Deep Agents frente a LangGraph: ¿qué capa necesitas realmente?

Crear un agente implica mucho más que conectar un LLM a un par de herramientas. También debes decidir cómo gestiona el agente el estado, cómo maneja el contexto, cómo llama a las herramientas, cómo ejecuta las tareas y cómo determina qué hacer a continuación.

LangGraph y Deep Agents resuelven estos problemas en diferentes niveles de abstracción.LangGraph ofrece a los desarrolladores las primitivas para definir y controlar el flujo de ejecución de un agente, mientras que Deep Agents proporciona un entorno de agente preconfigurado de alto nivel sobre LangGraph.

Ambos resuelven el mismo problema subyacente. Un modelo razona, pero no puede actuar. No abrirá un archivo, no llamará a una API, no ejecutará el código que acaba de escribir ni recordará lo que decidió hace cuatro turnos. Algo debe rodear al modelo para cerrar esa brecha y seguir cerrándola durante todo el tiempo que dure la tarea. LangGraph te da las piezas para construir eso. Deep Agents te lo entrega ensamblado.

¿Qué es LangGraph?

LangGraph es un entorno de ejecución para agentes. Modelas el flujo de trabajo como un grafo dirigido: los nodos son operaciones discretas, las aristas definen qué se ejecuta después y un esquema de estado tipado recorre cada paso. La ejecución recorre tu estructura hasta que un nodo devuelve END.

Una construcción con LangGraph suele tener este aspecto:

• Definir el esquema de estado.Un objeto tipado del que cada nodo lee y en el que escribe.
• Escribir los nodos.Cada uno es una función: llamar a un modelo, usar una herramienta, transformar el estado, validar algo.
• Conectar las aristas.Secuencias fijas, además de aristas condicionales que se ramifican según lo que contenga el estado en ese momento.
• Añadir puntos de control (checkpointers).Persistencia que permite que una ejecución interrumpida se reanude desde el último paso completado en lugar de desde el principio.
• Añadir interrupciones.Puntos de pausa donde un humano revisa o aprueba antes de que la ejecución continúe.

Los puntos de control y las interrupciones son los verdaderos elementos diferenciadores aquí, y son la razón por la que LangGraph terminó situándose debajo de casi todo lo demás en el stack de LangChain. Tanto el de LangChaincreate_agenty Deep Agents se ejecutan sobre él.

LangGraph funciona mejor cuando:

• El flujo de trabajo tiene una estructura definida, y esa estructura codifica un conocimiento del dominio que no quieres que un modelo cuestione
• Los pasos deterministas y los pasos del modelo se combinan en la misma canalización
• Una persona debe dar su aprobación en un punto específico, no "en algún lugar del bucle"
• Las ejecuciones son lo suficientemente largas como para que sea importante reanudar desde un punto de control
• Necesitas ramificaciones o bucles que regresen a etapas anteriores, algo que ningún bucle fijo permitiría

El propio ejemplo de LangChain es una canalización de solicitud de alquiler: extraer los ingresos y el historial crediticio de los documentos, evaluarlos según los criterios del propietario y, a continuación, aprobar, rechazar o escalar automáticamente los casos dudosos. Solo el primer paso utiliza un LLM. El resto es código fijo, y debería seguir siendo código fijo.

¿Qué son los Deep Agents?

Deep Agents es un entorno de ejecución para agentes. Utiliza el mismo bucle central quecreate_agent, pero con un enfoque propio y prácticas de ingeniería de contexto integradas por defecto. LangChain lo describe como el agente principal más un conjunto de middleware, y en esencia, sigue siendo un grafo de LangGraph.

Lo que incluye:

• Un sistema de archivos, para que el agente lea y escriba contexto que no debería cargar en la ventana de contexto
• Subagentes, que realizan tareas especializadas sin sobrecargar el hilo principal
• Habilidades, instrucciones y scripts que el agente carga bajo demanda
• Memoria, para que el agente conserve el aprendizaje entre ejecuciones
• Estructura de planificación, el mecanismo que desglosa una tarea antes de ejecutarla

Obtienes un agente a partir decreate_deep_agentcon un modelo, un conjunto de herramientas y un prompt del sistema. Sin necesidad de crear grafos.

La diferencia con LangGraph radica en quién escribe el bucle. Con LangGraph, tú declaras los nodos y las condiciones, y controlas el flujo. Con Deep Agents, proporcionas las herramientas y las instrucciones, pulsas iniciar y el modelo decide qué sucede a continuación dentro de un bucle escrito por otros. Si quieres una explicación más detallada, la hemos redactado por separado enentorno de ejecución de agentes frente a framework de agentes.

Deep Agents funciona mejor cuando:

• La ruta del agente depende de lo que se haya descubierto en el paso anterior, por lo que no hay un grafo que dibujar
• Quieres un agente capaz en cuestión de horas en lugar de días
• Investigación, análisis de varios pasos o cualquier tarea que se ramifique a través de múltiples fuentes
• Ya utilizas LangGraph y quieres el bucle sin tener que construirlo manualmente
• Tu equipo prefiere heredar las decisiones de gestión de contexto en lugar de tomarlas

Deep Agents frente a LangGraph: diferencias clave

Ambos persiguen el mismo objetivo y se sitúan a diferentes niveles en la misma pila tecnológica, por lo que la pregunta de "cuál es mejor" no tiene una respuesta única. Uno te pide que diseñes el comportamiento del agente. El otro decide la mayor parte por ti y te cobra en tokens por las partes que decidió con generosidad.

Una alternativa mejor para producción: TrueForge Agent Harness

LangChain Deep Agents resuelve gran parte del trabajo complejo dentro de un agente individual, incluyendo la planificación, los subagentes, las herramientas de sistema de archivos, las habilidades, la memoria y la ejecución de larga duración. Pero una vez que gestionas agentes en varios equipos, el problema deja de ser la creación del agente y pasa a serla gestión de la flota.

TrueForgees el entorno de ejecución de agentes de código abierto y neutral de TrueFoundry para esa capa de tiempo de ejecución. Gestiona el bucle del agente en torno al modelo, incluyendo la planificación, las llamadas a herramientas, la gestión del contexto, las aprobaciones y el estado de la sesión, permitiéndote utilizar tus propios modelos, servidores MCP y proveedores de sandbox.

Puede ejecutarlo localmente connpx @truefoundry/trueforge, o despliega el mismo entorno para un equipo utilizando Docker Compose o Helm.Consulta la documentación de TrueForge.

Optimización del tiempo de ejecución del agente

TrueForge también ofrece varios mecanismos para controlar la cantidad de contexto y datos de herramientas que recibe el modelo.

Carga diferida de herramientassignifica que los esquemas de herramientas MCP se cargan bajo demanda en lugar de llenar la ventana de contexto desde el principio. El modo de código permite al agente encadenar varias llamadas a herramientas dentro de un único script en un entorno aislado (sandbox), de modo que solo el resumen impreso entra en el contexto, en lugar de cada resultado intermedio.Las respuestas de herramientas demasiado grandes se descargana un archivo en el entorno aislado y se reemplazan por una ruta y una vista previa. La compactación se activa al 80% de la longitud del contexto del modelo y sustituye el historial antiguo por un resumen estructurado, que es la respuesta directa para la reproducción. Los subagentes se ejecutan con su propio contexto limpio y solo devuelven el resultado.

El modelo de entorno aislado es la otra palanca. La mayoría de los sistemas envuelven toda la sesión en un contenedor. TrueForge trata el entorno aislado como una herramienta y lo inicia solo cuando el agente realmente necesita ejecutar código, por lo que un servidor puede ejecutar muchos agentes a la vez y los turnos que no tocan código siguen siendo económicos.

Más que una biblioteca de Python

TrueForge también está estructurado como un tiempo de ejecución (runtime) en lugar de ser solo una interfaz de biblioteca.

ElEl servidor centralejecuta el bucle del agente y proporciona streaming, puertas de aprobación, delegación de subagentes, compactación y sesiones persistentes. UnaAPI HTTP y SDK de TypeScript(@truefoundry/trueforge-sdk) exponen las mismas capacidades mediante programación. Unainterfaz de chat y un SDK de interfaz de usuario(@truefoundry/trueforge-ui) pueden utilizarse directamente, personalizarse con temas o integrarse en otro producto.

Esto ofrece a los equipos una superficie de despliegue más allá de la propia definición del agente en Python: el mismo tiempo de ejecución puede impulsar una aplicación, una API o una experiencia de agente integrada.

Los modelos, los servidores MCP y los proveedores de entornos aislados son de libre elección. Cuando sale un modelo más económico, simplemente lo apuntas en lugar de reescribir el agente; así es como la misma prueba de rendimiento ejecutada en GLM-5.2 resolvió las mismas ~11 de 14 tareas por 2,90 $ por ejecución.

Deep Agents frente a TrueForge Benchmark

La diferencia entre un marco de trabajo para agentes y un tiempo de ejecución para agentes se vuelve más clara cuando los comparas con las mismas cargas de trabajo. TrueFoundry evaluóTrueForge y Deep Agentsen el Enterprise-Bench de DevRev, que consta de 14 tareas empresariales intersistémicas. Cada tarea requiere que el agente planifique, invoque herramientas MCP a través de un CRM, un gestor de proyectos y un almacén de documentos, combine los resultados y devuelva una respuesta que cumpla con la rúbrica de evaluación. Ambos entornos ejecutaron las mismas tareas con los mismos servidores MCP, y las respuestas fueron puntuadas por un juez LLM a ciegas.

ConOpus 4.8 como constante, ambos entornos produjeron una precisión de tarea similar, pero sus costes de ejecución fueron diferentes:

El benchmark muestra una diferencia relativamente pequeña en la precisión de las tareas, pero una diferencia mucho mayor en el coste de ejecución. TrueForge utilizómenos de una cuarta parte de los tokensutilizados por Deep Agents y fue aproximadamente2,5 veces más barato por ejecucióncon el mismo modelo.

The Runtime Layer for Production AI Agents

Run production agents with an open-source runtime for your models, MCP tools, sandboxing, approvals, and observability.

Explore TrueForge

View on GitHub

La diferencia proviene en gran medida de cómo gestionan la orquestación y el contexto ambos entornos de ejecución. Deep Agents ofrece capacidades como planificación, un sistema de archivos virtual y subagentes, pero estos también pueden añadir más orquestación y contexto a cada turno. TrueForge adopta un enfoque más ligero, utilizando llamadas a herramientas específicas y compactación de contexto para evitar enviar repetidamente grandes historiales y respuestas de herramientas al modelo. Esto es importante porqueel coste de un agente no viene determinado únicamente por el precio del modelo. Dos sistemas de agentes que ejecutan el mismo modelo pueden tener un consumo de tokens muy diferente dependiendo de cómo implementen la planificación, el uso de herramientas, la gestión del contexto y los subagentes.

Conexión del entorno de ejecución del agente con la capa de plataforma

TrueForge también puede conectarse a la AI Gateway y a la MCP Gateway de TrueFoundry para proporcionar los controles que cobran importancia una vez que los agentes dejan de ser proyectos aislados, incluyendoacceso centralizado a modelos, credenciales MCP, RBAC, presupuestos, barreras de seguridad, rotación de credenciales y trazas unificadas. Esto traslada esas preocupaciones de las definiciones individuales de los agentes a una capa de plataforma compartida.

Para los equipos que evalúan Deep Agents para producción, el benchmark es un recordatorio útil de que el framework es solo una parte de la pila tecnológica. Laarquitectura del entorno de ejecución en torno al agente puede tener un impacto significativo en el uso de tokens, la latencia y el coste. TrueForge está diseñado para proporcionar esa capa de ejecución manteniendo abiertas las opciones de modelo e infraestructura.

Entonces, ¿cuál deberías elegir?

Opta porLangGraphcuando la forma del grafo sea lo importante. Puertas de cumplimiento en nodos específicos, bucles condicionales que regresan a etapas anteriores, un flujo de trabajo donde solo un paso debe interactuar con un modelo. Si ya estás usando LangGraph y el flujo tiene una estructura de grafo real, quédate ahí.

Opta por unarnéscuando te encuentres creando manualmente un bucle que ya existe en otra parte. Entonces la única pregunta es qué entorno de ejecución (harness) elegir, y eso es una cuestión de gestión de contexto; así que lee la documentación sobre compactación, descarga y carga diferida antes de decidirte. Si nada menciona esto, estás ante un framework que solo se hace llamar entorno de ejecución.

Opta pordeepagentsespecíficamente si deseas aprovechar el ecosistema y las abstracciones de LangChain y el perfil de tokens es aceptable para tu carga de trabajo. En ejecuciones cortas no notarás la diferencia.

Opta porTrueForgesi las ejecuciones largas son lo habitual, si necesitas una API HTTP o una interfaz de usuario integrada en lugar de una biblioteca, si buscas una licencia MIT sin comprometerte con un ecosistema, o si el coste por ejecución debe pasar el filtro del departamento financiero. Nuestrodesglose de alternativas a LangGraphcubre las opciones a nivel de framework si resulta que esa es la capa que realmente necesitas.

Y, a menudo, la respuesta es ambos. Un framework gestiona la orquestación entre agentes o el flujo de trabajo determinista en el que se integra un agente basado en un entorno de ejecución. Un entorno de ejecución (harness) es el que hace funcionar a los agentes. Los dos errores que debes evitar son usar un framework para reconstruir un bucle que podrías haber heredado, y forzar a un entorno de ejecución a seguir una secuencia de cumplimiento rígida describiéndola en un prompt y esperando que funcione.

Preguntas frecuentes

P: ¿Cuál es la diferencia entre deep agents y LangGraph?

R: LangGraph es un entorno de ejecución de agentes y Deep Agents es un entorno de ejecución (harness) construido sobre él. Con LangGraph, declaras nodos, aristas y estados, y escribes el flujo de control tú mismo. Con Deep Agents, el bucle ya está escrito, junto con un sistema de archivos, subagentes, habilidades y memoria, por lo que solo tienes que proporcionar las herramientas y las instrucciones. Deep Agents se compila internamente en un grafo de LangGraph.

P: ¿Es Deep Agents un reemplazo para LangGraph?

R: No, y no puede serlo, porque funciona sobre LangGraph. Un entorno de ejecución te ofrece un bucle fijo que dirige un modelo. Si tu flujo de trabajo requiere una topología arbitraria, puertas de validación en nodos específicos o bucles condicionales que regresen a etapas anteriores, ningún entorno de ejecución podrá expresarlo y LangGraph seguirá siendo la herramienta adecuada. Muchos sistemas en producción utilizan ambos en diferentes capas.

P: ¿Qué es más barato de ejecutar, deepagents u otro entorno de ejecución?

R: En nuestra prueba Enterprise-Bench, deepagents con Opus 4.8 utilizó 16,5 millones de tokens y costó 21 $ por ejecución, frente a los 3,8 millones de tokens y 8,50 $ de TrueForge con el mismo modelo y las mismas 14 tareas, con una precisión similar (diferencia de una tarea). La brecha se debe a la reproducción del contexto acumulado en lugar de su compactación, además de la infraestructura que se arrastra en cada turno.

P: ¿Puedo ejecutar cualquiera de estos en mi propia VPC o en mis servidores locales (on-prem)?

R: Sí. Ambos son de código abierto y pueden alojarse de forma local. TrueForge se ejecuta desde un úniconpxcomando localmente, o mediante Docker Compose y Helm para despliegues en equipo con Postgres, Redis, réplicas e inicio de sesión OIDC. La plataforma gestionada de TrueFoundry también se puede alojar de forma local, en servidores propios, en entornos aislados (air-gapped) o híbridos, por lo que ningún dato sale de tu dominio.

P: ¿Cómo puedo gobernar modelos y servidores MCP en un gran número de agentes?

R: A través de una capa de puerta de enlace (gateway), una vez que las claves autogestionadas dejan de ser escalables. TrueFoundrypuerta de enlace de IA (AI Gateway)coloca más de 1.000 LLM detrás de una API compatible con OpenAI con aproximadamente 3 a 4 ms de latencia añadida y más de 350 RPS en una sola vCPU, con RBAC, presupuestos, barreras de seguridad (guardrails) y rotación de credenciales, además de trazas de OpenTelemetry hacia Grafana, Datadog o Prometheus. Los agentes creados con LangGraph, deepagents o cualquier otra herramienta se gobiernan de la misma manera.

Lecturas relacionadas

• "Harness" de agentes frente a framework de agentes: ¿cuál es la diferencia real?: la distinción de categoría subyacente a toda esta decisión
• Alternativas a LangChain Deep Agents: el campo de orquestación (harness) si deepagents no es lo que buscas
• TrueForge frente a Claude Managed Agents: hasta un 75 % más baratometodología y resultados completos de Enterprise-Bench
• El mejor orquestador de agentes de código abierto: comparativa de los 5 mejores proyectos: cómo se comparan las opciones abiertas
• Alternativas a LangGraph: 5 opciones comparadas para 2026: si la capa de framework es la que necesitas

Conclusión

La elección entre Deep Agents y LangGraph depende de en qué capa se encuentre tu problema, y puedes resolverlo con una sola pregunta: ¿el camino del agente tiene una forma que quieres definir, o se descubre a medida que avanza la ejecución?

Si tiene una forma, elige LangGraph. Si no la tiene, necesitas un orquestador (harness), y entonces el factor diferenciador es lo que ese orquestador hace con tu ventana de contexto en el turno cuarenta. Vale la pena medirlo antes de construir sobre él.

npx @truefoundry/trueforgete permite tener un agente en funcionamiento en aproximadamente un minuto, omira cómo TrueForge gestiona el contexto en ejecuciones largas.