Framework open source publicado por Harrison Chase en octubre de 2022. Hoy mantiene un ecosistema con LangSmith (observabilidad) y LangGraph (orquestación de agentes con estado).
Cuándo SÍ y cuándo no
LangChain es la abstracción más popular para construir aplicaciones con LLMs. También es la más criticada por el overhead que añade en proyectos sencillos.
Esta es la regla práctica que aplicamos en proyectos reales. LangChain te ahorra semanas de código glue cuando el caso necesita:
- Encadenar más de dos pasos con un LLM (parsear → buscar → responder).
- Conectar el modelo a una base vectorial (RAG sobre documentos del cliente).
- Construir un agente que decida qué herramienta llamar.
En cambio, si el caso es “una llamada a /chat/completions con un prompt bien escrito”, LangChain solo añade complejidad accidental.
La alternativa moderna suele ser escribir contra el SDK del proveedor directamente. Ya soporta tool use, structured output y streaming nativos. Reserva LangGraph para cuando de verdad haga falta orquestar agentes con estado.
Las piezas que sí aprovechamos
De toda la API de LangChain, solo tres piezas entran en producción en nuestros proyectos:
- Document loaders y text splitters: preparan las fuentes (PDFs, páginas web, exports CRM) antes de un RAG.
- Integraciones con bases vectoriales (Chroma, Pinecone, Qdrant): evitan reimplementar el patrón de embedding y búsqueda.
- LangSmith: da trazabilidad cuando un agente con varias herramientas se equivoca y hay que entender por qué.
Cómo lo aplicamos en SMedialab
Lo elegimos para dos escenarios:
- Chatbots con base de conocimiento del cliente (catálogo, manual interno, FAQs largas).
- Agentes que llaman a APIs propias (sistema de reservas, ERP, calendario).
Donde NO lo elegimos es en chatbots conversacionales sencillos sin RAG. Ahí escribimos contra OpenAI o Anthropic directamente.
Tampoco lo introducimos si el equipo del cliente va a mantener el código y no usa Python como stack. La curva de aprendizaje no compensa.
Casos típicos en nuestros clientes
Un complejo turístico tenía un manual del empleado de 200 páginas y mucha rotación. Nos pidió un asistente para que el personal nuevo consultara procedimientos sin leer todo el manual.
Montamos un RAG con LangChain: loader PDF + Chroma + Claude como motor de respuesta. El asistente cita el apartado y la página de origen en cada respuesta, lo que evita las alucinaciones típicas de un chatbot sin grounding.
Para una autoescuela en Santa Cruz montamos un agente LangChain. Pasa el test teórico personalizado del alumno por un LLM, identifica las áreas con más fallos y devuelve un plan de estudio con enlaces a videos del temario interno.
¿Tu caso pide RAG o agentes con varias herramientas? Lo planteamos como parte de implementaciones de IA.