Sber desarrolla GigaChain sin bifurcar LangChain y apuesta por un paquete de compatibilidad

Sber ha explicado cómo construye un ecosistema open source en torno a GigaChat y por qué abandonó su fork de LangChain en favor de un paquete de compatibilidad independiente. El cambio simplificó el desarrollo de agentes de IA dentro de la empresa y dejó el stack más claro para los equipos externos.

Por qué cambió el enfoque

GigaChain nació cuando Sber necesitó una herramienta única para desarrollar con GigaChat, tanto para los equipos internos como para los desarrolladores externos. En lugar de escribirlo todo desde cero, el equipo decidió apoyarse en software open source ya existente.

Como base eligieron LangChain: era el framework más visible para sistemas de agentes, funcionaba con distintos modelos y no ataba a los desarrolladores a un único proveedor. Para una gran empresa, esa elección implicaba menos riesgo, un arranque más rápido y un mercado de especialistas más claro.

En una primera etapa, el equipo sí siguió la vía del fork. El motivo era práctico: la era del prompt engineering apenas cobraba impulso y muchos prompts de LangChain estaban fijados en inglés en el código. Para GigaChat, mejor adaptado al ruso, esto suponía limitaciones innecesarias. Otro problema era que resultaba difícil hacer aprobar con rapidez en el proyecto principal un soporte multilingüe completo y la integración con proveedores.

Pero el enfoque se volvió demasiado costoso de mantener bastante pronto.

«Nos veíamos obligados a incorporar entre 100 y 200 cambios que

aparecían en el proyecto principal prácticamente cada semana».

Cuando LangChain empezó a cambiar con rapidez y a pasar a una arquitectura modular, Sber abandonó el fork y creó su propio paquete de compatibilidad. Ahora el escenario recomendado es este: el desarrollador instala LangChain estándar y añade el paquete de integración con GigaChat.

Esta opción resultó más estable: incluso después de que el paquete desapareciera de la documentación oficial de LangChain, para los usuarios casi nada cambió. En la práctica, el equipo mantuvo la compatibilidad con el estándar del mercado sin quedar atrapado en una sincronización interminable de código ajeno.

Qué construye Sber

En torno a GigaChat, el equipo desarrolla no un único SDK, sino todo un ecosistema abierto. Su objetivo no es solo ofrecer acceso por API al modelo, sino acortar el camino hasta un agente de IA que funcione. Según el equipo, una parte significativa de los proyectos internos de agentes de Sber ya se apoya en este stack, y los desarrolladores externos lo usan cada vez más.

Una señal de demanda es la biblioteca de Python para trabajar con la API de GigaChat: según ClickPy, está entre el 1,5 % de los paquetes más descargados de PyPI por descargas mensuales.

• Biblioteca de Python para integrar la API de GigaChat
• paquete de compatibilidad con LangChain en lugar de un fork propio
• agente autónomo abierto GigaAgent
• documentación, ejemplos de integración y guías prácticas
• seminarios web, artículos y demostraciones en conferencias

GigaAgent tiene un papel aparte. El equipo no lo concibió como un proyecto de demostración de laboratorio, sino que lo fue perfeccionando con la opinión de ingenieros y empresas. En decenas de conferencias a lo largo de 2025, los desarrolladores mostraron el agente en vivo y recogieron comentarios: dónde hacen falta REPL y herramientas, dónde es crítica la ejecución local y dónde pesa más la modularidad. Las empresas, por su parte, empujaron hacia casos aplicados: análisis de datos, preparación de presentaciones y trabajo con fuentes corporativas.

Qué aporta el open source

Para Sber, el enfoque abierto resuelve varios problemas a la vez. Primero, es más fácil contratar: si el stack se construye en torno a LangChain y bibliotecas compatibles, la empresa no tiene que buscar personas para una plataforma interna totalmente única. Segundo, baja la barrera para trasladar a GigaChat soluciones de agentes ya existentes. La idea es sencilla: si un desarrollador ya montó un agente con un framework popular, debería poder adaptarlo a un modelo ruso sin reescribirlo por completo.

Hay también un tercer efecto: la ayuda de la comunidad. El equipo citó un ejemplo con LlamaIndex: al principio Sber no daba soporte a este framework por falta de recursos, pero más tarde un desarrollador externo envió un pull request con soporte para GigaChat sobre una biblioteca ya existente. Así, el ecosistema obtuvo la integración con otro stack popular casi sin costes internos.

La política de licencias sigue siendo lo más simple posible: en sus proyectos, el equipo suele elegir MIT y vigila de cerca las licencias y el comportamiento de los maintainers externos.

Para Sber, la comunicación en torno al open source no es una actividad secundaria, sino parte del producto. El equipo responde en GitHub, mantiene la documentación, publica artículos, gestiona canales de Telegram, organiza seminarios web y acude a conferencias del sector. Solo en 2025 realizó más de 15 intervenciones externas. En este modelo, el contenido no sirve para relaciones públicas, sino para acortar el tiempo entre una versión, la respuesta de los usuarios y la siguiente iteración del producto.

Qué significa

La historia de GigaChain muestra que, para los stacks corporativos de IA, hoy importa más la compatibilidad con las principales herramientas open source del mercado que tener un fork propio a toda costa. Si Sber mantiene este rumbo, GigaChat podría reforzar de forma notable su posición en el desarrollo de sistemas de agentes en ruso y en escenarios corporativos, donde la rapidez de implantación y el acceso a un stack conocido suelen pesar más que la exotismo tecnológico.