Crea tu primer agente de LangChain con LangGraph en 2026

Muchos desarrolladores han seguido un tutorial de LangChain y terminado con un chatbot que inventa nombres de herramientas e itera indefinidamente hasta agotar el presupuesto de tokens. La distancia entre una instalación completada y un agente listo para su uso es grande, y la mayoría de los tutoriales omiten las partes que causan problemas. Aquí se explica qué hace un agente en el fondo, cómo construir uno con la tecnología actual, qué errores evitar y cómo se ve una implementación realista en la tecnología educativa.

En resumen: un agente de LangChain combina el razonamiento de un LLM con herramientas externas para completar tareas de múltiples pasos. Las versiones recientes de LangChain utilizan LangGraph para crear agentes con estado e iterativos, en lugar del antiguo AgentExecutor por sí solo. Las herramientas, la recuperación de información y la memoria son los elementos clave en cualquier solución de nivel profesional.

¿Qué hace que algo sea un agente?

Un chatbot recibe la entrada y devuelve la salida en una sola pasada. Un agente toma un objetivo, elige herramientas, las ejecuta, analiza los resultados y decide cuál será el siguiente paso, repitiendo este proceso hasta que se cumpla el objetivo o se active una condición de parada. Ese bucle es toda la diferencia.

Esto es muy importante para los productos de aprendizaje. Imagina a un estudiante que escribe: “Hazme una prueba sobre el Capítulo 5, revisa mis últimas tres calificaciones en pruebas y hazla más difícil si sigo obteniendo más del 80% de puntaje”. Un chatbot estático no puede manejar eso. Un agente puede dividir la solicitud en partes, llamar a una API de pruebas, consultar una base de datos de calificaciones, aplicar la lógica condicional y devolver un conjunto de pruebas personalizado. Las plataformas de aprendizaje y las startups especializadas en LMS están desarrollando este tipo de arquitectura actualmente.

El diseño consta de tres capas:

• La base formada por un LLM, como GPT-4o, Claude, Gemini o un modelo de código abierto.

La capa de herramientas: funciones simples en Python, APIs externas o las herramientas integradas de LangChain como Tavily Search, Wikipedia y consultas SQL personalizadas.

La capa de memoria: desde un búfer de conversación a corto plazo hasta almacenamientos vectoriales a largo plazo o memoria de entidades.

Conecta todo esto con una máquina de estados LangGraph y tendrás algo listo para su uso en producción.

Creando uno, paso a paso

Sigue los pasos en orden. Saltarse alguno es la razón habitual por la que los agentes de principiantes fallan cuando aparecen usuarios reales.

1. Instala el conjunto de herramientas. Ejecuta pip install langchain langchain-openai langgraph langchain-community tavily-python en Python 3.11 o superior. Coloca OPENAI_API_KEY y TAVILY_API_KEY en variables de entorno y nunca los incluyas directamente en el código.

Escriba el objetivo en una sola oración antes de tocar el código. Por ejemplo: el agente responde a preguntas sobre el progreso del curso de un estudiante consultando la API del LMS y resumiendo el resultado. Los objetivos vagos generan agentes defectuosos, y definirlos con claridad desde el principio ahorra horas de depuración.

Configure el modelo. ChatOpenAI(model="gpt-4o", temperature=0) le brinda un razonamiento más estable, y una temperatura de cero es importante para la llamada a herramientas, ya que reduce las posibilidades de realizar llamadas inventadas. Para implementaciones sensibles al costo, gpt-4o-mini puede manejar una gran parte del trabajo por una fracción del precio.

Defina las herramientas con el decorador @tool. Cada una es una función de Python con una documentación clara, ya que el modelo lee esa documentación para decidir cuándo llamarla. Una mala documentación significa que la herramienta nunca se llama o se llama en el momento incorrecto.

Construya el estado y los nodos de LangGraph. Declare un esquema de estado TypedDict, cree un nodo para el razonamiento del modelo y otro para ejecutar herramientas, y conéctelos mediante StateGraph con aristas condicionales. Esas aristas forman el bucle de razonamiento.

Agregue memoria. MemorySaver de LangGraph se encarga del estado a corto plazo. Para la memoria a largo plazo, de la que dependen los agentes de aprendizaje personalizado, conecte un almacén de vectores como Pinecone o Chroma.

Compile, pruebe y observe. Compile con graph.compile(checkpointer=memory), invoque el modelo con una consulta de prueba y utilice LangSmith, la plataforma de seguimiento de LangChain, para inspeccionar cada paso: qué herramienta se ejecutó, qué entrada recibió y qué decidió el modelo posteriormente.

Fortalezca el sistema. Añada intentos de reintentar, límites en el presupuesto de tokens (max_iterations), validación de entradas y un recursion_limit para que un agente que se pierda no pueda entrar en bucle indefinidamente. Registre cada llamada a las herramientas en su sistema de monitoreo.

Dónde encajan los agentes en la tecnología educativa

Las plataformas LMS como Moodle, Canvas o un sistema desarrollado internamente pueden utilizar agentes como asistentes en los cursos. Estos consultan calificaciones, recomiendan el siguiente módulo, señalan a los estudiantes con dificultades al instructor y crean preguntas de examen a partir de PDFs subidos mediante RAG. Un proveedor de LMS de tamaño medio informó haber reducido en un 40% el tiempo de administración del instructor después de que un agente comenzara a responder preguntas sobre el progreso de los estudiantes.

Los tutores de IA funcionan mejor como agentes en lugar de mediante llamadas a un único modelo. El tutor verifica lo que ya sabe el estudiante (memoria), obtiene el material del curso relevante (RAG), ajusta la forma en que explica las cosas (una herramienta de perfil de preferencias) y programa una prueba de seguimiento (una herramienta de calendario). La cadena de herramientas de LangChain mantiene todo esto en aproximadamente 500 líneas de Python.

Los portales universitarios y de investigación también son un uso adecuado. Los estudiantes de posgrado utilizan agentes para buscar en repositorios institucionales, resumir artículos, verificar citas y redactar secciones de revisión bibliográfica. El agente se encarga del trabajo pesado de recuperación de información mientras que el estudiante realiza el análisis, lo cual constituye un flujo de trabajo razonable y seguro desde el punto de vista de las citas cuando está configurado correctamente.

Las plataformas de aprendizaje basadas en habilidades, como los bootcamps de programación y las certificaciones profesionales, utilizan agentes para realizar evaluaciones en tiempo real del código, comparar los resultados del estudiante con una rúbrica, ofrecer retroalimentación específica y actualizar los gráficos de habilidades. Una buena plataforma no se limita a calificar; analiza por qué el estudiante cometió un error en particular y genera una lección breve y dirigida.

Elegir un marco de trabajo

Comparar LangChain, LlamaIndex, CrewAI y AutoGen merecería un artículo propio, pero existe una regla práctica que ayuda. LangChain con LangGraph es la opción más adecuada para agentes de uso general que necesitan herramientas, memoria y ciclos de razonamiento. LlamaIndex está optimizado para pipelines de recuperación de información y respuesta a preguntas sobre documentos. Muchos sistemas en producción combinan ambos, con LlamaIndex encargándose de la ingesta y recuperación de datos mientras LangChain orquesta al agente encima de ellos.

El flujo de una sola solicitud es el siguiente: definir el objetivo y la instrucción del sistema, configurar el modelo y vincular las herramientas, crear el estado del grafo y los nodos, y luego dejar que el agente se pregunte qué herramienta necesita. Ejecuta dicha herramienta con la entrada generada, observa el resultado y decide si la tarea está completada o si se debe continuar el bucle. Cuando termina, devuelve la respuesta.

Algunas lecciones destacan de ese flujo.

• La temperatura es más importante que la elección del modelo. Establecerla en cero en el modelo del agente tiende a reducir notablemente las llamadas a herramientas falsas en comparación con valores más altos, independientemente del modelo utilizado. Considere cualquier porcentaje específico que encuentre en línea como una estimación aproximada y pruébelo con sus propias herramientas.
• Las documentaciones son el manual de instrucciones del agente. Una descripción vaga de una sola línea es la causa más frecuente de uso incorrecto de las herramientas en proyectos para principiantes.

LangGraph reemplazó a AgentExecutor por una razón válida. AgentExecutor es adecuado para agentes simples que realizan una sola pasada, pero cualquier sistema con ramificaciones, pasos en los que interviene un humano o llamadas paralelas a herramientas necesita una máquina de estados basada en nodos.

RAG combinado con un agente es lo que da valor real a los productos educativos. Sin recuperación de información, un agente solo puede razonar a partir de los datos de entrenamiento. Con ella, el agente puede responder preguntas sobre el contenido real del curso, los datos de los estudiantes o el conocimiento institucional.

El seguimiento del proceso no es opcional. No lance un agente sin LangSmith o algo equivalente, ya que depurar un agente con bucles sin registros de seguimiento es una tarea adivinativa, mientras que con ellos el análisis de la causa raíz tarda solo minutos.

Estudio de caso: un servicio de soporte para bootcamps

Se trataba de un bootcamp de programación en línea de tamaño medio con aproximadamente 1,200 estudiantes activos que seguían cursos de Python, ciencia de datos y desarrollo web. El equipo de soporte respondía a más de 800 preguntas de los estudiantes por semana, y alrededor del 60% eran consultas repetidas sobre plazos, retroalimentación de proyectos y cómo encontrar información en el plan de estudios.

Antes de implementar el agente, tres empleados a tiempo completo se encargaban de todo a través de una bandeja de entrada compartida. El tiempo promedio de respuesta era de 6.2 horas, la satisfacción de los estudiantes (CSAT) era del 62%, y cada instructor perdía unas 11 horas por semana en consultas administrativas.

El equipo, formado por dos desarrolladores, construyó en seis semanas un agente LangGraph con cuatro herramientas. Una de ellas buscaba material didáctico mediante RAG en la base de conocimientos del LMS. Otra consultaba el progreso de los estudiantes a través de la API del LMS. Una tercera calculaba los plazos a partir del calendario del curso. La última elevaba las consultas complejas a un humano junto con todo el contexto relevante.

Después de noventa días desde el lanzamiento, los resultados obtenidos fueron:

• El agente gestionó el 74% de las consultas recibidas.
• El tiempo promedio de respuesta disminuyó a 8 segundos.
• El CSAT aumentó al 81%.
• Los tickets de soporte humano disminuyeron en un 52%.
• Cada instructor ahorró unas 7 horas a la semana.
• El costo de desarrollo se recuperó en aproximadamente 4,5 meses.

La lección más destacada se refiere a la herramienta de escalado, que resultó ser el elemento más importante del conjunto. Los estudiantes confiaron más en el agente una vez que quedó claro que conocía sus limitaciones y sabía transferir las tareas de manera adecuada. El diseño de esa transferencia contribuyó más a la satisfacción que cualquier mejora en su capacidad de razonamiento.

Estas cifras provienen de los informes propios del equipo, por lo que úsalas como ilustración de la magnitud de los beneficios y no como un estándar al que debas aspirar a alcanzar.

Cuatro errores comunes

Uso de AgentExecutor para agentes complejos

No admite ramificaciones condicionales, ejecución paralela de herramientas ni estado que persista a lo largo de las conversaciones, y en 2026 esos son requisitos estándar. Migre a LangGraph. La curva de aprendizaje es más pronunciada al principio, pero obtiene un control total sobre el ciclo de razonamiento, y la propia documentación de LangChain ahora indica a LangGraph como la opción predeterminada para cualquier tarea no trivial.

No tener límite de recursión

Sin un recursion_limit, un agente confundido puede entrar en bucle indefinidamente, consumiendo tokens y dinero. El riesgo aumenta con los agentes que utilizan muchas herramientas, ya que una sola llamada fallida puede provocar intentos repetidos. Establezca recursion_limit=25 o un valor menor en la configuración de compilación de LangGraph, y defina condiciones de detención explícitas en la lógica de sus nodos en lugar de dejar esa decisión al modelo.

Saltar el seguimiento de LangSmith temprano

Cuando un agente da una respuesta incorrecta, hay una docena de puntos en los que la cadena de procesamiento podría haber fallado, y sin rastros, uno solo puede leer la salida final e intentar adivinar. Active LangSmith desde el primer día, ya que es gratuito para uso en desarrollo. Exporte LANGCHAIN_TRACING_V2=true y LANGCHAIN_API_KEY antes de escribir la primera línea de código del agente, y se alegrará durante su primera sesión de depuración.

Creación de herramientas con documentación vaga

La selección de herramientas está determinada exclusivamente por el modelo que analiza tu documentación. Frases como “obtiene datos del usuario” no le proporcionan nada con lo que trabajar, por lo que llamará a la herramienta al azar o no la usará en absoluto. Describe claramente el propósito de la herramienta, los datos que necesita y las situaciones en las que se aplica. Una buena descripción sería: recupera las últimas cinco calificaciones de un examen de un estudiante desde la base de datos del LMS correspondiente a un given student_id, para utilizarla cuando el usuario pregunta sobre su rendimiento anterior o historial de exámenes.

Respuestas rápidas

¿Qué ofrece LangChain para principiantes? Es un framework en Python que conecta modelos de lenguaje con herramientas, fuentes de datos y memoria. Le proporcionas al modelo un conjunto de herramientas y él decide cuál utilizar para alcanzar un objetivo. Comienza con la documentación de inicio rápido y un agente simple que llama a herramientas antes de intentar flujos de trabajo de múltiples pasos.

¿Es LangChain mejor que LlamaIndex para agentes? Para agentes de uso general con herramientas, memoria y bucles de razonamiento, LangChain junto con LangGraph es la opción más adecuada. LlamaIndex está mejor ajustado para la recuperación de información y la verificación de calidad de documentos, y muchos equipos utilizan ambos.

¿Cuánto tiempo lleva crear un primer agente? Un agente simple con una sola herramienta requiere de un desarrollador con conocimientos básicos de Python entre dos y cuatro horas. Un agente de nivel profesional con varias herramientas, memoria, manejo de errores y capacidades de observabilidad de LangSmith suele tomar de una a tres semanas, dependiendo de lo complicadas que sean las APIs.

¿Qué es RAG y es necesario? La generación reforzada por recuperación permite que el agente responda a preguntas sobre sus propios datos, como contenido de cursos, registros de estudiantes o PDFs, al recuperar fragmentos relevantes antes de escribir una respuesta. Es necesario siempre que el agente deba conocer algo que no esté en los datos de entrenamiento del modelo, lo cual ocurre casi siempre en los productos de aprendizaje.

¿Reemplaza LangGraph a LangChain? No, lo amplía. LangChain proporciona los elementos básicos (modelos, herramientas, memoria) y LangGraph agrega orquestación de grafos con estado para bucles, ramificaciones y coordinación entre múltiples agentes. Es la opción recomendada para cualquier agente complejo dentro del ecosistema de LangChain.

Comience con algo sencillo

Ya no es necesario ser investigador en inteligencia artificial ni ingeniero de tecnología avanzada para crear agentes. Alguien con conocimientos básicos de Python puede desarrollar uno funcional en un fin de semana utilizando LangGraph, LangSmith y un proceso claro. Los tutores adaptativos, los asistentes de LMS y los coaches de progreso están al alcance, y las herramientas son lo suficientemente maduras para su uso en entornos de producción.

Los equipos que tienen mejor desempeño no son aquellos que cuentan con los modelos más grandes. Ellos comprenden bien la arquitectura de los agentes para diseñar conjuntos de herramientas razonables, sistemas de memoria fiables y mecanismos de manejo eficaz de fallos. Comience con una herramienta, un objetivo y un agente, y luego proceda a iterar.