LangChain: Guía Completa para Principiantes 2026

¿Qué es LangChain?

LangChain es el framework open-source más popular para construir aplicaciones con Large Language Models. Lanzado en 2022 y con más de 90,000 estrellas en GitHub, simplifica la integración de LLMs con herramientas externas, bases de datos, APIs y flujos de trabajo complejos.

En lugar de escribir código de bajo nivel para cada llamada a un LLM, LangChain proporciona abstracciones reutilizables: chains para secuencias, agents para decisiones dinámicas, memory para contexto, y retrievers para RAG.

LCEL: LangChain Expression Language

La forma moderna de LangChain usa LCEL, un estilo declarativo con el operador | para componer componentes como pipes de Unix:

chain = prompt | llm | output_parser

Ventajas de LCEL: streaming nativo, batching automático, async/await, logging integrado con LangSmith y composición limpia de componentes complejos.

Tipos de memoria en LangChain

Sin memoria, cada llamada al LLM es independiente. LangChain ofrece:

• ConversationBufferMemory: Historial completo. Simple pero puede crecer indefinidamente.
• ConversationSummaryMemory: Resume historial antiguo. Ideal para conversaciones largas.
• ConversationWindowMemory: Solo los últimos N turnos. Buen balance costo/contexto.
• VectorStoreRetrieverMemory: Recupera solo memorias relevantes por similitud.

RAG con LangChain: conectando LLMs a tus datos

El patrón RAG (Retrieval-Augmented Generation) es el más usado en empresas para conectar LLMs con datos propios. El pipeline:

1. Cargar documentos (PDF, Word, HTML, bases de datos)
2. Dividir en chunks con RecursiveCharacterTextSplitter
3. Generar embeddings con OpenAI o Anthropic
4. Almacenar en vector store (pgVector, Pinecone, Chroma)
5. Recuperar chunks relevantes a la consulta
6. El LLM responde basándose en los chunks recuperados

Ejemplo de código

# LangChain LCEL - Chain moderna con RAG
from langchain_anthropic import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_community.vectorstores import PGVector
from langchain_core.runnables import RunnablePassthrough

llm = ChatAnthropic(model="claude-sonnet-4-6")

# Chain simple con LCEL (operador pipe)
prompt = ChatPromptTemplate.from_messages([
    ("system", "Eres un asistente experto en {domain}."),
    ("human", "{question}")
])
chain = prompt | llm | StrOutputParser()
response = chain.invoke({"domain": "derecho corporativo", "question": "¿Qué es un contrato de confidencialidad?"})

# RAG chain completa
rag_chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
    | StrOutputParser()
)
answer = rag_chain.invoke("¿Qué dice el contrato sobre penalidades?")