya que las abstracciones de alto nivel ocultan bucles, ramas, puntos de control y mecanismos de persistencia que necesitan los agentes complejos.
Los costos son diferentes a los de los entornos gestionados. Existe un nivel gratuito para desarrolladores con límites medidos, y los umbrales exactos cambian, por lo que es necesario consultar la página de precios de LangChain. Independientemente de dónde se ejecute (SaaS, híbrido o autohospedado), la factura de infraestructura corre por cuenta del usuario. El manejo de credenciales en el nivel SaaS puede diferir del estándar en entornos autohospedados, así que hay que verificarlo según la documentación empresarial correspondiente. La propia descripción de LangChain es directa: las abstracciones de alto nivel permiten comenzar rápidamente, mientras que la flexibilidad a nivel bajo maneja consultas de producción variadas; la curva de aprendizaje es más pronunciada, pero los equipos no deciden migrarse a otra solución. Replit y Uber son ejemplos de ello.
Qué incluye Google ADK
ADK ofrece primitivas de flujo de trabajo definidas por la plataforma, además de cumplimiento heredado. Escribes agentes en código, los despliegas en Vertex AI Agent Engine y mantienes tu postura de seguridad.
from google.adk.agents import LlmAgent, SequentialAgent, ParallelAgent
from google.adk.tools import built_in_tools, VertexAISearchTool
search_agent = LlmAgent(
name="research",
model="gemini-2.5-pro",
instruction="Retrieve the top 3 papers on RAG from the last 7 days.",
# replace with your Vertex AI Search datastore resource path
tools=[VertexAISearchTool(datastore="projects/.../ragDatastore")],
)
analyze_agent = LlmAgent(
name="analyze",
model="gemini-2.5-pro",
instruction="Summarize findings and extract evaluation methodologies.",
)
# Mandatory: prevent thinking-loop cost bombs before you deploy.
# - In code, cap iterative work by wrapping retry-heavy steps in a
# LoopAgent with a small max_iterations.
# - In Cloud Console: Billing > Budgets & Alerts > set a project-level
# budget alert (e.g., $10/day) with notification channel configured.
pipeline = SequentialAgent(
name="weekly_brief",
sub_agents=[search_agent, analyze_agent],
)
# Deploy to Vertex AI Agent Engine with inherited VPC-SC + CMEK.
# Set billing budget alerts in Cloud Console before deploying to prod.
from vertexai import agent_engines
remote = agent_engines.create(
agent_engine=pipeline,
requirements=["google-adk", "google-cloud-aiplatform"],
display_name="weekly-research-brief",
)
Las primitivas cuentan la historia. SequentialAgent ejecuta los pasos en orden, ParallelAgent los ejecuta de forma concurrente y LoopAgent repite un paso hasta que se cumpla una condición. La primitiva de grafo subyacente permite formas arbitrarias, por lo que hay cuatro arquitecturas disponibles desde el inicio. La versión en Python es 1.0.0 y está lista para producción; la de Java es 0.1.0, mientras que se espera una versión en TypeScript para 2026.
La cuña no es el marco de trabajo. Es lo que Agent Engine proporciona al desplegarlo. Los VPC Service Controls, el perímetro de red de Google, deciden quién puede acceder a qué. Las claves de cifrado gestionadas por el cliente permiten que usted, y no Google, controle la cifración de los datos. La identidad del agente IAM convierte al agente en un sujeto de seguridad con sus propias vinculaciones de políticas. Las trazas de auditoría provienen de Cloud Trace y Cloud Logging. ADK también incluye más de 100 conectores preconstruidos (AlloyDB, BigQuery, NetApp, entre otros) y utiliza el protocolo de agente a agente de Google para garantizar la interoperabilidad.
En estado de inactividad es económico. Agent Engine cobra $0.00994 por vCPU-hora y $0.0105 por GiB-hora; los tokens y las llamadas a herramientas se contabilizan como partidas separadas, además existe un plan gratuito. Un estudio de referencia realizado por terceros encontró que ADK con Gemini inicia su funcionamiento un poco más rápido que LangChain con Gemini. Eso es, como mucho, una señal orientativa, por lo que debe medir su propio volumen de trabajo antes de reproducirlo en una reunión.
Por qué es importante heredar VPC-SC
ADK aún no cuenta con estudios de caso destacados a la escala de Klarna o Uber. Es un competidor más reciente. El programa GEAR de Google, que ofrece 35 créditos mensuales para aprendizaje y un camino hacia la certificación, subvenciona la formación empresarial en ADK, de forma similar a cómo AWS subvencionó Well-Architected hace una década; los estudios de caso siguen en fase de desarrollo.
La ventaja de ADK hoy radica en los límites de cumplimiento. Una empresa regulada que ya cuenta con perimetros VPC-SC, políticas CMEK y principios IAM definidos recibe un agente ADK que hereda todo ello sin necesidad de configuración adicional, lo cual vale más que cualquier característica de otro framework. Estás adquiriendo una opción que se adapta a tu estrategia de seguridad existente. Para los equipos que no tienen requisitos de VPC-SC, el argumento relacionado con la gobernanza pierde fuerza, y LangGraph o los agentes gestionados probablemente acorten aún más el camino.
La matriz de responsabilidades
Con estas tres plataformas presentadas, aquí está la comparación relevante: quién es responsable de cada área operativa en producción. Considéralo como una tabla de turnos de guardia. Dos filas son mucho más importantes que las demás, y muchos equipos empresariales las evalúan incorrectamente durante el proceso de selección.
Aislamiento en entorno de pruebas. Elija LangGraph y el entorno aislado será suyo. Usted crea la imagen del contenedor, configura la salida de red, decide dónde será efímero el sistema de archivos y gestiona la rotación de parches CVE. Anthropic y Google lo ofrecen por defecto. Si su lista de tareas pendientes ya abarca cuatro trimestres, el servicio de aislamiento en entorno de pruebas le permite recuperar un trimestre.
Credenciales. Managed Agents almacena los tokens de Git y los tokens MCP OAuth en bóvedas fuera del entorno aislado. Google ADK utiliza la identidad de agente IAM, por lo que el agente es un principal con sus propias políticas. LangGraph deja la gestión de credenciales en manos de su implementación, aunque la versión SaaS de LangSmith Deployment incluye un manejo gestionado; debe confirmar los detalles en su contrato.
Ese último aspecto representa el alcance sutil de los problemas. Si el agente accede a bases de datos en producción y su patrón de seguridad se basa en un secreto compartido, LangGraph no le brinda ninguna solución que garantice una protección total.
El costo de ejecución es menos importante que cualquiera de las otras dos variables. El costo de observabilidad adquiere gran importancia con el tiempo, ya que es en la factura por seguimiento de LangSmith donde el costo total de LangGraph pasa de ser predecible a sorprendente.
Dónde falla cada una
Cada plataforma tiene su propio modo característico de fallar en producción. Los ejemplos a continuación provienen de la documentación del proveedor o de profesionales que las han utilizado.
Anthropic: compactación. Es cuando el agente elimina parte del historial de la sesión para ajustarse al límite de contexto del modelo. El blog técnico de Anthropic explica claramente que la compactación toma decisiones irreversibles sobre qué información conservar, y señala que es difícil saber qué tokens se necesitarán en turnos futuros. En la práctica, esto puede hacer que se pierda información que el agente necesitará más adelante, lo que provoca el fracaso de la ejecución. La primera prueba en cualquier evaluación es una tarea que requiere información del primer 20% de una sesión, después del 80% restante. Si esta prueba falla sin generar errores visibles, entonces se ha identificado el límite de la plataforma.
Google ADK: el ciclo de pensamiento. Un informe de campo de Composio describe un cargo de 5 dólares por una sesión atascada en la que un agente siguió llamando a una herramienta defectuosa, intentándolo una y otra vez, consumiendo minutos de vCPU mientras los tokens se acumulaban. El informe del ingeniero de Composio indica que las demostraciones se veían bien, pero la versión en producción fallaba en la mayoría de las llamadas a herramientas y generó un costo de 5 dólares por las llamadas repetidas. Composio tiene un interés comercial en la comparación con ADK, por lo que debe leerse como el relato de un profesional. La solución es la lección aprendida: alertas presupuestarias, duraciones máximas de sesión y límites de frecuencia en las llamadas a herramientas desde el primer día. La plataforma permitirá tranquilamente que un agente se endeude por su cuenta.
LangGraph: el muro de los sistemas multiagente. Un análisis de Latenode indica que más del 75 % de los sistemas multiagente se vuelven más difíciles de gestionar cuando superan los cinco agentes, presentando condiciones de carrera, puntos muertos, corrupción de estados y agotamiento de memoria. Considérelo como investigación de analistas, no como un estudio independiente, aunque coincide con lo descrito por Replit y Uber. El problema no aparece con el primer ni con el tercer agente; surge en el sexto, cuando los bordes del grafo dejan de ser evidentes, resulta complicado razonar sobre el estado de los puntos de verificación y los puntos de control con intervención humana se entrelazan con las ramas asíncronas. Los equipos que triunfan en LangGraph mantienen los grafos con menos de cinco nodos o invierten mucho en capacidades de observabilidad. Aquellos que pierden intentan gestionar un enjambre de diez agentes sin contar con ninguna de estas soluciones.
Estos modos de fallo son de naturaleza arquitectónica y no operativa, por lo que una mejor ingeniería no los eliminará. Usted elige la plataforma cuyo fallo puede permitirse asumir.
Recogida por la tarde
Tres preguntas resuelven casi todo el asunto.
¿Es necesario enviarlo este trimestre? Si es así, Managed Agents es la opción por defecto, ya que para los equipos sin requisitos de VPC-SC no hay nada más que acorte tanto el camino del prototipo a la producción. Suavice la dependencia de Claude escribiendo ahora la lógica del agente utilizando las interfaces del Claude Agent SDK, para poder pasar posteriormente a Bedrock o Vertex autohospedados.
¿El diseño cuenta con más de cinco ramas, o necesita aprobación humana en varios puntos? Entonces LangGraph, siempre y cuando su equipo cuente con capacidad en la plataforma. Klarna, Uber y Replit son ejemplos de ello; además, su curva de aprendizaje más pronunciada le permitirá utilizar herramientas básicas que no le causarán sorpresas a las 3 a.m.
¿Su carga de trabajo ya está en Google Cloud y requiere VPC Service Controls? Entonces ADK con Agent Engine es la opción más sencilla. La conformidad viene incluida de forma gratuita, y el costo en reposo es el más bajo de los tres. Tenga en cuenta el costo adicional durante la evaluación.
Resumido en una tabla en tu mente: para los envíos de este trimestre, Managed Agents es el más rápido; LangGraph requiere inversión en la plataforma, y ADK necesita experiencia interna en GCP. En arquitecturas complejas con más de cinco ramas o aprobaciones, Managed Agents tiene limitaciones debido a su enfoque rígido, LangGraph es la opción por defecto, y ADK cubre la mayoría de los casos con sus primitivas. Si GCP con VPC-SC es obligatorio, Managed Agents necesita trabajo adicional de integración; LangGraph implica que debes construir el perímetro por tu cuenta, mientras que ADK lo hereda de forma nativa. Para cargas de trabajo multi-modelo, Managed Agents funciona únicamente con Claude (se debe usar el Agent SDK para lograr portabilidad), mientras que LangGraph es agnóstico a los modelos, y ADK trata a Gemini como de primera clase, con otros modelos accesibles a través de endpoints compatibles con LiteLLM u OpenAI.
AWS Bedrock AgentCore merece una breve mención como cuarta opción. Es adecuado para empresas que ejecutan todo en AWS y desean contar con una única capa de cómputo bajo Claude Agent SDK, LangGraph y CrewAI, con un costo de $0.0895 por vCPU-hora y $0.00945 por GB-hora. Se trata de una decisión relacionada con la infraestructura y no con un marco de trabajo, por lo que no forma parte de la comparación.
Prueba el mismo agente en los tres
Implementa un pequeño agente en cada plataforma: un resumen semanal que obtiene tres artículos recientes de arXiv sobre generación mejorada mediante recuperación de información, ejecuta un breve script de evaluación y redacta una página. Registra cuánto tiempo lleva pasar del clon al funcionamiento, cuánto cuesta cada ejecución y con qué rapidez puedes determinar por qué una ejecución falló.
Para los agentes gestionados, el fragmento anterior representa todo el esqueleto: se crea una sesión, un ejecución y un flujo de eventos con manejo de errores en caso de desconexión. Establezca ANTHROPIC_API_KEY, ejecútelo una vez, luego fuerce el reinicio del cliente y confirme que el registro de la sesión se mantiene al volver a conectarse mediante GET /runs/{id}/events. Con una clave API de Claude, la primera ejecución exitosa debería completarse en menos de una hora.
Con LangGraph, el grafo representa solo la mitad del trabajo. La otra mitad consiste en un mecanismo de verificación de Postgres además de un lugar donde desplegarlo. La configuración más sencilla se ve así:
# 1. Postgres (any managed or docker-run instance)
export POSTGRES_DSN="postgresql://user:pass@host:5432/langgraph"
# 2. Install and run the compiled graph
pip install "langgraph[postgres]" langsmith
python summarizer_graph.py # runs the StateGraph from above
# 3. Deploy (LangSmith Deployment OR self-hosted)
pip install langgraph-cli
langgraph deploy --config langgraph.json # SaaS tier
# or: docker run ghcr.io/langchain-ai/langgraph-api ...
Planifique medio día para ello. La primera media hora se dedica a la configuración, y las tres horas siguientes se utilizan para decidir dónde debe ubicarse el punto de control humano y cómo reintentar en caso de fallo de la herramienta.
En el caso de ADK, SequentialAgent es la lógica del agente, mientras que la parte relacionada con el tiempo de ejecución consiste en la autenticación mediante gcloud más el despliegue de un Agent Engine. Estructura mínima necesaria:
# 1. Auth + enable APIs
gcloud auth application-default login
gcloud services enable aiplatform.googleapis.com
# 2. Install and deploy
pip install google-adk google-cloud-aiplatform
python deploy_summarizer.py # runs agent_engines.create(...)
# 3. Governance wiring (inherited, not configured in code)
# - VPC-SC perimeter: Console > Security > VPC Service Controls
# - CMEK: Console > Security > Cryptographic Keys
# - Budget alert: Console > Billing > Budgets & Alerts
Planifique también medio día aquí, principalmente para la configuración de IAM y VPC-SC, que es precisamente la razón por la que eligió ADK en primer lugar.
Ejecute cada uno durante una semana. Compare la factura de LangSmith, los costos por horas de sesión en Claude y la factura del Vertex AI Agent Engine, y lea los tres informes de fallos. Elija la plataforma que se ajuste a la verdadera capacidad técnica de su equipo.
Qué recordar
Las plataformas de agentes en 2026 han pasado de la pregunta “¿podemos construir esto?” a “¿qué compromisos aceptaremos durante años?”. Las tres soluciones aquí cuentan con clientes reales, cifras reales, modos de fallo reales y precios reales, y ninguna es estrictamente mejor. Están dirigidas a diferentes escenarios operativos. La elección depende de una autoevaluación del equipo de su plataforma, de su nivel de cumplimiento y de su disposición para realizar trabajo de ingeniería; así que elija según el equipo que tiene, no según el que desearía tener.
- Managed Agents permite pasar del prototipo a la producción en días, no meses, pero lo vincula a Claude. Si es necesario utilizar varios proveedores de modelos, escriba código basado en el Claude Agent SDK y hospédelo usted mismo en Bedrock, Vertex AI o Azure AI Foundry.
- Pruebe primero la compactación. Cree una tarea que requiera solo el 20% inicial de la sesión después del umbral del 80%, ya que el propio blog técnico de Anthropic señala ese punto como el límite en el que las sesiones fallan silenciosamente.
- LangGraph es adecuado cuando su arquitectura tiene más de cinco ramas o necesita aprobación humana en varios puntos. Si está intentando escalar con un framework de nivel superior, está construyendo algo incorrecto con él; por lo tanto, pásese al modelo basado en grafos antes de que se presente el límite de los múltiples agentes.
Leer más
- Explicación de LangGraph: Grafos, estado, enrutamiento y patrones para producción — Cómo LangGraph modela a los agentes como grafos cíclicos con estado tipado, reductores, puntos de control, enrutamiento, herramientas y bucles ReAct, además de patrones para uso en producción.
- Un agente financiero de QuickBooks que funciona con un LLM local mediante Ollama y LangChain — Un agente ReAct basado en Qwen 3.5 9B y una RTX 4070 que lee datos en tiempo real de QuickBooks sin ningún costo relacionado con la nube. Consulte el código, los resultados y las limitaciones conocidas.