Explicación de los Agentes Profundos: ¿Es realmente la arquitectura de Claude Code, y es gratuita?
Los Agentes Profundos de LangChain te brindan el patrón detrás de Claude Code bajo una licencia MIT. Aquí está lo que realmente significan los valores predeterminados, la memoria, los costos y el soporte de modelos.
Fuentes: Deep Agents: Did LangChain Open-Source Claude Code’s Architecture?
Un artículo que circula afirma que LangChain ha hecho pública la arquitectura detrás de Claude Code bajo licencia MIT, sin costo alguno y para cualquier modelo. Es un argumento atractivo: ¿por qué pagar una suscripción premium si existe una opción gratuita que hace lo mismo? La afirmación no es falsa ni incorrecta; es aproximadamente el setenta por ciento cierta, y ese treinta por ciento faltante es lo que suele frustrar a las personas. Aquí están los detalles para que la decisión se tome con conocimiento de causa.
¿Hicieron pública la arquitectura de Claude Code?
Más o menos. LangChain hizo pública el patrón, no a Claude Code en sí. Deep Agents es una herramienta basada en LangGraph que integra cuatro elementos: un prompt de sistema extenso, una herramienta de planificación, un sistema de archivos y subagentes. La licencia MIT es real y funciona con cualquier modelo capaz de llamar a herramientas.
Pero no es gratuito de usar: el sistema de archivos es virtual por defecto y la memoria a largo plazo permanece desactivada hasta que se conecte. ¿Quieres la arquitectura? Puedes tomarla. ¿Quieres Claude Code? Sigue usando ese.
Qué es
Si dejamos de lado el marketing, Deep Agents es un conjunto de middleware encima de LangGraph.
pip install deepagents
from deepagents import create_deep_agent
agent = create_deep_agent(
model="openai:gpt-5.5", # or anthropic:..., google_genai:..., a local one
tools=[my_tool],
system_prompt="You are a research assistant.",
)That’s real. It works. You get planning, a virtual file system, subagent delegation, human-in-the-loop, and shell access — plus everything LangGraph already gave you (streaming, checkpointing, Studio).
Eso funciona. Se cuenta con planificación, un sistema de archivos virtual, delegación a subagentes, aprobación humana y acceso a shell, además de todo lo que LangGraph ya ofrece: transmisión en tiempo real, puntos de control y Studio.
Lo interesante no es el código. Es que LangChain expuso públicamente en qué consiste un agente avanzado:
- Un prompt de sistema largo y detallado
- Una herramienta de planificación
- Un sistema de archivos
- Subagentes
Ese es todo el proceso. Durante un año la gente lo trató como un secreto comercial, y eso está cambiando.
Detalle uno: la herramienta de planificación no hace nada
La herramienta write_todos no programa ni ejecuta nada. Solo almacena una lista de tareas pendientes en el estado del agente y se detiene allí. LangChain lo admite en su propio anuncio sobre esta herramienta copiada de Claude Code, calificándola efectivamente como una operación sin efecto real y como una estrategia de ingeniería de contexto para mantener al agente en el camino correcto.
¿Por qué conservarla? Al poner el plan por escrito, se vuelve a introducir en el contexto del modelo. En cada turno se vuelve a leer la lista, lo que evita que el agente se desvíe. Ese es el mecanismo. No se trata de orquestación, sino de una nota adhesiva. Una vez que esto queda claro, gran parte de lo que se denomina arquitectura avanzada de agentes resulta ser, en realidad, ingeniería de contexto con una buena presentación.
También hay un giro inesperado. Planificar primero es el punto principal en cada publicación sobre el proyecto, pero a partir de la versión 0.7 la planificación de tareas es opcional. Antes era un middleware por defecto, pero ya no lo es. La función que todos mencionan primero es precisamente la que debes activar tú mismo.
Detalle dos: el sistema de archivos no es tuyo
Se habla de acceso al sistema de archivos, y uno imagina la carpeta del proyecto. El backend por defecto es StateBackend, donde los archivos se almacenan dentro del estado de LangGraph, limitados a un hilo de ejecución, sin ser compartidos con otros hilos y ausentes en tu disco. El agente escribirá felizmente un archivo, lo leerá de nuevo y sentirá que está siendo productivo. Luego el hilo termina y los archivos desaparecen, a menos que un checkpointer los haya conservado.
Para acceder realmente al disco, se necesita FilesystemBackend. Para una shell también, LocalShellBackend. Para conservar los archivos a lo largo de las conversaciones, utilice StoreBackend, o CompositeBackend para redirigir la ruta /memories/ a un lugar duradero, mientras que el resto permanece dentro del ámbito de cada hilo. Nada de esto es complicado, pero cada opción representa una decisión de la que uno no era consciente al momento de tomarla.
Detalle tres: la memoria a largo plazo es un parámetro
Lo mismo ocurre con la memoria. Se enumera como si estuviera incluida, al igual que un coche cuenta con un enganche para remolque: el soporte existe, pero el remolque no. El valor predeterminado es que la memoria está limitada al ámbito de cada hilo. Para recordar información entre hilos se necesita un backend de almacenamiento. Pruébelo en una notebook, reinicie el kernel y pregunte qué decidió ayer; la respuesta será un silencio contundente.
Detalle cuatro: la intervención humana requiere un checkpointer
La documentación es bastante directa. Se requiere un checkpointer, ya que sin él no existe estado alguno que congelar ni interrupción para reanudar. Tampoco se trata de volver a llamar a agent.invoke() para reanudar. Después de inspeccionar la interrupción, se debe crear una lista decisions que corresponda uno a uno y en secuencia con las acciones pendientes, y luego reanudar mediante Command(resume={"decisions": decisions}) en el mismo ID de hilo. Un ID de hilo incorrecto, un orden erróneo o la falta de checkpointer hacen que el flujo de aprobación no apruebe nada.
Detalle cinco: subagentes y fijación de versiones
Este caso ya está resuelto, pero sirve para enseñar algo. Supongamos que se establece recursion_limit=300 en el agente padre para una tarea larga. Durante un tiempo, SubAgentMiddleware no transmitió esa configuración a los subagentes, por lo que estos funcionaron con el valor predeterminado de LangGraph, que es 25. Un subagente que necesitara 40 pasos llegaría a 25 y generaría un GraphRecursionError, lo cual se manifestaba en el nivel superior como asyncio.CancelledError. Eso parece una cancelación y no un límite, y es muy difícil depurarlo tarde por la noche.
Ese fue el problema #1698 en el repositorio deepagents, registrado en marzo de 2026. Ahora los subagentes heredan el límite del agente padre, y se puede establecer con agent.with_config({"recursion_limit": 100}).
La razón para mencionarlo: la corrección se implementó a finales de marzo y el paquete ya estaba en la versión 0.7.x para agosto. El proyecto avanza rápidamente, los valores predeterminados también cambian con él, y muchos artículos de blog describen versiones que ya no existen. Asigne una versión fija y lea el registro de cambios antes de confiar en un tutorial.
Sobre los cero dólares
La licencia no cuesta nada. MIT, de verdad, sin ningún asterisco. Ejecutarlo es otra cosa. Debe proporcionar su propia clave del modelo y pagar por token, ya que esta arquitectura está diseñada para consumir tokens:
- Un prompt del sistema largo en cada turno
- La lista de tareas se vuelve a leer en cada turno, una vez que está activada la función de planificación
- Cada subagente representa una invocación completa del modelo por separado
- La resumenización es otra llamada al modelo, utilizando su propio contexto
En comparación con un bucle simple de llamada a herramientas, un agente avanzado consume más recursos. Ese es el intercambio: pagas con tokens a cambio de concentración en tareas prolongadas. Es un trato justo siempre y cuando nadie lo considere algo gratuito.
El verdadero ahorro radica en la flexibilidad. Puedes utilizar un modelo económico en los subagentes simples y uno potente para el razonamiento, algo que Claude Code no ofrece.
Sobre cualquier modelo
Es cierto, con dos matices. Funciona con cualquier modelo que soporte la llamada a herramientas, y esa lista es bastante larga. Sin embargo, los prompts fueron ajustados según las costumbres de Claude Code, por lo que el diseño tiene ese sesgo. Un modelo más débil o local no genera necesariamente un agente proporcionalmente más débil; en cambio, produce uno que descuida su lista de tareas, delega innecesariamente en subagentes y se queda atascado dando vueltas en círculos.
La segunda nota al pie tiene un costo oculto: el caché de prompts está activo por defecto solo para los modelos Anthropic y Bedrock. En Claude, ese gran prompt del sistema se almacena en caché. En otro modelo, es posible que tengas que pagar el precio completo por él en cada turno. Que sea independiente del modelo significa que funciona en cualquier lugar, pero no que se comporte o tenga el mismo costo en todas partes; por lo tanto, debes planificar un tiempo real de evaluación para cualquier cambio.
¿Vale la pena probarlo?
Primero, una aclaración honesta: nada de esto proviene del uso en producción. Se basa en una lectura cuidadosa de la documentación, el repositorio y el sistema de seguimiento de problemas, no en meses de experiencia. Sin embargo, dos cosas son evidentes.
Primero, lo más valioso que ha lanzado LangChain no es el paquete en sí, sino su estructura. Cuatro pilares, expuestos de manera clara, bajo una licencia MIT. Podrías crearlo tú mismo en una tarde y entender cada línea; además, para un agente de uso específico, probablemente deberías hacerlo así.
En segundo lugar, un clon gratuito de algún producto rara vez resulta ser ese producto en sí. Lo que obtienes son las piezas, más la tarea de ajustarlas tú mismo. A veces eso es exactamente lo que se necesita, y otras veces simplemente quieres que la cosa funcione. Vale la pena saberlo antes de ejecutar pip install.