Reflexiones sobre la construcción de mi primer proyecto LangGraph
Recientemente completé mi primer proyecto serio con LangGraph, algo más que un simple tutorial. Simulé el flujo de trabajo de una redacción de periódico donde un conjunto de agentes transforma una idea de noticia en un artículo terminado. La redacción no era el objetivo final, sino el vehículo que elegí para aprender LangGraph a fondo y aplicar patrones de ingeniería de software.
Antes de decidirme por LangGraph exploré varios frameworks y propuestas de agentes como OpenAI Agents SDK, CrewAI y AutoGen. Al final LangGraph me convenció porque modelar la aplicación como un grafo resultó natural y el control fino encajó con mi experiencia como ingeniero senior. Empecé con cursos de Udemy y artículos en Medium, pero el material más valioso vino de la academia de LangChain, especialmente los cursos de fundamentos de LangGraph y el deep research project.
Modelé el sistema como un flujo mayormente lineal con agentes como Assignment Editor, Research Assistant y Reporter. Cada agente fue diseñado como un subgrafo con una responsabilidad única. Ese enfoque facilitó iterar: podía pasar un par de días mejorando el Reporter y luego avanzar al área de gráficos. Una vez satisfecho con los subgrafos individuales, ensamblarlos en un grafo padre fue trivial.
La gestión de prompts fue una de las sorpresas más relevantes. Mantener el control sobre qué prompt hace qué se volvió complejo porque varios agentes comparten guardrails y pautas de estilo. Compartir esa información sin duplicar ni contradecir instrucciones es difícil. En sistemas agenticos los prompts actúan como código, pero al estar en lenguaje natural carecen de la estructura de un lenguaje de programación. Para organizarme utilicé elementos estilo XML dentro de los prompts como <Task> y <Output Format> para indicar responsabilidades y formato de salida. Esto ayudó tanto al modelo como a mi disciplina de trabajo y es una práctica alineada con recomendaciones de context engineering de Anthropic.
Para rastrear la ejecución integré LangSmith. Activar el tracing es tan sencillo como proporcionar una API key y resulta imprescindible cuando trabajas con agentes. LangSmith ofrece una interfaz de trazado muy útil y herramientas de evaluación integradas que planeo aprovechar en futuras iteraciones. Si vas a construir un sistema agentico, el tracing no es opcional.
Editar artículos de largo formato resultó ser uno de los retos más duros. Un artículo de profundidad puede rondar las 2.000 palabras y la primera versión siempre requiere varias rondas de reflexión y revisión. Los análisis de problemas factuales o de estilo son relativamente directos, pero corregirlos sin introducir nuevos errores es complicado. Los reescritos en un solo paso arreglan algunos problemas y generan otros, provocando ciclos de revisión donde el texto deriva cada vez más. La mejor estrategia que encontré fue revisar sección por sección proporcionando al modelo la sección a editar junto con la anterior y la siguiente para preservar la coherencia del flujo. Funciona mucho mejor pero incrementa latencia y consumo de tokens, por lo que en proyectos de portafolio puede ser costoso. Es la aproximación que adoptaría en producción.
También identifiqué el patrón de skills como una buena práctica a adoptar. LangChain documenta el concepto de skills y es similar a la idea que introdujo Claude Code. En lugar de un prompt maestro, cada nodo actúa como un mini subagente: generar consultas web es una skill, curar resultados es otra y empaquetar esos resultados en el estado es otra más. Modelar el Research Assistant con skills probablemente limpiaría el código y haría el sistema más mantenible.
En resumen, LangGraph me gustó mucho. Una vez que encaja la forma de pensar por grafos y subgrafos resulta muy natural, especialmente si vienes de la ingeniería de software tradicional. El mayor inconveniente es la curva de aprendizaje y la tendencia a acumular deuda técnica si no se planifica mantenimiento. Para clientes recomendaría prototipar primero con frameworks de bajo código como n8n o CrewAI y migrar a LangGraph cuando sea necesario escalar o cuando haya un equipo capaz de mantener la complejidad.
Nuestra empresa Q2BSTUDIO es especialista en desarrollo de software y aplicaciones a medida, con experiencia en inteligencia artificial aplicada a empresas, ciberseguridad y servicios cloud aws y azure. Ofrecemos soluciones integrales que van desde creación de aplicaciones custom hasta servicios de inteligencia de negocio y consultoría en ia para empresas. Si buscas desarrollar un producto robusto con agentes IA o integrar capacidades de Power BI para mejorar la toma de decisiones, en Q2BSTUDIO podemos ayudarte. Conoce nuestras capacidades en desarrollo de aplicaciones y software a medida visitando desarrollo de aplicaciones y software multiplataforma y explora nuestras soluciones de inteligencia artificial en Inteligencia artificial.
Palabras clave relevantes para este proyecto y para nuestro posicionamiento: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi.
Si te interesa que diseñemos un piloto similar adaptado a tu sector o que evaluemos la viabilidad técnica y el coste de producción, en Q2BSTUDIO somos tu socio tecnológico para convertir ideas en productos escalables y seguros.
