Curso de LangGraph: Desarrollo de Agentes de IA Avanzados

La Inteligencia Artificial está evolucionando rápidamente hacia sistemas capaces de razonar, planificar y ejecutar tareas complejas de forma autónoma. En este nuevo escenario tecnológico, ya no basta con saber utilizar modelos de lenguaje mediante simples prompts. Las aplicaciones más avanzadas se construyen hoy mediante arquitecturas de agentes inteligentes capaces de interactuar con herramientas, consultar bases de conocimiento, reflexionar sobre sus respuestas y colaborar entre sí.

El curso LangGraph: Desarrollo de Agentes de IA Avanzados está diseñado para profesionales que desean dar el salto desde el uso básico de modelos de lenguaje (LLM) hacia el desarrollo de sistemas completos de Inteligencia Artificial autónoma. A lo largo de la formación aprenderemos a construir agentes inteligentes capaces de ejecutar procesos complejos, integrarse con herramientas externas y trabajar dentro de flujos controlados por grafos de ejecución.

LangGraph es una de las librerías más potentes del ecosistema LangChain para el desarrollo de agentes avanzados. Permite diseñar arquitecturas modulares donde cada agente puede tomar decisiones, reflexionar sobre su propio razonamiento, acceder a información externa y colaborar con otros agentes dentro de un sistema coordinado.

Durante el curso abordaremos el desarrollo práctico de distintos tipos de agentes de IA, como agentes reflexivos, agentes basados en el patrón ReAct, sistemas RAG (Retrieval Augmented Generation) para mejorar la precisión de las respuestas o arquitecturas multi-agente capaces de resolver problemas complejos mediante la cooperación entre diferentes componentes de inteligencia artificial.

Además, aprenderemos a implementar memoria persistente en los agentes, utilizar ejecución asíncrona para mejorar el rendimiento de los sistemas y analizar el comportamiento de los agentes mediante herramientas de observabilidad como LangSmith.

Esta formación ofrece una visión práctica y aplicada del desarrollo de sistemas de inteligencia artificial avanzados, permitiendo al alumnado adquirir las competencias necesarias para diseñar aplicaciones modernas de IA preparadas para entornos reales de producción.

Si deseas aprender a construir agentes inteligentes capaces de razonar, colaborar y ejecutar tareas complejas, este curso te proporcionará los conocimientos y herramientas necesarios para desarrollar soluciones innovadoras basadas en inteligencia artificial.

Objetivos del programa

¿A quién está dirigido?

Se recomienda contar con conocimientos básicos de programación en Python, familiaridad con modelos de lenguaje (LLM) y nociones generales de desarrollo de aplicaciones basadas en inteligencia artificial.

1. Introducción a LangGraph e instalación
   1. Niveles de autonomía en aplicaciones de IA
   2. ¿Qué es LangGraph y qué nos ofrece?
   3. Instalación librerías y entorno LangGraph
2. Agente reflexivo en LangGraph
   1. Presentación y configuración inicial del agente reflexivo
   2. Creación de las cadenas de generación y reflexión
   3. Construcción del grafo con LangGraph
   4. Análisis de trazas del agente reflexivo con LangSmith
3. Agente reflexión con herramientas en LangGraph
   1. Presentación y configuración inicial del agente reflexión
   2. Creación de esquemas de salida Pydantic
   3. Configuración de las herramientas con ToolNode
   4. Creación de cadenas para el agente de respuesta y agente revisor
   5. Construcción del grafo con LangGraph
   6. Análisis de trazas del agente reflexión con LangSmith
4. Agentes ReAct en LangGraph
   1. Presentación y configuración inicial del agente ReAct
   2. Creación de herramientas del agente ReAct con ToolNode
   3. Implementación de nodos para agente ReAct
   4. Construcción del grafo con LangGraph
   5. Análisis de trazas del agente ReAct con LangSmith
5. Agentes RAG avanzados con LangGraph
   1. Presentación y configuración inicial del agente RAG
   2. Ingesta de de datos en la base de datos vectorial
   3. Creación del estado del grafo
   4. Definición del nodo recuperador para obtener información relevante del RAG
   5. Construcción de filtro de relevancia para el RAG
   6. Implementación del nodo de búsqueda web con Tavily
   7. Definición del nodo de generación
   8. Creación del grafo RAG inicial
   9. Auto evaluación de alucinaciones y respuesta correcta
   10. Implementación de enrutado adaptativo en RAG
6. Persistencia e Intervención humana en el flujo
   1. Persistencia en LangGraph: memoria y checkpointing
   2. Intervención humana con Memory Saver e interrupciones (persistencia RAM)
   3. Persistencia con Sqlite Saver
   4. Creación de agentes ReAct con persistencia y validación humana
7. Ejecución asíncrona en LangGraph
   1. ¿Qué es la ejecución asíncrona en LangGraph?
   2. Implementación de asincronía en LangGraph
   3. Ejecución de ramas en paralelo con nodos adicionales
   4. Ejecución asíncrona con ramas condicionales
8. Ecosistema multiagente con LangGraph
   1. ¿Qué ecosistemas de agentes podemos implementar y por qué son necesarios?
   2. Presentación del proyecto multiagente
   3. Implementación de ecosistema multiagente - Agente supervisor
   4. Implementación de ecosistema multiagente - Agente clarificador
   5. Implementación de ecosistema multiagente - Agente buscador
   6. Implementación de ecosistema multiagente - Agente codificador
   7. Implementación de ecosistema multiagente - Agente validador
   8. Implementación de ecosistema multiagente - Ejecución
9. Despliegue de soluciones con LangGraph
   1. ¿Qué opciones de despliegue tenemos?
   2. Despliegue con LangSmith Deployments