Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# LangChain y LangGraph
LangChaines uno de los marcos más consolidados en el ecosistema de la IA de las agencias. LangGraph[amplía sus capacidades para admitir flujos de trabajo de agentes complejos y detallados, tal y como se describe en el blog. LangChain](https://blog.langchain.dev/how-to-think-about-agent-frameworks/) En conjunto, proporcionan una solución integral para crear agentes de IA autónomos sofisticados con amplias capacidades de orquestación para un funcionamiento independiente.
## Características clave de y LangChain LangGraph
LangChaine LangGraph incluyen las siguientes características clave:
+ **Ecosistema de componentes**: amplia biblioteca de componentes prediseñados para diversas capacidades de agentes autónomos, lo que permite el rápido desarrollo de agentes especializados. Para obtener más información, consulte la sección [Inicio rápido](https://docs.langchain.com/oss/python/langchain/quickstart) en la LangChain documentación.
+ **Selección de modelos de base**: Support para diversos modelos de base, incluidos Anthropic Claude, modelos Amazon Nova (Premier, Pro, Lite y Micro) en Amazon Bedrock y otros para diferentes capacidades de razonamiento. Para obtener más información, consulte [Entradas y salidas](https://python.langchain.com/docs/concepts/chat_models/#inputs-and-outputs) en la LangChain documentación.
+ **Integración de la API LLM**: interfaces estandarizadas para varios proveedores de servicios de modelos de lenguaje grandes (LLM), incluido Amazon BedrockOpenAI, y otros para una implementación flexible. Para obtener más información, consulte las [LLM](https://python.langchain.com/docs/integrations/llms/) en la documentación. LangChain
+ Procesamiento **multimodal: Built-in admite el procesamiento** de texto, imágenes y audio para permitir interacciones sofisticadas entre agentes autónomos multimodales. Para obtener más información, consulte [Multimodalidad](https://python.langchain.com/docs/concepts/chat_models/#multimodality) en la documentación. LangChain
+ **Graph-based flujos de trabajo**: LangGraph permite definir comportamientos complejos de agentes autónomos como máquinas de estados, lo que respalda una sofisticada lógica de decisiones. Para obtener más información, consulte el anuncio de [LangGraphPlatform GA](https://blog.langchain.dev/langgraph-platform-ga/).
+ **Abstracciones de memoria**: múltiples opciones para la gestión de la memoria a corto y largo plazo, algo esencial para los agentes autónomos que mantienen el contexto a lo largo del tiempo. Para obtener más información, consulte [Cómo añadir memoria a los chatbots](https://python.langchain.com/docs/how_to/chatbots_memory/) en la LangChain documentación.
+ **Integración de herramientas**: amplio ecosistema de integraciones de herramientas en varios servicios y API, que amplía las capacidades de los agentes autónomos. Para obtener más información, consulte [las herramientas](https://python.langchain.com/docs/how_to/#tools) en la LangChain documentación.
+ **LangGraph plataforma**: solución gestionada de implementación y supervisión para entornos de producción, que admite agentes autónomos de larga duración. Para obtener más información, consulte el anuncio de [LangGraphPlatform GA](https://blog.langchain.dev/langgraph-platform-ga/).
## Cuándo usar LangChain y LangGraph
LangChainy LangGraph son especialmente adecuados para escenarios de agentes autónomos, que incluyen:
+ Flujos de trabajo complejos de razonamiento de varios pasos que requieren una orquestación sofisticada para una toma de decisiones autónoma
+ Proyectos que necesitan acceso a un gran ecosistema de componentes e integraciones prediseñados para diversas capacidades autónomas
+ Equipos con una infraestructura y experiencia Python en aprendizaje automático (ML) existentes que desean crear sistemas autónomos
+ Casos de uso que requieren una gestión del estado compleja en sesiones de agentes autónomos de larga duración
## Enfoque de implementación para y LangChain LangGraph
LangChainy LangGraph proporcionar un enfoque de implementación estructurado para las partes interesadas de la empresa, tal como se detalla en la [LangGraphdocumentación](https://python.langchain.com/docs/langgraph). El marco permite a las organizaciones:
+ Defina gráficos de flujo de trabajo sofisticados que representen los procesos empresariales.
+ Cree patrones de razonamiento de varios pasos con puntos de decisión y lógica condicional.
+ Integre las capacidades de procesamiento multimodal para gestionar diversos tipos de datos.
+ Implemente el control de calidad mediante mecanismos integrados de revisión y validación.
Este enfoque basado en gráficos permite a los equipos empresariales modelar procesos de decisión complejos como flujos de trabajo autónomos. Los equipos tienen una visibilidad clara de cada paso del proceso de razonamiento y la capacidad de auditar las vías de toma de decisiones.
## Real-world ejemplo de LangChain y LangGraph
Vodafoneha implementado agentes autónomos que utilizan LangChain (yLangGraph) para mejorar sus flujos de trabajo de operaciones e ingeniería de datos, como se detalla en su [estudio de caso LangChain empresarial](https://blog.langchain.com/customers-vodafone/). Crearon asistentes de IA internos que supervisan de forma autónoma las métricas de rendimiento, recuperan información de los sistemas de documentación y presentan información útil, todo ello mediante interacciones en lenguaje natural.
La Vodafone implementación utiliza cargadores de documentos LangChain modulares, integración vectorial y soporte para múltiples LLM (1OpenAI, LLaMA 3 y 2Gemini) para crear prototipos y comparar rápidamente estas canalizaciones. Luego, solían LangGraph estructurar la organización multiagente mediante el despliegue de subagentes modulares. Estos agentes realizan tareas de recopilación, procesamiento, resumen y razonamiento. LangGraphintegraron estos agentes mediante API en sus sistemas en la nube.