LangGraph: qué es, cómo funciona y cuándo usarlo en empresa

Llevas semanas montando tu primer agente con LangChain. Funciona en la demo, responde bien a las preguntas simples, y entonces llega el primer caso real: el agente tiene que consultar una herramienta, evaluar el resultado, decidir si necesita más información, esperar una validación de alguien de tu equipo y, si algo falla, volver a intentarlo desde el paso correcto. LangChain empieza a crujir. No porque sea malo, sino porque fue diseñado para otra cosa.

En GuruSup llevamos tiempo construyendo agentes de IA para empresa, y hemos visto ese momento más veces de las que podemos contar: el framework lineal se queda corto justo cuando el caso de uso se pone interesante. LangGraph nació para resolver ese problema. Esta guía te explica qué es, cómo funciona por dentro y cuándo tiene sentido usarlo frente a las alternativas.

¿Por qué LangChain ya no llega para todo?

LangChain es un framework excelente para encadenar llamadas a LLMs con herramientas. Su modelo mental es una cadena: entrada → paso A → paso B → salida. Para la mayoría de las aplicaciones de IA que ves en tutoriales —un chatbot que responde preguntas, un resumidor de documentos, un buscador semántico— eso es más que suficiente.

El problema aparece cuando el flujo necesita tomar decisiones en función de lo que acaba de ver. ¿Y si el resultado de la herramienta no es suficiente y hay que llamarla de nuevo? ¿Y si el agente tiene que elegir entre tres rutas según la respuesta del usuario? ¿Y si un proceso largo necesita guardar en qué punto está entre dos sesiones? Una cadena lineal no puede volver atrás. No puede ramificarse de forma condicional con estado complejo. No puede pausarse y retomar.

El salto de las cadenas lineales a los flujos con estado

Lo que diferencia un flujo con estado de una cadena es exactamente eso: el estado. En una cadena, la información fluye hacia adelante y se pierde. En un flujo con estado, cada paso puede leer lo que han hecho todos los pasos anteriores y escribir en una memoria compartida que persiste.

Esto no es solo una comodidad técnica. Es lo que hace posible que un agente razone en varios pasos, corrija sus propios errores, recuerde el contexto de una conversación entre sesiones o espere a que un humano apruebe una acción antes de continuar. Cuando LangChain no llega, el siguiente paso natural en el ecosistema es LangGraph.

¿Qué es LangGraph, exactamente?

LangGraph es un framework open source de bajo nivel creado por el equipo de LangChain, diseñado específicamente para construir, desplegar y gestionar agentes de IA con estado. No es una versión más compleja de LangChain: es una capa distinta que resuelve un problema distinto.

La diferencia clave está en la arquitectura: donde LangChain trabaja con cadenas (secuencias lineales), LangGraph trabaja con grafos. Y no grafos acíclicos dirigidos —DAG— como los que usas en Airflow o Pytorch Lightning para pipelines de datos. LangGraph trabaja con grafos cíclicos: puede haber bucles, el flujo puede volver a un paso anterior, y todo eso mientras mantiene un estado persistente y controlable.

La metáfora del grafo: nodos, edges y estado

Un grafo tiene tres elementos en LangGraph:

• Nodos: cada nodo es una unidad de trabajo, normalmente una función de Python. Puede ser una llamada a un LLM, una llamada a una herramienta o API, lógica de negocio, o incluso un paso de validación humana. Los nodos son los "actores" del sistema.

• Edges: las aristas son las conexiones entre nodos. Determinan qué nodo se ejecuta después del actual. Un edge puede ser fijo ("después de A, siempre va B") o condicional ("después de A, va B o C dependiendo del estado").

• State: el estado es un objeto compartido que todos los nodos pueden leer y actualizar. Funciona como la memoria de trabajo del agente: guarda los mensajes, los resultados intermedios, los indicadores de progreso y cualquier dato que necesites mantener a lo largo del flujo.

¿Qué es el StateGraph y por qué cambia todo?

El objeto central de LangGraph es el `StateGraph`. Cuando defines uno, estás diciendo: "este es mi grafo, con este esquema de estado". A partir de ahí añades nodos y edges sobre él, lo compilas y lo ejecutas.

Lo que `StateGraph` aporta que una cadena de LangChain no puede dar es el control explícito del estado a lo largo del tiempo. Cada vez que un nodo termina, el estado se actualiza. El siguiente nodo parte de ese estado actualizado. Si el flujo tiene que volver atrás, el estado refleja exactamente dónde estaba. Si necesitas pausar la ejecución para que un humano revise algo, el estado se guarda y se retoma desde ahí cuando llega la aprobación.

Eso, que parece un detalle de implementación, es lo que convierte a LangGraph en un framework apto para producción real frente a otros enfoques más experimentales.

¿Cómo funciona LangGraph por dentro?

Nodos: cada paso es un actor

En LangGraph, añades un nodo con `graph.add_node(nombre, función)`. La función recibe el estado actual y devuelve las actualizaciones que quiere escribir sobre él. Eso es todo. Los nodos no se hablan entre sí directamente: se comunican a través del estado compartido.

Esto importa porque desacopla completamente la lógica de cada paso del flujo de control. Puedes testear cada nodo por separado. Puedes reemplazar un nodo sin tocar los demás. Y puedes reutilizar el mismo nodo en varios puntos del grafo si tiene sentido.

Un nodo puede ser tan simple como llamar a un LLM con los mensajes del estado, o tan complejo como orquestar a su vez un subgrafo con sus propios nodos. Los sistemas multiagente en LangGraph se construyen exactamente así: un agente supervisor que delega en subagentes, cada uno representado por su propio subgrafo.

Edges: flujo fijo y flujo condicional

El edge normal (`graph.add_edge(A, B)`) conecta dos nodos de forma fija: siempre que A termina, ejecuta B. El edge condicional (`graph.add_conditional_edges`) conecta un nodo a varios posibles siguientes nodos y evalúa una función para decidir cuál ejecutar.

La función de enrutamiento recibe el estado actual y devuelve un string que identifica el próximo nodo. Ahí es donde va tu lógica de negocio: si la herramienta falló, vuelve a intentarlo; si el agente ya tiene suficiente contexto, pasa a generar la respuesta final; si el resultado necesita aprobación humana, detente y espera.

LangGraph incluye una función auxiliar, `tools_condition`, que implementa el patrón más común con herramientas: si la última respuesta del LLM incluye una llamada a herramienta, ejecuta la herramienta; si no, termina. Cubre el 80% de los casos sin que tengas que escribir la función de enrutamiento a mano.

Ciclos: lo que LangChain no puede hacer

La diferencia estructural más importante entre LangGraph y LangChain es que LangGraph permite grafos cíclicos. Un ciclo es simplemente un edge que vuelve a un nodo anterior.

¿Para qué sirve eso en la práctica? Para el patrón de razonamiento más potente de los agentes modernos: el agente evalúa su propio output, decide si es suficiente, y si no lo es, vuelve a intentarlo. El patrón ReAct (Reasoning + Acting) funciona así: el LLM razona, actúa (llama a una herramienta), observa el resultado, y si no tiene la respuesta, vuelve a razonar con el nuevo contexto. Ese bucle de razonamiento es un ciclo en el grafo.

Sin ciclos, el agente tiene exactamente una oportunidad para usar cada herramienta. Con ciclos, puede seguir intentándolo hasta que el estado refleje que tiene lo que necesita, o hasta que se alcance un límite de iteraciones que tú defines.

Persistencia y checkpointers: memoria entre sesiones

Por defecto, cuando un grafo de LangGraph termina, el estado desaparece. Para aplicaciones reales eso es un problema: las conversaciones necesitan recordar qué se dijo en sesiones anteriores, y los procesos largos necesitan poder retomarse si se interrumpen.

LangGraph resuelve esto con checkpointers. Un checkpointer guarda el estado del grafo en un almacén externo cada vez que se completa un paso. `MemorySaver` guarda en memoria (ideal para desarrollo y pruebas). `SqliteSaver` persiste en SQLite entre ejecuciones. Para producción, existen integraciones con PostgreSQL y otros backends. Los tipos de memoria disponibles para los agentes —corto plazo, largo plazo, episódica— están explicados en detalle en memoria en agentes de IA.

Los checkpointers también son la base del human-in-the-loop: cuando el grafo llega a un breakpoint, guarda su estado y espera. Cuando un humano aprueba o rechaza, el grafo retoma desde donde lo dejó, con el estado intacto y, si corresponde, modificado con el feedback humano.

¿LangGraph vs LangChain: cuándo usar cada uno?

La respuesta directa: usa LangChain cuando tu flujo es lineal. Usa LangGraph cuando necesitas estado persistente, ciclos o múltiples agentes coordinados.

• Flujo de trabajo — LangChain: Lineal o DAG simple · LangGraph: Grafos con ciclos y bifurcaciones
• Gestión del estado — LangChain: Implícita, módulos de memoria · LangGraph: Explícita, control total
• Facilidad de inicio — LangChain: Muy alta · LangGraph: Más curva de aprendizaje
• Sistemas multiagente — LangChain: Limitado · LangGraph: Nativo
• Human-in-the-loop — LangChain: No nativo · LangGraph: Nativo con checkpointers
• Producción compleja — LangChain: Suficiente para casos simples · LangGraph: Diseñado para ello

LangChain es perfecto para un chatbot de soporte que responde preguntas buscando en documentos. LangGraph es lo que necesitas cuando ese chatbot tiene que decidir si escalar al humano, guardar la conversación entre días, coordinar a tres agentes especializados y asegurarse de no ejecutar ninguna acción destructiva sin aprobación.

No son excluyentes: los nodos de LangGraph pueden usar internamente LangChain o cualquier otro framework para ejecutar su lógica. Es habitual tenerlos juntos.

¿LangGraph vs CrewAI: en qué se diferencian?

CrewAI y LangGraph atacan el mismo problema —la orquestación de múltiples agentes— desde filosofías distintas.

CrewAI es un framework de alto nivel: define agentes con roles (un "Researcher", un "Writer", un "Reviewer"), les asignas herramientas y los dejas colaborar. La curva de aprendizaje es baja y el tiempo hasta el primer prototipo es muy corto. El trade-off es que el control del flujo es más opaco: CrewAI decide cómo los agentes se pasan el trabajo.

LangGraph es de bajo nivel: tú defines explícitamente cada nodo, cada edge, cada condición de enrutamiento. Más código inicial, pero control total. Sabes exactamente en qué estado está el sistema en cada momento, puedes inspeccionar cualquier paso, y puedes hacer que el flujo haga exactamente lo que necesitas sin depender de comportamientos implícitos del framework.

Para prototipos rápidos o equipos pequeños sin experiencia en grafos, CrewAI puede ser más rápido de arrancar. Para sistemas de producción donde el comportamiento tiene que ser predecible y auditable —como los agentes de atención al cliente que atienden miles de consultas— LangGraph da más garantías. De hecho, hay implementaciones que usan ambos: CrewAI para la colaboración entre agentes especializados y LangGraph como runtime de estado por debajo. Para que esos agentes accedan a herramientas externas de forma estandarizada, el Model Context Protocol (MCP) actúa como capa universal de integración.

Human-in-the-loop: el agente que espera tu aprobación

Una de las funcionalidades de LangGraph que más importa para empresa y que más se subestima fuera del ámbito técnico es el human-in-the-loop.

La idea es sencilla: hay acciones que un agente no debería ejecutar sin que un humano las valide. Enviar un correo, aplicar un descuento, modificar un pedido, escalar un incidente. En LangGraph, puedes definir breakpoints —puntos de interrupción— en cualquier nodo. Cuando el flujo llega a ese punto, se pausa, guarda su estado con el checkpointer y espera.

Cuando el humano revisa y aprueba (o rechaza, o modifica), el grafo retoma desde donde lo dejó. Si la acción fue rechazada, el estado refleja esa decisión y el flujo puede enrutarse hacia una alternativa. Si fue aprobada pero con modificaciones, el estado se actualiza y el flujo continúa con los datos corregidos.

Esto no es lo mismo que un chatbot que pregunta "¿confirmas?" y espera "sí" en el mismo hilo. Es un sistema de aprobación asíncrono real, donde la pausa puede durar horas o días, el agente no "sabe" que está esperando, y la reanudación puede venir de otro sistema o interfaz.

Para empresas que quieren automatizar con IA pero no renunciar al control, esta característica cambia el cálculo completamente: ya no es "automatizo o superviso", es "automatizo y superviso donde importa".

¿Para qué sirve LangGraph en empresa? Casos de uso reales

Atención al cliente con agentes complejos

Un agente de atención al cliente con IA que solo responde preguntas de FAQ es útil, pero limitado. Cuando el cliente tiene un problema que requiere consultar el estado de su pedido, aplicar una política de devoluciones, escalar si no hay solución posible y dejar constancia del caso en el CRM, estás ante un flujo multiagente con estado.

LangGraph permite construir ese agente como un grafo: un nodo que clasifica la consulta, edges que enrutan a agentes especializados (pedidos, devoluciones, incidencias), un breakpoint para escalación humana cuando el agente detecta que el caso supera su capacidad, y un nodo final que escribe en el CRM y cierra el ticket. El estado del grafo garantiza que en cada paso el agente sabe todo lo que ha pasado antes: no hay pérdida de contexto entre herramientas.

Automatización de flujos de back-office

Los procesos de back-office son especialmente adecuados para LangGraph porque suelen tener bifurcaciones bien definidas, requieren aprobaciones intermedias y necesitan persistencia: una validación de facturas puede durar varios días, pasar por varios revisores y volver al punto de origen si aparece una discrepancia.

Con LangGraph puedes modelar ese proceso como un grafo auditable: cada nodo es un paso del proceso, los edges representan las reglas de negocio, los checkpointers guardan el estado entre días y los breakpoints implementan las aprobaciones humanas. El resultado es un flujo que es a la vez automático y supervisable.

Sistemas multiagente de análisis y decisión

Para casos de uso más complejos —análisis de riesgos, due diligence, generación de informes que combinan múltiples fuentes— LangGraph permite construir sistemas donde varios agentes especializados trabajan en paralelo o en secuencia, coordinados por un agente supervisor.

El patrón "supervisor as tools" es especialmente potente: el agente supervisor llama a los agentes especializados como si fueran herramientas, recibe sus resultados como parte del estado y decide qué hacer con ellos. Cada agente especializado puede ser a su vez un subgrafo completo con su propio estado interno. Esta arquitectura escala con la complejidad del problema sin que el código se convierta en espagueti.

LangGraph en producción: LangSmith y LangGraph Platform

Construir el grafo es la mitad del trabajo. Operarlo en producción es la otra mitad.

LangSmith es la herramienta de observabilidad del ecosistema LangChain/LangGraph. Registra cada ejecución del grafo, muestra el estado en cada nodo, permite comparar runs diferentes y detectar dónde falla un agente. Para un sistema que procesa cientos de conversaciones al día, sin esta visibilidad estás operando a ciegas.

LangGraph Platform es el runtime gestionado para desplegar grafos de LangGraph en producción. Se encarga de la infraestructura, la persistencia, la escalabilidad y el monitoreo. Si no quieres gestionar tú el backend de checkpointers y el orquestador de agentes, es la solución natural.

LangGraph Studio es la interfaz visual: permite diseñar grafos, ejecutarlos paso a paso, inspeccionar el estado en cada nodo y depurar el comportamiento de los agentes sin tocar código. Para equipos que mezclan perfiles técnicos y no técnicos, o simplemente para acelerar el debugging, es una herramienta que ahorra mucho tiempo.

Los tres son independientes: puedes usar LangGraph open source sin ninguno de ellos, solo con LangSmith, o con toda la plataforma. La licencia del framework en sí es MIT.

Preguntas frecuentes sobre LangGraph

¿LangGraph es gratuito? Sí. LangGraph es open source con licencia MIT. LangGraph Platform (el servicio gestionado en la nube) tiene coste a partir de cierto uso, pero el framework en sí es completamente libre.

¿Necesito saber LangChain para usar LangGraph? No es obligatorio. LangGraph funciona de forma independiente. Conocer LangChain ayuda a entender las abstracciones del ecosistema, pero puedes empezar directamente con LangGraph si tu caso de uso lo requiere.

¿LangGraph reemplaza a LangChain? No. Resuelven problemas distintos. LangChain es óptimo para flujos lineales con un ciclo de vida corto. LangGraph es para flujos con estado, ciclos y múltiples agentes. Pueden coexistir en el mismo sistema.

¿Cuándo tiene sentido LangGraph frente a CrewAI? Cuando necesitas control total del flujo, cuando el comportamiento del sistema tiene que ser auditable y predecible, o cuando el sistema va a producción y no puedes depender de comportamientos implícitos del framework. Para prototipos rápidos donde el tiempo importa más que el control, CrewAI puede ser más rápido de arrancar.

¿Funciona LangGraph con cualquier LLM? Sí. LangGraph es agnóstico al modelo. Funciona con OpenAI, Anthropic, modelos locales vía Ollama, Hugging Face, Azure OpenAI y cualquier proveedor que tenga integración con LangChain. El LLM es simplemente lo que ejecutas dentro de un nodo.

¿Qué es un checkpointer en LangGraph? Un checkpointer es el mecanismo que guarda el estado del grafo entre pasos o entre sesiones. `MemorySaver` guarda en memoria (desaparece al reiniciar). `SqliteSaver` persiste en disco. Sin checkpointer, cada ejecución del grafo empieza desde cero.

---

Si tu equipo está evaluando qué framework usar para construir agentes de IA para tu empresa, la elección entre LangGraph, LangChain y CrewAI depende directamente de la complejidad del flujo que quieras automatizar. Para los casos que importan en empresa —los que tienen estado, aprobaciones, múltiples pasos y tolerancia cero a errores en producción— LangGraph es hoy la opción más robusta del ecosistema open source. Si quieres evaluar cómo encaja con tu caso concreto, en GuruSup lo analizamos contigo.