Interrupt 2026: LangChain presenta herramientas para depurar agentes de IA en producción

LangChain celebró la conferencia de dos días Interrupt 2026, donde presentó nuevas herramientas para diagnosticar y depurar agentes de IA en producción, y mostró casos reales de LinkedIn, Rippling, Cisco y otras 19 grandes empresas.

Tres herramientas para equipos de producción

En la conferencia, LangChain anunció tres productos diseñados específicamente para equipos que llevan agentes a sistemas en vivo:

• LangSmith Engine — una plataforma para diagnosticar errores. Muestra la traza completa de la cadena de llamadas: qué LLM dio una respuesta incorrecta, en qué paso se perdió el contexto, qué herramienta devolvió un resultado inesperado. Es clave porque los agentes reales constan de decenas de pasos, y un solo error en el paso 7 puede arruinar todo el resultado.
• Sandboxes GA — un entorno aislado independiente para pruebas, ahora en disponibilidad general (GA). Los equipos pueden experimentar con nuevas versiones de agentes, desplegar cambios con seguridad y revertirlos sin arriesgarse a romper producción. Resulta especialmente útil para pruebas A/B: qué versión del LLM funciona mejor, qué prompt es más eficaz.
• LangChain Labs — un espacio cerrado para experimentar con funciones beta. Los desarrolladores de LangChain publican allí ideas recientes: nuevas estrategias de reintento, formas de cachear el contexto, mecanismos de enrutamiento experimentales. Los equipos de producción pueden adoptarlas pronto y dar feedback directo a los desarrolladores.

Ejemplos del desarrollo real

En la conferencia intervinieron 23 ponentes: ingenieros sénior de LinkedIn, Rippling, Cisco y otras 19 empresas.

LinkedIn contó el caso de un agente de recomendación que de pronto empezó a ignorar el filtro de geolocalización. El agente estaba convencido de que un candidato que vive en India encajaba en un puesto en San Francisco. El problema apareció en LangSmith Engine: en el paso de filtrado, una herramienta devolvía datos en un formato incorrecto y el LLM no detectaba la contradicción. Tras la depuración, el agente funciona correctamente.

Rippling mostró cómo montó el control de gasto en llamadas a API. Un agente de producción costaba a la empresa 200 $ al día en llamadas a LLM. Tras introducir el cacheo de contexto y simplificar los prompts, el coste bajó a 120 $ diarios. En un mes, eso supone un ahorro de 2400 $ con un solo agente.

Cisco habló del principal dolor de cabeza de la depuración en una arquitectura de microservicios. Cuando un agente consta de una decena de servicios distintos (uno consulta un CRM, otro una API REST, un tercero S3) y la cadena se rompe en el servicio 6, la situación se vuelve un auténtico infierno. No basta con registrar en LangSmith: hay que sincronizar también las trazas entre servicios. Cisco mostró cómo resolvió este patrón con OpenTelemetry.

Qué significa

Los agentes de IA en producción son una nueva frontera de la ingeniería, y el antiguo stack de monitorización no les sirve. LangChain invierte en herramientas de depuración porque esto se ha convertido en un cuello de botella crítico para todo el sector.

Todos los vídeos de la conferencia están disponibles en línea bajo demanda.