LangChain: Fundamentos Prácticos

Modo de estudio Repaso Examen

LangChain de forma práctica: chains, prompts, modelos, parsers y tools, montando piezas reutilizables en lugar de scripts sueltos.

todas langchain lcel runnable chains prompts output-parsers pydantic runnable-passthrough composicion memoria tokens chatbots agentes react tools auditoria deprecaciones migracion

Lecciones

LCEL: la cadena mínima

El operador | de LCEL no encadena llamadas: compone Runnables. De ahí salen invoke, batch y stream sin escribir nada, y la modularidad real entre prompt, modelo y parser.

langchain
lcel
runnable
chains

Prompt templates y output parsers

Un output parser trabaja en los dos extremos de la cadena: convierte la salida del modelo en objeto de Python y, vía get_format_instructions(), escribe las reglas de formato dentro del prompt.

langchain
prompts
output-parsers
pydantic

Componer cadenas: el diccionario que crece

RunnablePassthrough.assign añade el resultado de una subcadena al diccionario que viaja por la tubería, en vez de sustituirlo. Lo que fluye no es un texto: es un dict que engorda en cada paso.

langchain
lcel
runnable-passthrough
composicion

Memoria conversacional: buffer, ventana y resumen

La memoria de LangChain no guarda estado en el modelo: reinyecta texto en el prompt cada turno. Elegir estrategia es elegir cuánto texto vuelves a pagar en cada mensaje.

langchain
memoria
tokens
chatbots

Agentes ReAct: cuando el flujo lo decide el modelo

Lo que separa una cadena de un agente es quién decide el orden de los pasos. En un agente lo decide el modelo leyendo las descripciones de tus herramientas: la descripción es el prompt.

langchain
agentes
react
tools

El LangChain de la guía y el de hoy

Inventario de lo que el material del módulo usa y ya se ha movido de sitio, y del patrón que explica qué sobrevive: las piezas componibles aguantan, las clases envoltorio caducan.

langchain
auditoria
deprecaciones
migracion

Ejercicios

Sin ejercicios con este filtro.