Arquitecturas de Agentes IA con LangGraph

Guía de Referencia — 16 Patrones de Arquitectura LangGraph 0.3+ · 2025

Transcript

1. Arquitecturas de Agentes IA con LangGraph Guía de Referencia — 16 Patrones de Arquitectura LangGraph 0.3+ · 2025 LangGraph 0.3+ 16 Patrones 400+ Empresas 13 Datasets Ernesto Crespo · Grupo Venemergencia · CuidaSalud Escanéame · slides en SpeakerDeck
2. ARQUITECTURA DE UN AGENTE IA Componentes de un Agente IA Del usuario al modelo: se interactúa por interfaz web o por CLI / TUI / Dashboard Usuario 👤 Persona que interactúa WebUI / Chat 💬 Interfaz web conversacional CLI / TUI / Dashboard ⌨️ Terminal, app TUI o panel de control Agente 🤖 Orquesta el flujo y decide LLM 🧠 Razonamiento y lenguaje MCP 🔌 Conectores a datos y apps Skills 🛠️ Capacidades y herramientas interactúa petición razona HERRAMIENTAS Flujo: el Usuario interactúa por WebUI/Chat o por CLI/TUI/Dashboard el Agente decide consulta el LLM y usa MCP y Skills → → Ernesto Crespo · Grupo Venemergencia · CuidaSalud · LangGraph V4 2026
3. AGENTES DE IA · PANORAMA DE HERRAMIENTAS Agentes de uso general y proveedores de modelos Apps para usar agentes en el día a día y las capas de inferencia que los alimentan AGENTES DE USO GENERAL OpenClaw 🦞 Asistente personal open source; ejecuta tareas y responde desde WhatsApp, Telegram, Slack… (68k+ ) ★ Hermes 🔮 Agente de Nous Research con memoria persistente; crea y reutiliza skills, mejora con el uso (OSS) Claude Desktop 🖥️ App de escritorio de Anthropic; chat con Claude y soporte de MCP / conectores Claude Cowork 🧰 Modo de escritorio para automatizar archivos y tareas sin programar PROVEEDORES E INFERENCIA · LOCAL / OPEN SOURCE Ollama 🦙 Ejecuta y gestiona LLMs locales con un comando; expone API local compatible llama.cpp ⚙️ Motor de inferencia en C/C++; corre modelos GGUF en CPU y GPU LM Studio 🎛️ App de escritorio para descargar y correr LLMs locales con interfaz gráfica OpenRouter 🔀 Router unificado: una sola API hacia cientos de modelos y proveedores Clave: los agentes son la interfaz; los proveedores deciden qué modelo razona — en la nube o localmente Ernesto Crespo · Grupo Venemergencia · CuidaSalud · LangGraph V4 2026
4. AGENTES DE IA · DESARROLLO DE SOFTWARE Agentes para desarrollo de software Agentes de código en la terminal (consola) y plataformas / IDE agénticas CLI / CONSOLA (TERMINAL) Claude Code ⌨️ CLI agéntico de Anthropic; referencia para trabajo serio Codex 🔷 Agente de OpenAI: CLI, IDE y nube (GPT-5.5) OpenCode 🟢 OSS de SST; 75+ proveedores y modelos locales π Pi Harness minimal y extensible, multi-proveedor Aider 🔧 Pair-programming en terminal, Git- native (OSS) Goose 🦆 CLI open source de Block, basado en MCP Cline 🤖 Autónomo model-agnostic: plan, edición, browser Crush / OpenHands 🌀 Opciones open source emergentes de consola IDE / PLATAFORMA AGÉNTICA Junie 🐦 JetBrains (IDE + CLI beta), multi- modelo (BYOK) Kiro 📐 IDE agéntico de AWS, guiado por especificaciones Antigravity CLI 🚀 Plataforma de Google: desktop, CLI y SDK Warp 💻 Entorno de desarrollo agéntico nativo de terminal Tendencia 2026: casi todos son multi-modelo (BYOK) y muchos corren con modelos locales vía Ollama / OpenRouter Ernesto Crespo · Grupo Venemergencia · CuidaSalud · LangGraph V4 2026
5. MODELOS DE IA · PANORAMA Y CLASIFICACIÓN Modelos LLM: abiertos vs propietarios Open weights = pesos descargables (uso local) · Propietario = solo vía API · multimodalidad y contexto varían por versión Modelo Proveedor Licencia Multimodal Uso principal Claude (Opus·Sonnet·Haiku) Anthropic Propietario Texto + imagen Código, razonamiento, agentes GPT-5.5 · o-series OpenAI Propietario Sí General, código, razonamiento Gemini 3 (Pro·Flash) Google Propietario Sí · audio/vídeo Multimodal, contexto largo Grok xAI Propietario Sí General, tiempo real Llama 4 (Scout·Maverick) Meta Open weights Sí General, local, fine-tuning DeepSeek (V3.2·R1·V4) DeepSeek Open · MIT V4: sí Razonamiento, código, bajo costo Qwen3 (Coder·VL) Alibaba Open · Apache 2.0 Sí (VL) General, código, multimodal Kimi K2 Moonshot AI Open weights Texto Agentes, código (MoE grande) Gemma 4 Google Open weights Sí (img/vídeo) Ligero, local, general gpt-oss (120b·20b) OpenAI Open · Apache 2.0 Texto Razonamiento local / edge Mistral · Pixtral · Devstral Mistral AI Open + propietario Sí (Pixtral) General, multimodal, código Phi-4 · GLM Microsoft · Zhipu Open weights Texto Pequeños/eficientes, código Ernesto Crespo · Grupo Venemergencia · CuidaSalud · LangGraph V4 2026
6. EL ECOSISTEMA DE FRAMEWORKS PARA AGENTES IA Frameworks para construir Agentes IA en Python Panorama 2026 — LangGraph es uno de varios; cada framework optimiza un objetivo distinto LangGraph 🕸️ Orquestación basada en grafos con estado ENFOQUE Grafos de estado, ciclos, HITL y persistencia MEJOR PARA Workflows complejos en producción CrewAI 👥 Equipos de agentes organizados por roles ENFOQUE Crews de agentes rol/tarea que colaboran MEJOR PARA Prototipos multi-agente muy rápidos AutoGen / MS Agent Fwk 💬 Conversaciones entre múltiples agentes ENFOQUE Agentes que dialogan y ejecutan código MEJOR PARA Investigación y topologías dinámicas LlamaIndex 📚 Capa de datos y recuperación primero ENFOQUE Indexación, RAG y AgentWorkflows MEJOR PARA Agentes sobre grandes corpus / RAG OpenAI Agents SDK 🧰 Sucesor de Swarm, ligero (2026) ENFOQUE Handoffs, tools, streaming, Pydantic MEJOR PARA Orquestación ligera multi-proveedor Pydantic AI ✅ Agentes con tipado seguro ENFOQUE I/O tipada, inyección de dep., Logfire MEJOR PARA Producción robusta y type-safe También en el ecosistema Python: Semantic Kernel · Smolagents · Google ADK · Haystack · Claude Agent SDK Ernesto Crespo · Grupo Venemergencia · CuidaSalud · LangGraph V4 2026
7. FUNDAMENTOS DEL ECOSISTEMA LangChain & LangGraph Dos frameworks complementarios para construir aplicaciones LLM y agentes LangChain 🦜 Framework de composición para LLMs Qué resuelve Bloques componibles: chains, prompts, tools, retrievers. Mejor para RAG, asistentes lineales, +600 integraciones. Primitivos LCEL · Runnable · ChatModel · Tool · Retriever Licencia MIT · open source · Python y JavaScript LangGraph 🕸️ Framework de orquestación basado en grafos Qué resuelve Estado, ciclos, control fino, persistencia y HITL. Mejor para Multi-agente, workflows complejos, producción. Primitivos StateGraph · Node · Send() · interrupt() · Checkpointer Licencia MIT · open source · base de los 16 patrones LangChain compone bloques · LangGraph orquesta el flujo. Se usan juntas: las tools y modelos de LangChain 💡 dentro de los nodos de un StateGraph. Ernesto Crespo · Grupo Venemergencia · CuidaSalud · LangGraph V3 2025
8. CAPAS DEL STACK · CÓMO ENCAJAN De LLM a Agente Productivo en 4 Capas Cada capa añade abstracción, control y observabilidad sin reescribir las anteriores. 4 LangSmith / LangGraph Platform Observabilidad, evals, despliegue gestionado, persistencia HA Plataforma · gestionada 3 LangGraph Orquestación con estado · ciclos · HITL · checkpointers · multi-agente Open source · MIT 2 LangChain Core + Integrations ChatModel · Tool · Retriever · Embeddings · Vector Stores · LCEL Open source · MIT 1 Modelos & APIs Anthropic · OpenAI · Google · Meta · proveedores propios Capa de infraestructura Los 16 patrones de esta guía viven en la capa 3 (LangGraph) y consumen herramientas de la capa 2 (LangChain)
9. MAPA DEL ECOSISTEMA Ecosistema LangChain · Open Source vs Comercial Todos los frameworks de desarrollo son MIT. Los productos gestionados (observabilidad, despliegue) son de LangChain, Inc. OPEN SOURCE · LICENCIA MIT 🟢 Código libre · self-host · sin cuenta requerida langchain Paquete principal: chains, agentes legacy, helpers langchain-core Abstracciones base: Runnable, ChatModel, Tool langgraph Grafos con estado · base de los 16 patrones langchain-community +600 integraciones de la comunidad langchain-{provider} Paquetes por proveedor: -openai, -anthropic, -aws LangChain Hub (open) Prompts y plantillas versionadas y públicas LangServe Exponer chains/grafos como API REST con FastAPI LangChain CLI Scaffolding, plantillas y dev server local COMERCIAL · LANGCHAIN, INC. 🟠 SaaS · self-hosted Enterprise · planes con SLA LangSmith Tracing · datasets · evals · prompt hub LangGraph Platform Despliegue gestionado · escalado · APIs LangGraph Studio IDE visual del grafo (freemium) LangGraph Cloud Persistencia HA + observabilidad Planes Plus / Enterprise SSO · RBAC · SLAs · self-hosted Regla práctica: construye con OSS (LangChain + LangGraph) · instrumenta con LangSmith · escala con LangGraph Platform cuando llegue producción.
10. CONCEPTOS FUNDAMENTALES Primitivos Clave de LangGraph StateGraph Grafo principal con estado compartido tipado (TypedDict / Pydantic) Node Función Python o llamada LLM — unidad de cómputo Conditional Edge Enrutamiento dinámico basado en estado en runtime Checkpointer Persistencia del estado: SqliteSaver, RedisSaver, PostgresSaver Send() Dispatch dinámico para paralelismo (Map- Reduce) interrupt() Pausa la ejecución para aprobación humana (HITL) Ciclo de Vida de un Grafo Definir State (TypedDict) → Crear StateGraph → Agregar Nodos + Edges → Compilar (compile()) → Ejecutar (invoke/stream)
11. LOS 16 PATRONES DE ARQUITECTURA — VISIÓN GENERAL P01 ReAct Agent Complejidad: Baja Latencia: Baja P02 Supervisor Complejidad: Media Latencia: Media P03 Hierarchical Complejidad: Alta Latencia: Alta P04 Pipeline Complejidad: Baja Latencia: Media P05 Parallel Map-Reduce Complejidad: Media Latencia: Baja P06 Reflection Complejidad: Media Latencia: Alta P07 Plan-and-Execute Complejidad: Alta Latencia: Alta P08 HITL Complejidad: Media Latencia: Alta* P09 Agentic RAG Complejidad: Alta Latencia: Alta P10 CodeAct Complejidad: Media Latencia: Media P11 CUA Complejidad: Alta Latencia: Alta P12 Memoria+GuardRails Complejidad: Alta Latencia: Media P13 CUA + HITL Complejidad: Muy Alta Latencia: Muy Alta P14 Network/Swarm Complejidad: Alta Latencia: Media P15 Debate/Consenso Complejidad: Media Latencia: Alta P16 Orchestrator-Worker Complejidad: Alta Latencia: Alta
12. PATRONES BÁSICOS — ReAct · Pipeline · Parallel Map-Reduce P01 — ReAct Agent Fraude Financiero · PaySim 6.3M Ciclo iterativo: razona decide actúa → → → razona Usuario LLM → ↓ ¿Necesita Tool? ↓ Tool Executor ↓ LLM (razona) ↓ Respuesta Final Prototipado rápido ✅ Agentes conversacionales ✅ No multi-agente ❌ P04 — Pipeline / Prompt Chaining Quejas CFPB · 162K registros Secuencia determinística — cada nodo procesa la salida del anterior clean ↓ classify ↓ sentiment ↓ summarize ↓ recommend ↓ validate ETL y documentos ✅ Flujo siempre igual ✅ Sin routing dinámico ❌ P05 — Parallel Map-Reduce Amazon Reviews · 568K registros Fan-out: N workers concurrentes Fan-in: merge de resultados Worker B Worker N Multi-documento en paralelo ✅ Reportes multi-categoría ✅ Dependencias entre tareas ❌
13. PATRONES MULTI-AGENTE — Supervisor · Hierarchical P02 — Supervisor / Hub-and-Spoke Customer Support · 8,469 tickets LLM Supervisor: enrutamiento inteligente a workers especializados API clave: create_supervisor(agents=[...], model=llm) Multi-dominio con routing LLM ✅ 2-8 workers especializados ✅ No escala con >10 workers ❌ P03 — Hierarchical Multi-Agent Customer Support Multilingüe · 61,800 tickets EN/DE Múltiples niveles jerárquicos — cada dominio con su subgraph Root Orchestrator Empresarial · >10 agentes ✅ Aislamiento de fallos por subgraph ✅ Overhead de latencia por niveles ❌ API clave: StateGraph(…).add_node(“billing”,billing_subgraph.compi le())
14. PATRONES MULTI-AGENTE AVANZADOS — Network/Swarm · Debate · Orchestrator-Worker P14 — Network / Swarm Multi-agente descentralizado (P2P) Sin orquestador central: cada agente transfiere el control a otro vía Command(goto) Tarea Agente A → ↓ Agente A handoff → ↓ Agente B (handoff) ↓ Agente C (handoff) ↓ Respuesta final Colaboración entre pares ✅ langgraph-swarm ✅ Difícil de observar/depurar ❌ P15 — Debate / Consenso Ensemble · votación por mayoría Agentes con posturas opuestas argumentan; un juez agrega votos Agente Pro ↓ Agente Contra ↓ Agente Neutral ↓ Juez: agrega votos ↓ Mayoría ↓ Decisión Decisiones robustas ✅ Reduce sesgo individual ✅ Costo de N agentes ❌ P16 — Orchestrator-Worker Subtareas dinámicas en runtime Un orquestador LLM genera subtareas y un sintetizador combina resultados Worker A Worker N Subtareas no predecibles ✅ Coding multi-archivo ✅ Más latencia que map-reduce fijo ❌ Worker B Orchestrator (LLM) Synthesizer (fan-in)
15. CALIDAD E INTELIGENCIA — Reflection · Plan-and-Execute P06 — Reflection / Self-Critique ArXiv Papers ML/AI · 105 papers Loop: generate critique refine → → hasta superar umbral de calidad (score 0.8) ≥ critique (temp=0.0) Generación de calidad crítica ✅ Auto-corrección iterativa ✅ Tasks simples (primera resp. suficiente) ❌ P07 — Plan-and-Execute Supply Chain · DataCo · 180K+ órdenes Separa razonamiento de ejecución: planner executor replanner (dinámico) → → Research multi-paso ✅ Software engineering (plan impl test) ✅ → → Tasks simples sin plan explícito ❌
16. CONTROL HUMANO Y CONOCIMIENTO — HITL · Agentic RAG P08 — Human-in-the-Loop (HITL) Aprobación de Préstamos · Loan Approval Dataset El grafo se pausa con interrupt() para aprobación humana antes de acciones irreversibles analyze Decisiones: approve · reject · modify · abort Requiere: SqliteSaver / PostgresSaver checkpointer Acciones irreversibles y compliance ✅ Respuesta instantánea requerida ❌ P09 — Agentic RAG Sistema Q&A Médico · MedQuAD 47K pares (NIH) RAG activo: el LLM decide qué fuente consultar, grading de docs, reformulación y anti-alucinación route Q&A con precisión crítica (médico, legal) ✅ Fuentes privadas + web ✅ Latencia crítica < 2s ❌
17. PATRONES AVANZADOS — CodeAct · Computer Use Agent P10 — CodeAct Agent GitHub Issues · 5,000 sintéticos Genera código Python ejecutable en lugar de llamadas JSON a herramientas. ~30% menos tokens. Dimensión Tool Calling CodeAct Output JSON struct Python block Flexibilidad Tools fijas Cualq. lógica Multi-step N turnos 1 bloque Tokens Más ~30% menos Análisis de datos complejo ✅ Multi-tool en 1 bloque ✅ Sin sandbox = riesgo de seguridad ❌ arxiv:2402.01030 — "Executable Code Actions Elicit Better LLM Agents" P11 — Computer Use Agent (CUA) Monitoreo de Precios · books.toscrape.com Interactúa con UIs reales: screenshot razona actúa → → Observar Planificar Actuar → → Mouse 🖱 click · drag · hover Keyboard ⌨️ type · hotkeys Screen 📸 screenshot · OCR Browser 🌐 navigate · read DOM orchestrator → [tools] → screenshot → razona → navigate/click/extract → task_complete? Sitios sin API pública · RPA legacy ✅ Testing automatizado de UIs ✅ Si hay API disponible úsarla ❌ →
18. PRODUCCIÓN ROBUSTA — Memoria+GuardRails · CUA+HITL P12 — Memoria + GuardRails E-Commerce Support · Bitext · 26,872 utterances Tipos de Memoria: In-thread: State + add_messages Contexto actual Cross-thread: InMemoryStore / PostgresStore Historial cliente Semántica: ChromaDB / pgvector Memorias por similitud GuardRails: Input Filtra queries fuera de dominio, PII Output Verifica idioma, tono y política Tool Bloquea acciones destructivas HITL Aprueba acciones alto riesgo Usuarios recurrentes, PII, datos sensibles ✅ Consultas únicas · MVP exploratorio ❌ P13 — CUA + HITL (Máx. Complejidad) Procesamiento de Reclamos de Seguros CUA automatiza formularios UI + HITL pausa en acciones de alto riesgo para aprobación humana RPA bancario · seguros · compliance ✅ Trazabilidad completa de cada acción ✅ Procesos completamente automatizables ❌
19. TABLA COMPARATIVA — Los 16 Patrones Guía Rápida de Selección # Patrón Complejidad Latencia Memori a HITL Caso de Uso Principal P01 ReAct Agent Baja Baja No No Análisis iterativo con tools P02 Supervisor Media Media No Opc. Multi-dominio, routing inteligente P03 Hierarchical Alta Alta No No Enterprise, >10 agentes, aislamiento P04 Pipeline Baja Media No No ETL, flujo secuencial determinístico P05 Map-Reduce Media Baja No No N tareas independientes simultáneas P06 Reflection Media Alta No No Calidad crítica, auto-corrección P07 Plan-Execute Alta Alta No No Research multi-paso, software eng. P08 HITL Media Alta* No Sí Acciones irreversibles, compliance P09 Agentic RAG Alta Alta Sí No Q&A precisión, múltiples fuentes P10 CodeAct Media Media No No Multi-tool, análisis datos complejo P11 CUA Alta Alta No Opc. Automatizar UIs sin API, RPA P12 Mem+Guards Alta Media Sí Sí Producción robusta, datos sensibles P13 CUA+HITL Muy Alta Muy Alta Sí Sí RPA crítico con supervisión humana P14 Network/Swarm Alta Media No Opc. Multi-agente descentralizado, handoffs P2P P15 Debate/ Consenso Media Alta No No Decisiones robustas por votación (ensemble) P16 Orchestrator- Worker Alta Alta No No Subtareas dinámicas, coding multi-archivo
20. GUÍA DE SELECCIÓN DE PATRÓN — Árbol de Decisión
21. MCP + LANGGRAPH · OBSERVABILIDAD Y DEPLOYMENT MCP — Model Context Protocol Atlassian 📋 Jira + Confluence MongoDB 🍃 Atlas / local Gmail / GCal 📧 Comunicaciones GitHub / GitLab 🔧 Control versiones ChromaDB 🔍 Vector search Custom FastMCP ⚡ CuidaSalud tools Observabilidad y Deployment LangSmith Tracing, debugging, replay en prod LangGraph Studio IDE visual — estado paso a paso LangGraph Cloud Managed deploy, SLAs, escalado PostgresSaver Checkpointing producción (HA) Modelos Recomendados claude-sonnet-4-6 Agentes complejos Patrones: P01, P02, P03, P07 claude-haiku-4-5 Pipelines multi-llamada, routing, grading Patrones: P04, P08, P09, P11, P12 claude-haiku-4-5-20251001 CodeAct + visión (CUA) Patrones: P10, P11, P13 Estructura de Prompt — 7 Componentes Purpose Input Desc Output Desc Success Criteria Instructions Background Examples
22. ESTRUCTURA DE PROMPT PARA AGENTES LANGGRAPH — Los 7 Componentes Un prompt bien estructurado es tan importante como la arquitectura del grafo. 1. Purpose ¿Para qué existe? Define rol del nodo / system prompt base 2. Input Description ¿Qué recibe? Valida el State que llega al nodo 3. Output Description ¿Qué produce? Define schema de with_structured_output() 4. Success Criteria ¿Cómo saber si está bien? Base del nodo Critique en Reflection 5. Instructions ¿Cómo ejecutar? Cuerpo principal del system_prompt 6. Background ¿Qué contexto necesita? Cargado desde State o VectorStore (RAG) 7. Examples ¿Cómo se ve el resultado? Few-shot estático o dinámico (Chroma) Prioridad por Complejidad del Agente Componente Simple (ReAct/Pipeline) Producción (HITL/RAG) Purpose Requerido ✅ Requerido ✅ Input Description Requerido ✅ Requerido ✅ Output Description Requerido ✅ Requerido ✅ Success Criteria Opcional ⚪ Requerido ✅ Instructions Requerido ✅ Requerido ✅ Background Opcional ⚪ Requerido ✅ Examples Opcional ⚪ Requerido ✅ Anti-patrones Comunes ⚠️ • Purpose vago: "Ayuda al usuario" sin dirección clara → • Instructions negativas: "No hagas X" los LLMs responden mejor a lo que SÍ → hacer • Sin Success Criteria el agente no puede autocorregirse en loops Reflection → • Sin Examples en formatos complejos la tasa de error sube → significativamente
23. DATASETS UTILIZADOS — 16 Patrones · 13 Datasets P01 ReAct PaySim — Detección Fraude Financiero Kaggle 6.3M filas P02 Supervisor Customer Support Ticket Dataset Kaggle 8,469 tickets P03 Hierarchical Customer Support Tickets Multilingüe HuggingFace 61,800 EN/DE P04 Pipeline Consumer Complaints — CFPB NLP Kaggle 162,421 quejas P05 Map-Reduce Amazon Fine Food Reviews Kaggle 568K reviews P06 Reflection ArXiv Papers ML/AI (cs.LG, cs.CL, cs.AI) ArXiv API 105 papers P07 Plan-Execute DataCo Smart Supply Chain Kaggle 180K+ órdenes P08 HITL Loan Approval Prediction Dataset Kaggle Clasificación bin. P09 Agentic RAG MedQuAD — Q&A Médico (NIH) NIH/HuggingFace 47,457 pares P10 CodeAct GitHub Issues (sintético) Generado 5,000 issues P11 CUA books.toscrape.com Web (legal) 1,000 libros P12 Mem+Guards Bitext Customer Support HuggingFace 26,872 utterances P13 CUA+HITL Reclamos de Seguros (sintético) Generado Simulado Kaggle HuggingFace ArXiv API NIH/HuggingFace Web (legal) Generado P14 Network/Swarm Mensajería entre agentes (P2P) Generado Demo en código P15 Debate Debate multi-agente · votación Generado Demo en código P16 Orchestrator Orchestrator-Worker · subgrafos Generado Demo en código
24. PROYECTO EN DESARROLLO · LO QUE VIENE Prismal — Orquestación multi-agente Construido sobre LangGraph · security-first · provider-agnostic · composable · MIT © Ernesto Crespo EN DESARROLLO 🚧 26 agentes 🧩 especializados Patrón SUPERVISOR enruta a coder, researcher, planner, critic, RAG, CodeAct, CUA… Seguridad en 5 🛡️ capas Sanitizer Guardrails (+NeMo) → → Interceptor Audit log con → hash-chain + permisos TTL Provider-agnostic 🔌 Claude, GPT, Gemini y Ollama vía LiteLLM, aislados en providers/ 7 motores RAG 📚 CRAG, HyDE, RAG-Fusion, Hybrid (BM25+semántico), Self-RAG, Parent-Child, Adaptive 7 patrones de 🧠 razonamiento Tree of Thoughts, Debate, Constitutional AI, LATS (MCTS), LLM-Compiler, MoA, Swarm MCP + routing por 🔗 capacidad Auto-descubrimiento y filtrado de herramientas por agente (mcp_servers.yaml) Pipelines de 🧱 dominio Customer Service, Doc Gen, Data ETL, Code Review, Debate + dev / ml / financial Producción & 🔭 observabilidad HITL (interrupt), sandbox aislado, memoria PII-safe, Langfuse / OpenTelemetry, cron Estado actual: 26 agentes · 19 arquitecturas componibles · 7 RAG · 7 patrones · 5 capas de seguridad · Python 3.13+ · PyPI v2.0.0 github.com/prismal-ai/prismal · Ernesto Crespo · Grupo Venemergencia · CuidaSalud · LangGraph V4 2026
25. Conclusiones 🔵 LangGraph 0.3+ provee primitivos sólidos (StateGraph, Send, interrupt) para construir desde agentes simples hasta sistemas multi-agente empresariales. 🟢 Los 16 patrones cubren el espectro completo: desde ReAct (prototipado rápido) hasta CUA+HITL (RPA crítico con supervisión). 🟡 La elección del patrón depende de: complejidad del task, necesidad de HITL, memoria persistente y latencia aceptable. 🔴 MCP amplía las capacidades de cualquier patrón con integraciones a servicios externos (Atlassian, MongoDB, Gmail, etc.). 🟣 Producción requiere: PostgresSaver checkpointer, LangSmith tracing y GuardRails para datos sensibles. Ernesto Crespo · Tech Lead · Grupo Venemergencia · CuidaSalud · LangGraph v2 2026
26. Referencias y Recursos 🔵 Repositorio de tutoriales — github.com/ecrespo/Langgraph_tutorials (16 patrones · scripts 01–16 · notebooks 17–30) 🟢 LangGraph — Documentación oficial — langchain-ai.github.io/langgraph 🟡 Arquitecturas multi-agente y Swarm — docs LangGraph (multi-agent) · paquete langgraph-swarm 🔴 CodeAct — arXiv:2402.01030 “Executable Code Actions Elicit Better LLM Agents” 🟣 Anthropic — “Building effective agents” — anthropic.com/research/building- effective-agents Ernesto Crespo · Tech Lead · Grupo Venemergencia · CuidaSalud · LangGraph · 16 Patrones · 2026 Escanea para abrir el repositorio github.com/ecrespo/ Langgraph_tutorials