El problema
Los agentes de producción de LangChain pierden contexto entre turnos ('amnesia') y eligen herramientas incorrectas cuando se adjuntan más de 8 herramientas. Cualquiera de los fallos rompe el ciclo del agente.
La solucion de Scavio
Estado de LangGraph + puntero de control para memoria de giro cruzado. Scavio MCP para herramientas con nombres semánticos (búsqueda, reddit_search, youtube_search) para que las decisiones de enrutamiento sean inequívocas por construcción. Postgres para estado persistente.
Antes
Agente LangChain con 12 herramientas sin procesar + sin estado = 48 % de éxito de la tarea en una investigación de 5 pasos.
Después
LangGraph + Scavio MCP (4-6 herramientas con nombre por intención) + estado de Postgres = ~94 % de éxito de la tarea en el punto de referencia informado de la publicación.
Para quien es
Mantenedores de agentes de producción LangChain, equipos de plataformas de agentes, desarrolladores que envían agentes de investigación de múltiples turnos.
Beneficios clave
- Enrutamiento de herramientas inequívoco mediante nombres semánticos
- Memoria de giro cruzado a través del puntero de control LangGraph
- Un accesorio MCP frente a más de 5 herramientas con cable
- Costo de la pila ~$35-45/mes
- Arquitectura lista para producción
Ejemplo en Python
from langgraph.checkpoint.postgres import PostgresSaver
from langchain_scavio import ScavioSearchTool, ScavioRedditTool
checkpointer = PostgresSaver.from_conn_string(POSTGRES_URL)
tools = [ScavioSearchTool(name='web_search'), ScavioRedditTool(name='reddit_search')]
# Build LangGraph state machine with checkpointer + toolsEjemplo en JavaScript
// LangGraph is Python-first. JS-side: LangChain.js with manual state in Postgres or KV.
import { ChatAnthropic } from '@langchain/anthropic';
// Build graph with manual state schema, attach Scavio fetch as tools.Plataformas utilizadas
Búsqueda web con grafo de conocimiento, PAA y resúmenes de IA
Comunidad, publicaciones y comentarios en hilos de cualquier subreddit