Agente en lugar de chatbot: AutoGen resolvió la tarea con 8.170 tokens, LangChain con 10.070
RAG es un chatbot con búsqueda en base de datos: responde en una sola pasada, mientras que un agente da vueltas en un bucle de «pensar, invocar una herramienta, verificar». En la prueba de AIMultiple sobre el análisis de cuatro columnas de JSON, AutoGen invocó las herramientas en paralelo y gastó 8.170 tokens (unidades de texto por las que se paga) y 47 segundos. LangChain lo hizo en secuencia: 10.070 tokens y 86 segundos. Por eso conviene elegir el framework según las mediciones en las propias tareas, y no por su popularidad.
Procesado por IA desde Habr AI; editado por Hamidun News
Hoy se le pone la etiqueta de «agente» a casi cualquier chatbot, pero la diferencia entre ambos afecta directamente a la factura de tokens (así se llaman los fragmentos de texto por los que se paga al proveedor del modelo) y a los riesgos. Un RAG tradicional es un chatbot que, antes de responder, busca los documentos pertinentes en tu base de conocimiento: recibe la pregunta, extrae el texto, responde y se detiene. Un agente funciona de otra manera: invoca herramientas por sí mismo y repite pasos hasta resolver la tarea.
En una revisión publicada en Habr, el experto independiente Andrei Biriukov comparó enfoques y frameworks como AutoGen, LangGraph, LangChain y CrewAI. En una misma tarea, AutoGen gastó 8.170 tokens y LangChain, 10.
070. A continuación, un análisis centrado en la ingeniería y en el coste.
Una pasada frente a un bucle
Un sistema RAG clásico procesa la consulta en una sola pasada: reúne el contexto, genera la respuesta y termina. Un agente mantiene en memoria el objetivo y el historial de sus acciones, decide qué hacer a continuación, invoca una herramienta, revisa el resultado y vuelve a razonar. El bucle sigue hasta que la tarea se resuelve o se agotan el presupuesto y el límite de iteraciones.
El artículo pone como ejemplo la tarea «avisar a los clientes del retraso». Un chatbot redactará el texto del correo. Un agente consultará por sí mismo en el CRM los pedidos atrasados, redactará los correos con fechas concretas, los enviará a través de una API de correo, actualizará el estado en la base de datos y, al final, comprobará que se han procesado todos los pedidos.
Los enfoques de razonamiento difieren. Chain-of-Thought muestra los pasos intermedios, pero los errores se acumulan en cadenas largas. Tree-of-Thought despliega ramas, aunque su coste computacional es bastante mayor.
ReAct alterna pensamiento y acción y sigue siendo la opción más práctica. Reflexion guarda los fracasos en memoria y los tiene en cuenta en el siguiente intento. La variante más potente de la lista es LATS, que aplica búsqueda en árbol de Monte Carlo: con GPT-4 resuelve el 92,7 % de las tareas de HumanEval (problemas de escritura de código) al primer intento, mientras que ReAct, con el mismo modelo, alcanza alrededor del 80 %.
La razón es que el generador de variantes y el evaluador están separados, y en tareas de código el juez son los tests, el linter y la comprobación de tipos. El agente no puede convencerse de que todo va bien si los tests fallan.
Cuánto cuesta cada framework
La parte más útil para un profesional es la medición de AIMultiple sobre el procesamiento de datos no estructurados. La tarea consistía en analizar cuatro columnas independientes de JSON.
- AutoGen: un turno del modelo con cuatro llamadas paralelas a herramientas, 8.170 tokens y una latencia mediana de 47 segundos.
- LangGraph: 9.150 tokens y 70 segundos. El número de llamadas a herramientas varió entre 6 y 16, porque el sistema tiende a repetir pasos ya ejecutados.
- LangChain con AgentExecutor secuencial: 4 turnos, 10.070 tokens y 86 segundos.
La conclusión es sencilla: las llamadas paralelas a herramientas ahorran tiempo y tokens, mientras que las repeticiones innecesarias, como las de LangGraph, pesan en el presupuesto.
El autor convierte estas cifras en dinero con los precios de GPT-4o (2,50 $ por millón de tokens de entrada y 10 $ por millón de tokens de salida) para 1.000 tareas diarias. El resultado es de unos 12–18 $ al día para un LangGraph optimizado, 18–28 $ para CrewAI y 25–40 $ para AutoGen.
Con 10.000 tareas al día, según su estimación, la diferencia entre frameworks llega a 47.000–80.
000 $ al año. Aquí hay una incoherencia: en la prueba de tokens, AutoGen es el más económico, pero en la estimación monetaria es el más caro. Probablemente, en escenarios reales el número de pasos y el tamaño de los prompts difieren mucho del ejercicio de laboratorio.
La fuente no detalla la metodología del cálculo, así que conviene hacer las cuentas con datos propios.
Memoria y seguridad
Las tareas largas requieren memoria. LangGraph guarda el estado mediante puntos de control, por ejemplo con AgentCoreMemorySaver, y el agente puede reanudar el trabajo tras un fallo. Microsoft Agent Framework crea puntos de control automáticamente en cada ejecución del workflow. Reflexion, en lugar del estado completo, almacena «lecciones» breves en texto sobre los fracasos: es más compacto, aunque menos predecible.
Ampliar las capacidades del agente también amplía la superficie de ataque. El autor recomienda ejecutar los agentes en un entorno aislado (sandbox), bloquear por defecto todo el tráfico entrante y saliente y abrir solo las conexiones necesarias mediante listas de acceso. También es útil separar el entorno del agente, la infraestructura de inferencia y el sandbox para los comandos, y restringir el acceso a las credenciales.
La configuración integrada de ejecución de código en AutoGen y CrewAI no sustituye el aislamiento de procesos, que sigue siendo responsabilidad del desarrollador. La segunda línea de defensa es verificar las acciones con tests externos y, donde no existe una verificación formal, usar LLM-as-judge (otro modelo que actúa como juez) con una escala calibrada.
Qué llevarse de todo esto
El texto es, sobre todo, una revisión, sin experimentos propios del autor. Aun así, de él se pueden extraer tres conclusiones prácticas. La primera: antes de elegir un framework, mide tokens, número de llamadas y latencia en tu propia tarea. La segunda: siempre que sea posible, haz las llamadas a herramientas en paralelo. La tercera: pon sobre el agente un juez objetivo (tests, linter, validadores) y mantenlo en un entorno aislado con límites estrictos de iteraciones y de presupuesto.
- 30 abr 2026GitAgent propone un formato único de agentes de IA para LangChain, AutoGen y Claude Code
- 19 jul 2026LangChain: los enjambres de agentes de IA basados en LangGraph reducen la depuración de código hasta un 93%
- 2 jun 2026En dos años, el ecosistema de agentes de IA en PHP se ha convertido en una alternativa a Python
- 19 jul 2026LangChain y NVIDIA lanzan NemoClaw Deep Agents, un blueprint para agentes de IA corporativos
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Una pasada frente a un bucle?
Un sistema RAG clásico procesa la consulta en una sola pasada: reúne el contexto, genera la respuesta y termina. Un agente mantiene en memoria el objetivo y el historial de sus acciones, decide qué hacer a continuación, invoca una herramienta, revisa el resultado y vuelve a razonar. El bucle sigue hasta que la tarea se resuelve o se agotan el presupuesto y el límite de iteraciones. El artículo pone como ejemplo la tarea «avisar a los clientes del retraso». Un chatbot redactará el texto del correo.
¿Qué se sabe sobre Cuánto cuesta cada framework?
La parte más útil para un profesional es la medición de AIMultiple sobre el procesamiento de datos no estructurados. La tarea consistía en analizar cuatro columnas independientes de JSON. AutoGen: un turno del modelo con cuatro llamadas paralelas a herramientas, 8.170 tokens y una latencia mediana de 47 segundos. LangGraph: 9.150 tokens y 70 segundos. El número de llamadas a herramientas varió entre 6 y 16, porque el sistema tiende a repetir pasos ya ejecutados.
¿Qué se sabe sobre Memoria y seguridad?
Las tareas largas requieren memoria. LangGraph guarda el estado mediante puntos de control, por ejemplo con AgentCoreMemorySaver, y el agente puede reanudar el trabajo tras un fallo. Microsoft Agent Framework crea puntos de control automáticamente en cada ejecución del workflow. Reflexion, en lugar del estado completo, almacena «lecciones» breves en texto sobre los fracasos: es más compacto, aunque menos predecible. Ampliar las capacidades del agente también amplía la superficie de ataque.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.