LangChain vs LlamaIndex: qué elegir para RAG y agentes

LangChain vs LlamaIndex: ¿cuál conviene elegir?

Elige LlamaIndex para una aplicación centrada en documentos. Elige LangChain para un agente que coordine tareas entre herramientas. Ambos permiten implementar generación aumentada por recuperación, o RAG: recuperar material relevante de las fuentes antes de pedirle una respuesta al modelo.

Para quien está creando un asistente de soporte basado en manuales de producto, LlamaIndex es el mejor punto de partida. Sus abstracciones de documentos, índices y motores de consulta sitúan el recorrido desde la ingesta hasta la respuesta en el centro del código. Empieza por ahí si tu siguiente problema técnico consiste en encontrar pasajes que faltan, conservar la estructura de los documentos o decidir qué evidencia llega al modelo.

Para quien desarrolla un asistente que lee una política, consulta un pedido y solicita aprobación antes de emitir un reembolso, LangChain es el mejor punto de partida. Su API actual de agentes gira en torno a las herramientas y al bucle del modelo, con LangGraph como base de ejecución. Empieza por ahí si necesitas resolver cómo gestionar el estado, las aprobaciones o la siguiente acción.

Si tu aplicación ya cumple los requisitos de recuperación y flujo de trabajo, consérvala. Cambiar de framework no arregla una tabla mal procesada ni una operación de pago insegura. Añade el componente que falta solo cuando puedas identificar el fallo que debe resolver.

Esta comparación se basa en el manejo de documentos, el control de la ejecución de agentes, los límites entre integraciones y los costos recurrentes. Las conclusiones parten de la documentación; no son una clasificación de velocidad o precisión basada en mediciones.

Fuentes: documentación de LlamaIndex, documentación de LangChain, los paquetes de LlamaIndex y LangChain, y los precios oficiales de LlamaParse y LangSmith. Los servicios alojados de la fila de precios cumplen funciones distintas; sus suscripciones no son equivalentes.

Para qué sirve cada framework hoy

LlamaIndex es más que un índice y LangChain es más que una colección de cadenas. La documentación actual de ambos ecosistemas incluye agentes. La diferencia está en cuál ofrece la estructura inicial más útil para tu caso.

LlamaIndex: flujos de datos y agentes documentales

LlamaIndex es un framework de código abierto para crear agentes que usan tus datos. Sus componentes permiten cargar documentos, crear representaciones que se puedan buscar, recuperar evidencia y generar respuestas. Sus Workflows también admiten procesos basados en eventos con bifurcaciones, reintentos y revisión humana. La presentación oficial del framework describe expresamente ese alcance más amplio.

En un asistente para consultar contratos, la unidad útil suele ser el pasaje del documento: de dónde procede, a qué versión pertenece y si la sección que lo rodea modifica su significado. En LlamaIndex, un Node es un fragmento del contenido original con metadatos y relaciones, y ofrece un lugar donde gestionar esa evidencia. Después, un motor de consulta combina la recuperación con la generación de respuestas. Consulta la guía de VectorStoreIndex.

Su límite está en la calidad del material que recibe. Un cargador que convierte una tabla en texto plano puede separar un precio del encabezado de su columna; al indexar ese texto, el error se conserva intacto. La propia documentación de LlamaIndex distingue entre los lectores integrados para texto limpio y el servicio comercial LlamaParse para documentos más complejos. Elige el framework por sus abstracciones de datos y evalúa el procesamiento de documentos por separado.

También conviene considerar el mantenimiento: la descripción actual del paquete indica que el equipo ha desplazado su atención principal hacia LlamaParse y las herramientas documentales relacionadas, mientras que el framework sigue disponible como un conjunto de herramientas abierto. Antes de adoptar una dependencia a largo plazo, comprueba el mantenimiento de las integraciones concretas que necesitas.

LangChain: agentes sobre la base de LangGraph

LangChain es un framework de código abierto cuya API actual, create_agent, proporciona una estructura configurable para ejecutar agentes: las herramientas, las instrucciones y la lógica de ejecución que permiten al modelo realizar tareas. El middleware permite personalizar el comportamiento alrededor de ese bucle. Su presentación general sitúa a LangGraph como base de estos agentes.

En un agente de soporte para pedidos, recuperar información puede ser solo una herramienta entre varias. La aplicación también puede consultar el estado de un envío y preparar una propuesta de reembolso. LangChain es el punto de partida natural cuando esas interacciones entre herramientas definen el producto.

Su límite es que una abstracción de agente no puede decidir las reglas que tu negocio debe cumplir siempre. Tú sigues definiendo quién puede recibir un reembolso, qué aprobación hace falta y cómo evitar que una ejecución repetida lo emita dos veces. El framework aporta los mecanismos de ejecución; las reglas pertenecen a la aplicación.

LangChain vs LangGraph

Usa la abstracción de agentes de LangChain cuando encaje que un modelo elija las herramientas. Usa LangGraph directamente cuando necesites definir de forma más explícita el estado y las transiciones del flujo de trabajo. LangGraph ya forma parte de los agentes actuales de LangChain, así que añadir memoria o revisión humana no exige automáticamente reescribir la aplicación. La comparación entre LangChain y LangGraph profundiza en esa decisión.

Versiones de Python y licencias de referencia

Verificado el 13 de octubre de 2026: las versiones publicadas de los paquetes de Python eran llama-index 0.14.25, llama-index-core 0.14.25, langchain 1.4.5 y langgraph 1.2.15. Son versiones de referencia de cada paquete, no una versión única compartida por todas las integraciones de un ecosistema.

Los repositorios de ambos frameworks usan la licencia MIT: licencia de LlamaIndex y licencia de LangChain. Los productos alojados tienen condiciones comerciales independientes. Una licencia gratuita del framework no incluye la inferencia del modelo, una base de datos vectorial alojada ni el servidor de tu aplicación.

Un ejemplo sencillo de RAG con LlamaIndex y LangChain

Los dos ejemplos cargan archivos de texto locales, construyen un índice en memoria y responden la misma pregunta con el material recuperado. Sirven para mostrar la forma de la API; en esta comparación se contrastaron con la documentación, pero no se ejecutaron contra una API de modelos de pago.

Crea un directorio data con tus propios archivos .txt de políticas en UTF-8. Configura OPENAI_API_KEY y asigna a RAG_MODEL el mismo modelo de chat de OpenAI disponible en tu cuenta para ambos scripts. Los dos seleccionan explícitamente text-embedding-3-small para los embeddings: las representaciones numéricas que permiten buscar contenido similar. El tutorial inicial de LlamaIndex recomienda especificar esa elección.

Ejemplo de RAG con LlamaIndex

Instala llama-index-core, llama-index-readers-file, llama-index-llms-openai y llama-index-embeddings-openai. También puedes instalar el paquete inicial llama-index, que incluye esos componentes; consulta la guía de instalación.

import os
from llama_index.core import SimpleDirectoryReader, VectorStoreIndex
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI

docs = SimpleDirectoryReader("data", required_exts=[".txt"]).load_data()
embed = OpenAIEmbedding(model="text-embedding-3-small")
index = VectorStoreIndex.from_documents(docs, embed_model=embed)
llm = OpenAI(model=os.environ["RAG_MODEL"])
engine = index.as_query_engine(llm=llm, similarity_top_k=3)
print(engine.query("What is the refund window?"))

Aquí, from_documents se encarga de transformar los documentos en nodos y de indexarlos. El motor de consulta resuelve la recuperación y la síntesis de la respuesta. Esa es la ventaja para un asistente de consulta pequeño: el código expresa directamente el trabajo sobre los documentos, y los componentes de menor nivel siguen disponibles cuando necesitas modificarlo.

Ejemplo de RAG con LangChain

Instala langchain-core, langchain-openai y langchain-text-splitters. Este flujo de recuperación fijo usa los paquetes de componentes de LangChain; el paquete principal de agentes, langchain, no es necesario hasta que añadas un agente. Las API se documentan en la guía de RAG, la referencia del almacén en memoria y la integración con OpenAI.

import os
from pathlib import Path
from langchain_core.documents import Document
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
files = Path("data").glob("*.txt")
docs = [Document(page_content=p.read_text(encoding="utf-8"), metadata={"source": str(p)}) for p in files]
chunks = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=100).split_documents(docs)
index = InMemoryVectorStore.from_documents(chunks, OpenAIEmbeddings(model="text-embedding-3-small"))
question = "What is the refund window?"
context = "\n\n".join(d.page_content for d in index.similarity_search(question, k=3))
llm = ChatOpenAI(model=os.environ["RAG_MODEL"])
print(llm.invoke(f"Answer only from this context; if absent, say unknown.\n{context}\nQuestion: {question}").content)

Esta versión deja a la vista cada paso: cargar el texto, dividirlo, generar y almacenar sus embeddings, recuperar pasajes y llamar al modelo de chat. Ese trabajo adicional de conexión resulta útil cuando la recuperación es solo una parte de una aplicación más amplia.

Recuperación y control de agentes: ¿cuál encaja mejor en cada tarea?

LlamaIndex ofrece la mejor abstracción inicial para recuperar información de documentos. LangChain ofrece la mejor abstracción inicial para un agente que coordina acciones. Son conclusiones sobre su adecuación técnica, no afirmaciones de que alguno sea incapaz de hacer el trabajo del otro.

Ingesta y recuperación de documentos: ventaja para LlamaIndex

Elige LlamaIndex si la mayoría de los cambios se concentrarán entre el documento original y la evidencia que recibe el modelo. Su estructura de índices y motores de consulta mantiene ese trabajo en un mismo lugar. Por ejemplo, un asistente de compras que responde preguntas sobre modificaciones de contratos necesita preservar las relaciones entre fuentes antes de necesitar otro bucle de llamadas a herramientas.

LangChain puede construir el mismo flujo de recuperación. Su documentación de RAG separa la indexación de la recuperación y la generación, y el código anterior muestra el caso sencillo. Si ya tienes un buen servicio de búsqueda, invocarlo desde LangChain puede requerir menos trabajo que incorporar otro framework.

La decisión cambia cuando la recuperación deja de ser el subsistema difícil. Con una base de conocimiento limpia y varias herramientas de negocio, tiene más sentido invertir en el flujo de trabajo del agente.

Agentes con herramientas y control del flujo: ventaja para LangChain

Elige LangChain cuando la aplicación alterne entre evidencia y acciones: leer una política, consultar la ficha de un cliente, pedir la información que falta y preparar una acción para su aprobación. Su bucle de agente configurable y su base en LangGraph encajan con esa estructura.

LlamaIndex también admite agentes. La guía oficial de agentes documenta agentes que usan herramientas, y su tutorial inicial incorpora la recuperación como una herramienta invocable. Un asistente documental que busca, calcula y devuelve una respuesta puede funcionar íntegramente dentro de LlamaIndex.

Si el flujo de trabajo ya está construido allí y gira en torno a documentos, no hace falta migrarlo solo porque el producto ahora tenga un «agente». Cambia de capa de ejecución únicamente cuando las nuevas necesidades de control del flujo lo justifiquen.

LlamaIndex vs LangGraph

LlamaIndex y LangGraph suelen ocupar capas distintas. LlamaIndex puede preparar y recuperar la evidencia; LangGraph puede controlar cómo avanza un flujo con estado después de recibirla. Los Workflows de LlamaIndex son otra opción para esa capa de ejecución, así que combinar ambos es una decisión de arquitectura, no una forma de suplir una función que falta.

La prueba está en el reparto de responsabilidades: un componente debe encargarse de la recuperación documental y otro del estado de ejecución de la aplicación. Si ambos deciden de forma independiente los reintentos y el estado de la conversación, diagnosticar una acción repetida será más difícil.

Calidad de la recuperación: evalúa el fallo, no la marca

Ningún framework demuestra ser más preciso solo por su lista de funciones. Usa la misma colección de fuentes y las mismas preguntas, y comprueba si se recuperó la evidencia correcta antes de juzgar cómo está redactada la respuesta.

Para un asistente que consulta políticas, incluye una pregunta habitual sobre reembolsos, otra cuya respuesta solo aparezca en una modificación, una que no tenga respuesta en las fuentes y otra sobre un documento al que el usuario no tenga acceso. Una respuesta fluida no basta: comprueba la versión de la fuente, los límites de los permisos y si la evidencia respalda la respuesta.

Empieza con una recuperación fija. Añade búsquedas adaptativas solo cuando otro paso de recopilación de evidencia pueda corregir una respuesta fallida. La guía de RAG agéntico explica cuándo ese bucle de decisión adicional justifica su costo.

¿Qué es gratis y qué se paga?

Los frameworks son gratuitos; el procesamiento de documentos, la observabilidad y el despliegue alojados se contratan por separado. Los precios que aparecen a continuación se verificaron en las páginas oficiales de precios para Estados Unidos el 13 de octubre de 2026.

LlamaCloud y LlamaParse

LlamaParse es el nombre que utiliza actualmente la página pública de precios de LlamaIndex para su plataforma documental alojada, a la que se accede desde el panel de LlamaCloud. Incluye procesamiento, extracción e indexación de documentos. Es un servicio comercial que acompaña al framework de código abierto, no una suscripción necesaria para importar llama_index.

Los planes públicos son Free, a $0/mes con 10,000 créditos; Starter, a $50/mes con 40,000 créditos; y Pro, a $500/mes con 400,000 créditos. Enterprise tiene un precio personalizado. La tarifa estándar de uso es de $1.25 por 1,000 créditos.

El consumo por página de PDF depende del nivel de procesamiento: Fast usa 1 crédito; Cost-effective, 3; Agentic, 10; y Agentic Plus, 45. El siguiente gráfico convierte esas tarifas publicadas en el valor de los créditos necesarios para procesar el mismo lote. Excluye los créditos incluidos, los importes mínimos de suscripción y los complementos, por lo que no representa una factura mensual.

Fast produce texto espacial en lugar de Markdown, así que elígelo solo si ese formato encaja en tu proceso de ingesta. Los créditos tampoco eliminan los límites del plan: Free y Starter permiten 5 tareas de procesamiento simultáneas, frente a 20 en Pro. Sube de plan por la capacidad o las funciones que necesites; un paquete mayor de créditos no reduce automáticamente el precio de cada crédito. Fuentes: precios por uso y comparación de planes.

LangSmith

LangSmith es la plataforma comercial de observabilidad, evaluación y despliegue del ecosistema LangChain. Puede registrar trazas de aplicaciones construidas con otros frameworks, incluido LlamaIndex, por lo que puedes elegirla de forma independiente al framework. El proveedor explica esa compatibilidad entre frameworks.

La página de precios de LangSmith ofrece Developer a $0/mes para un usuario, con 5,000 trazas base, y Plus a $39 por usuario al mes, con 10,000 trazas base en total. El uso adicional se factura aparte. Enterprise tiene un precio personalizado.

Una traza registra una ejecución de la aplicación y puede contener varias llamadas a modelos y eventos de herramientas. No equivale a un token ni a un pasaje individual recuperado. Plus incluye un despliegue serverless pequeño, pero conviene presupuestar por separado el uso adicional de despliegue; el proveedor recomienda un despliegue dedicado para los agentes que atienden a clientes.

La misma carga mensual: cuánto cuesta con cada framework

Con el mismo uso de los mismos servicios, cambiar de framework no ahorra suscripciones. Este es un escenario mensual deliberadamente acotado, con la aplicación y el índice alojados por separado:

• Tres desarrolladores necesitan usuarios de LangSmith Plus.
• La aplicación genera 20,000 trazas base.
• Se procesan 1,000 páginas nuevas de PDF con el nivel Agentic de LlamaParse.
• Ambas implementaciones usan el mismo modelo de chat, el mismo modelo de embeddings y la misma carga de tokens.
• En este escenario no se utiliza Index alojado, almacenamiento de archivos retenidos ni otras operaciones documentales que consuman créditos.

El procesamiento consume 1,000 × 10 = 10,000 créditos, que caben en la asignación mensual de Free si no se ha usado para nada más. El importe a pagar es $0, aunque los créditos consumidos tienen un valor de $12.50 según la tarifa de lista. Son cifras distintas: el valor de los créditos no genera una factura en el plan Free. Datos de partida: planes de LlamaParse y tarifas de uso.

La calculadora actual de precios de LangSmith indica 0.005 LSU por traza adicional, a $1 por LSU. Tres usuarios cuestan 3 × $39 = $117. Las trazas que superan la asignación compartida cuestan (20,000 − 10,000) × $0.005 = $50. El subtotal de los servicios seleccionados es de $167/mes con LlamaIndex y $167/mes con LangChain.

Ese subtotal excluye la inferencia del modelo, los embeddings y tu propio alojamiento. El presupuesto total de la aplicación suma esos costos a los servicios seleccionados. Comparar la misma carga de trabajo del modelo mantiene iguales esas partidas; si un framework provoca más recuperaciones o llamadas al modelo, cambia la carga y hay que medirla por separado.

Aquí no hay un umbral de consumo a partir del cual un framework resulte más barato: las licencias de ambos siguen siendo gratuitas y los dos pueden usar los mismos servicios de pago. Comparar $50 de procesamiento documental con $39 de observabilidad sería comparar trabajos distintos. La decisión de gasto depende del servicio que necesite tu aplicación y de cuánto consuma.

La diferencia de facturación: una consulta de recuperación no es un turno de chat

Index v2, el servicio alojado de LlamaParse, cobra 1 crédito por consulta de recuperación y 100 créditos por turno de chat, además de los cargos de procesamiento y almacenamiento que correspondan. A la tarifa estándar, 1,000 operaciones tienen un valor en créditos de $1.25 para recuperación o $125 para chat alojado, antes de aplicar los créditos incluidos. Son operaciones distintas, no dos precios para una respuesta idéntica. Fuente: precios de Index.

Esta distinción importa al diseñar una arquitectura que combine ambos frameworks. Si el agente principal ya genera la respuesta final, decide si su herramienta de recuperación necesita evidencia o una respuesta sintetizada por otro servicio. Esa elección afecta tanto a la interfaz como a lo que se factura. Una llamada local a query_engine.query() no genera automáticamente el cargo por turno de chat de Index alojado; la solicitud tiene que pasar realmente por el servicio gestionado.

Cuándo conviene combinar LlamaIndex y LangChain

Usa ambos cuando la recuperación documental y la coordinación de acciones planteen dificultades por separado. Un agente de soporte que debe interpretar modificaciones de políticas y coordinar un flujo de aprobación es un buen candidato. Un cuadro de preguntas y respuestas sobre texto limpio normalmente no lo es.

Deja la ingesta y la recuperación de documentos a cargo de LlamaIndex. Expón una función o un servicio de alcance acotado que devuelva pasajes relevantes con identificadores de fuente y metadatos. Haz que el agente de LangChain invoque esa función como herramienta, con LangGraph como base de su ejecución. La guía del proveedor para combinar los frameworks describe este reparto.

En el ejemplo de soporte, devuelve el pasaje de la política, el ID de su documento y los metadatos de revisión. Así, el agente puede compararlo con el registro del pedido y proponer una acción. Conserva esas referencias a las fuentes hasta la respuesta final para que la aplicación pueda comprobar qué la respalda.

Evita introducir por accidente una respuesta ya sintetizada dentro de otro bucle que genere respuestas. La cadena de texto que devuelve un motor de consulta puede resultar cómoda, pero también puede ocultar los pasajes originales al agente principal. Cuando sea importante inspeccionar las fuentes, prioriza un resultado de recuperación que incluya la evidencia de forma explícita. Usa respuestas parciales sintetizadas solo cuando esa separación de tareas sea intencional.

El costo adicional de usar dos frameworks está en el mantenimiento: dos conjuntos de integraciones, más actualizaciones de dependencias y otro punto de conexión que instrumentar. Ambos se justifican solo si puedes describir de qué se encarga cada uno sin decir que los dos «gestionan el agente».

Cambiar de framework: ¿qué se conserva y qué puede fallar?

El costo de una migración está en las convenciones de datos y el estado del flujo de trabajo, no en sustituir instrucciones de importación. Tanto para pasar de LlamaIndex a LangChain como para usar LlamaIndex en lugar de los componentes de recuperación de LangChain, empieza por el contrato que expone tu aplicación actual.

Conserva los documentos originales y los metadatos exportables. Mantén los ID de los documentos, las etiquetas de acceso, las revisiones de las fuentes y las referencias de las citas. Son activos de la aplicación. Los objetos de documentos y nodos propios de cada framework actúan como adaptadores sobre ellos.

Los embeddings existentes pueden seguir siendo útiles si el modelo de embeddings, las dimensiones, el texto almacenado y el esquema de la base de datos siguen siendo compatibles. No des por hecho que un adaptador nuevo podrá leer todos los campos sin cambios. Si modificas los límites de los fragmentos o el modelo de embeddings, prevé reconstruir el índice afectado y volver a evaluar la recuperación. La guía de almacenes vectoriales de LlamaIndex distingue entre el almacén en memoria predeterminado y las integraciones persistentes.

En los flujos de trabajo, trata el estado de las conversaciones, las aprobaciones pendientes y las acciones sin terminar como una migración independiente. No vuelvas a ejecutar llamadas históricas a herramientas solo para reconstruir el estado: repetir una acción externa puede tener consecuencias aunque la conversación parezca correcta. Define cómo terminarán las sesiones antiguas y cómo empezarán las nuevas antes de redirigir el tráfico.

No migres un agente documental estable de LlamaIndex solo para ponerle la etiqueta de agente. Tampoco sustituyas un flujo de recuperación de LangChain que funciona porque otro ejemplo tenga menos líneas. Cambia cuando la abstracción actual dificulte expresar o mantener un requisito concreto y recurrente.

Preguntas frecuentes

Qué construir primero

Empieza por el fallo que tu prototipo debe resolver. Si consiste en encontrar el pasaje correcto en una fuente, construye primero un flujo de recuperación sencillo con LlamaIndex. Si consiste en coordinar herramientas y acciones aprobadas, empieza con LangChain y define el estado que debe conservarse entre pasos. Mantén la primera versión funcional lo bastante acotada como para inspeccionar cada fuente recuperada y cada acción propuesta.

Usa la lista de verificación para auditar flujos de trabajo de negocio con IA para definir la tarea, la evidencia necesaria y el punto en el que se requiere aprobación antes de elegir el framework.