LangGraph: desarrollo de agentes de IA avanzados

Módulo 1: Introducción a LangGraph e instalación
1 h 55 min

Objetivo: Identificar los componentes y funcionalidades básicas de LangGraph.

• Niveles de autonomía en aplicaciones de IA
• ¿Qué es LangGraph y qué nos ofrece?
• Estructura fundamental: nodos, transiciones y estado
• Integración de herramientas y extensibilidad
• Gestión de memoria y máquina de estados
• Ventajas que aporta LangGraph al desarrollo de agentes de IA
• Instalación librerías y entorno LangGraph
• Instalación de Python
• Selección de entorno de desarrollo integrado (IDE)
• Instalación de librerías y configuración del entorno de trabajo
• Resumen

Módulo 2: Agente reflexivo en LangGraph
3 h 35 min

Objetivo: Instalar y configurar el entorno de LangGraph para su uso en proyectos.Implementar un agente reflexivo básico utilizando LangGraph.

• Presentación y configuración inicial del agente reflexivo
• Arquitectura base del agente reflexivo en LangGraph
• Estructura de archivos del proyecto
• Consideraciones sobre el flujo de desarrollo
• Uso de LLM en la creación de agentes
• Creación de las cadenas de generación y reflexión
• Definición de prompts estructurados para generación y reflexión
• Construcción práctica de las cadenas
• Ejemplo básico de configuración
• Construcción del grafo con LangGraph
• Definición del esquema de estado
• Creación y registro de nodos
• Definición del flujo y las transiciones
• Compilación y visualización del grafo
• Ejemplo de ejecución (flujo típico)
• Ventajas del enfoque con LangGraph
• Análisis de trazas del agente reflexivo con LangSmith
• ¿Por qué es relevante el análisis de trazas en agentes reflexivos?
• Integración básica de LangSmith en el agente reflexivo
• Visualización e interpretación de las trazas
• Consideraciones éticas y de privacidad
• Resumen

Módulo 3: Agente reflexión con herramientas en LangGraph
4 h 50 min

Objetivo: Desarrollar un agente reflexivo que utilice herramientas externas en LangGraph.

• Presentación y configuración inicial del agente reflexión
• Propósito y ventajas principales del agente reflexión
• Aspectos clave en la configuración inicial
• Flujo operativo básico
• Creación de esquemas de salida Pydantic
• Modelado de salidas de herramientas y flujos de reflexión
• Definición de esquemas Pydantic clave
• Aplicación práctica en el agente de reflexión
• Configuración de las herramientas con ToolNode
• Integración de herramientas en agentes mediante ToolNode
• Importación y preparación del entorno
• Creación de herramientas estructuradas
• Registro de herramientas en ToolNode
• Ventajas del enfoque modular con ToolNode
• Creación de cadenas para el agente de respuesta y agente revisor
• Importación de dependencias y esquemas
• Definición de plantillas de prompt para agentes estructurados
• Prompt para el agente de respuesta inicial (first responder)
• Prompt para el agente revisor (revisor)
• Construcción práctica de las cadenas (chains)
• Ventajas de este enfoque estructurado
• Construcción del grafo con LangGraph
• Definición y registro de nodos en el grafo
• Definición del flujo y las transiciones
• Compilación y visualización del grafo
• Consideraciones prácticas y control de iteraciones
• Análisis de trazas del agente reflexión con LangSmith
• Resumen

Módulo 4: Agentes ReAct en LangGraph
3 h 15 min

Objetivo: Construir agentes ReAct para resolver tareas específicas usando LangGraph.

• Presentación y configuración inicial del agente ReAct
• Principios y dinámica de un agente ReAct
• Comparativa: Agente reflexión vs. Agente ReAct
• Ventajas del enfoque ReAct en LangGraph
• Elementos necesarios para la configuración inicial
• Creación de herramientas del agente ReAct con ToolNode
• Creación y registro de herramientas personalizadas
• Incorporación de herramientas preexistentes
• Lista y gestión unificada de herramientas
• Vinculación del LLM con herramientas disponibles
• Ejemplo sintético de definición y vinculación
• Buenas prácticas en la configuración de herramientas
• Implementación de nodos para agente ReAct
• Nodo de razonamiento: interacción con el LLM
• Nodo de herramientas: ejecución mediante ToolNode
• Buenas prácticas en la definición de nodos
• Construcción del grafo con LangGraph
• Definición y ensamblaje del grafo ReAct
• 1. Importación de dependencias y configuración del entorno
• 2. Creación de nodos funcionales
• 3. Definición de la lógica de control de flujo
• 4. Ensamblado del grafo y definición del ciclo ReAct
• 5. Compilación y visualización del grafo
• Análisis de trazas del agente ReAct con LangSmith
• Integración de LangSmith en agentes ReAct
• Resumen

Módulo 5: Agentes RAG avanzados con LangGraph
5 h

Objetivo: Crear agentes RAG avanzados aplicando técnicas de LangGraph.

• Presentación y configuración inicial del agente RAG
• Características iniciales del agente RAG avanzado
• Flujo operativo del agente RAG
• Ingesta de datos en la base de datos vectorial
• 1. Preparación del entorno y carga de variables
• 2. Lectura del corpus documental
• 3. Segmentación semántica por encabezados
• 4. Chunking optimizado para embeddings
• 5. Creación y persistencia de la base de datos vectorial
• 6. Configuración del sistema de recuperación
• Consideraciones clave
• Creación del estado del grafo
• Definiendo el estado del grafo RAG
• Estructura propuesta para el estado
• Atributos principales del estado
• Ventajas del enfoque centralizado
• Definición del nodo recuperador para obtener información relevante del RAG
• Función y lógica del nodo recuperador
• Conceptos clave y mejores prácticas
• Construcción de filtro de relevancia para el RAG
• Pipeline para la evaluación de relevancia basada en LLM
• Componentes principales del filtro de relevancia
• Implementación del nodo filtrador en LangGraph
• Ventajas del enfoque y consideraciones prácticas
• Implementación del nodo de búsqueda web con Tavily
• Configuración de la herramienta de búsqueda web Tavily
• Preparación inicial
• Función del nodo de búsqueda web
• Puntos clave de la implementación
• Definición del nodo de generación
• Composición de la cadena de generación RAG
• Implementación del nodo de generación en el grafo RAG
• Aspectos clave en el diseño del nodo de generación
• Creación del grafo RAG inicial
• Secuencia y conexiones del grafo
• Compilación y visualización del grafo
• Resumen

Módulo 6: Agentes RAG avanzados con LangGraph con autoevaluación de alucinaciones y enrutado
2 h 55 min

Objetivo: Implementar el enrutado de agentes RAG avanzados con autoevaluación en LangGraph.

• Autoevaluación de alucinaciones
• Modelo estructurado para la evaluación de alucinaciones
• Construcción del prompt para instrucción evaluadora
• Secuencia ejecutable de autoevaluación
• Aspectos clave para una integración efectiva
• Autoevaluación de respuesta correcta
• Modelo estructurado para la evaluación de respuestas
• Construcción del prompt evaluador
• Secuencia ejecutable de la autoevaluación
• Ventajas de la autoevaluación estructurada
• Implementación de enrutado adaptativo en RAG
• Principios del enrutado adaptativo en entornos RAG
• Definición de funciones de decisión y nodos de enrutado
• Diseño programático del grafo de flujo adaptativo
• Ventajas y consideraciones prácticas
• Resumen

Módulo 7: Persistencia e intervención humana en el flujo
4 h 35 min

Objetivo: Integrar la intervención humana en los flujos de agentes desarrollados con LangGraph.

• Persistencia en LangGraph: memoria y checkpointing
• Memoria de proceso vs. memoria conversacional
• ¿Qué es un checkpoint?
• Ventajas de la persistencia en LangGraph
• Persistencia: de chatbot a sistema
• Intervención humana con Memory Saver e interrupciones (persistencia RAM)
• Persistencia en RAM y el uso de MemorySaver
• Interrupciones y puntos de intervención (interrupt_before)
• Flujo típico de intervención humana: arquitectura y pasos clave
• Ventajas estratégicas de la intervención humana mediante persistencia en RAM
• Consideraciones prácticas
• Persistencia con Sqlite Saver
• Diferencias clave entre SqliteSaver y MemorySaver
• Configuración e implementación de SqliteSaver
• 1. Preparación del entorno
• 2. Definición y registro del grafo
• 3. Creación y utilización de SqliteSaver
• 4. Gestión de las sesiones (thread_id) y reanudación
• Ventajas estratégicas de SqliteSaver en LangGraph
• Creación de agentes ReAct con persistencia y validación humana
• Incorporación de persistencia con SqliteSaver
• Validación humana condicionada: patrón de interrupción controlada
• Flujo interno y lógica de enrutado
• Actualización y persistencia del estado tras intervención
• Ejemplo de control de flujo y persistencia
• Resumen

Módulo 8: Ejecución asíncrona en LangGraph
2 h 45 min

Objetivo: Implementar ejecuciones asíncronas en agentes desarrollados con LangGraph.

• ¿Qué es la ejecución asíncrona en LangGraph?
• Por qué la asincronía es relevante en agentes basados en grafos
• Concurrencia vs. paralelismo: matiz necesario
• Beneficios operativos en escenarios típicos de agentes
• Cuando la asincronía marca la diferencia
• Implicaciones de diseño: estado, consistencia y coordinación
• Implementación de asincronía en LangGraph
• Componentes importados y rol en el grafo
• Definición del estado: implicaciones para consistencia y coordinación
• Nodos del grafo: contrato de entrada/salida y simulación de latencia
• Construcción del grafo: topología y puntos de sincronización
• Compilación, visualización y ejecución: artefactos operativos
• Ejecución con estado inicial y configuración de hilo
• Ejecución de ramas en paralelo con nodos adicionales
• 1. Estado compartido y estrategia de agregación
• 2. Nodo parametrizable: ReturnNodeValue
• 3. Definición de nodos
• 4. Transiciones: bifurcación, secuenciación interna y join
• 5. Qué se considera paralelo en este diseño
• 6. Evolución esperada del estado (agregación)
• 7. Visualización del grafo (Mermaid)
• 8. Ejecución con identificador de hilo (thread_id)
• Pautas para extender este patrón sin introducir errores
• Ejecución asíncrona con ramas condicionales
• Estado del grafo y agregación de resultados
• Nodos del grafo y comportamiento común
• Enrutamiento condicional y validación de rutas
• Convergencia de ramas y finalización
• Compilación, visualización y ejecución
• Resumen

Módulo 9: Ecosistema multiagente con LangGraph
3 h 40 min

Objetivo: Diseñar soluciones utilizando colaboración multiagente en LangGraph.

• ¿Qué ecosistemas de agentes podemos implementar y por qué son necesarios?
• Por qué surge la necesidad de una arquitectura multiagente
• Problema 1: demasiadas herramientas para un único agente
• Problema 2: el contexto se vuelve demasiado complejo
• Problema 3: se requieren distintas especializaciones
• Beneficios principales de los sistemas multiagente
• 1. Modularidad
• 2. Especialización
• 3. Control
• Presentación del proyecto multiagente
• Agente supervisor
• Agente clarificador
• Responsabilidad del nodo
• Construcción de mensajes e invocación del LLM
• Actualización de estado y transición al supervisor
• Agente buscador
• Prompt de sistema y rol del agente
• Creación e invocación del agente
• Transición de estado y envío al nodo validador
• Agente codificador
• Prompt de rol y creación del agente
• Ejecución y transición hacia validación
• Agente validador
• Lógica de evaluación y enrutado
• Invocación del LLM y salida estructurada
• Normalización de fin de flujo y actualización del estado
• Creación del grafo y ejecución
• Ejecución del grafo en modo streaming
• Resumen

Módulo 10: Despliegue de soluciones con LangGraph
2 h 30 min

Objetivo: Desplegar soluciones autónomas construidas con LangGraph en entornos productivos.

• ¿Qué opciones de despliegue tenemos?
• 1. Despliegue en local mediante script
• 2. Despliegue en servidor local
• 3. Despliegue con Agent Server mediante imagen de Docker
• 4. Despliegue en la nube con LangSmith Deployments
• Despliegue con LangSmith Deployments
• Preparación del proyecto para un despliegue reproducible
• Creación del deployment en LangSmith
• Configuración de build y arranque
• Validación del endpoint y pruebas operativas
• Versionado, despliegues seguros y rollback
• Control de acceso y consideraciones de seguridad
• Integración con flujo de trabajo (CI/CD) orientado a despliegues
• Resumen