LangChain: datos interesantes y cuándo lo utilizo de verdad

LangChain es anterior a ChatGPT. Harrison Chase creó el repositorio el 17 de octubre de 2022 como proyecto paralelo mientras trabajaba en Robust Intelligence, una startup de ML: seis semanas antes del lanzamiento de ChatGPT, que convirtió en problema de todos conectar LLM con herramientas y datos. El momento lo convirtió en la opción predeterminada. Cuando toda la industria necesitó de pronto plantillas de prompts, retrievers y llamadas a herramientas, ya existía una biblioteca con un componente para cada cosa.

Desde entonces, sus cifras son poco habituales para una biblioteca de código abierto. En la primavera de 2023, el proyecto se convirtió en empresa: recibió una ronda semilla de Benchmark y una Serie A liderada por Sequoia. En octubre de 2025, LangChain captó 125 millones de dólares con una valoración de 1.250 millones, en una ronda encabezada por IVP. La empresa comunicó 90 millones de descargas mensuales combinadas de langchain y langgraph y un uso en el 35 % de las compañías del Fortune 500. Hoy el repositorio de Python supera las 146.000 estrellas en GitHub. Y nunca fue exclusivo de Python: LangChain.js existe desde principios de 2023, algo relevante si tu producto funciona con Node.js y TypeScript.

También se convirtió en uno de los frameworks más criticados de la ingeniería de IA. Las primeras versiones de LangChain envolvían todo —prompts, cadenas, agentes y memoria— en capas de abstracción. Muchos equipos acabaron depurando el framework en vez de su producto; algunos lo eliminaron públicamente. El equipo tomó nota: LangChain 1.0, publicado el 22 de octubre de 2025, se reescribió para ser más pequeño y ofrecer una opinión más clara. El núcleo tiene ahora un único punto de entrada —createAgent en TypeScript, create_agent en Python— sobre el runtime de LangGraph, con hooks de middleware alrededor de las llamadas al modelo y a las herramientas. No se esperan cambios incompatibles antes de la versión 2.0.

En realidad, el ecosistema son tres productos. LangChain es la API de alto nivel para modelos, herramientas y agentes. LangGraph es el runtime de nivel más bajo: agentes representados como grafos con estado explícito, ejecución duradera y pasos con intervención humana; ahí encajan los flujos de trabajo prolongados. LangSmith es la parte comercial: trazas, evaluaciones y despliegue. Funciona incluso sin LangChain y, en la práctica, suele ser lo que los equipos conservan después de simplificar todo lo demás.

Mi regla práctica: para una sola llamada al modelo con una respuesta estructurada, no necesito un framework. El SDK de OpenAI o Anthropic junto con un esquema de Zod o Pydantic es más breve y fácil de depurar. Recurro al ecosistema LangChain cuando el problema sí tiene forma de agente: varias herramientas, reintentos, bifurcaciones, estado que debe sobrevivir a un reinicio o una persona que aprueba un paso antes de mover dinero. Ahí el grafo explícito y los puntos de control de LangGraph ahorran más código del que añaden, tanto en TypeScript como en Python.

Hay un detalle que me gusta: lo que LangChain ofrece hoy ya no son cadenas. El nombre viene de 2022, cuando encadenar un prompt con otro era la frontera. En 2026, el producto es la ingeniería de agentes: runtime, observabilidad y evaluación. La lección para elegir una pila de IA es esta: escoger herramientas para el problema de este año, mantener la llamada al modelo detrás de una interfaz propia y poder seguir cada paso cuando algo falla.