Imagina un asistente virtual que no solo responde preguntas, sino que toma decisiones, ejecuta acciones y busca información en tiempo real. Eso son los agentes en LangChain: entidades autónomas capaces de percibir, razonar y actuar usando herramientas externas. Aquí verás cómo se arman, qué piezas necesitas y por dónde empezar.

¿Qué es un agente en LangChain y en qué se diferencia de un chatbot?

Un agente va más allá de devolver texto. Percibe información del entorno, razona con un modelo de lenguaje y ejecuta acciones concretas a través de herramientas conectadas.

El libro Artificial Intelligence: A Modern Approach de Norvig y Russell describe esta idea con un diagrama clásico: un agente interactúa con un ambiente del que recibe datos mediante sensores y sobre el que actúa con efectores. Esa lógica aplica tanto a un chatbot como a un robot que mueve sus partes después de procesar la imagen de una cámara o un sensor térmico.

¿Qué es un agente en LangChain? Es un componente que combina un modelo de lenguaje, un prompt y herramientas externas para tomar decisiones de forma autónoma y ejecutar acciones, no solo responder texto.

¿Cómo se organiza la documentación de LangChain por dentro?

Antes de construir, conviene ubicarte en la guía conceptual. Cada sección cumple un rol distinto dentro del ecosistema.

• LangChain Core: da acceso a los Large Language Models y a las bases vectoriales, y es donde construyes chains y agentes.
• LangChain Community: reúne las integraciones con tecnologías externas como OpenAI, Hugging Face o Google.
• LangChain Expression Language (LCEL): lenguaje propio de LangChain para encadenar integraciones y armar el agente final.

La documentación también detalla el input y output de cada componente. Por ejemplo, al trabajar con prompts envías un diccionario como entrada y recibes un objeto prompt value como salida. Ese contrato de datos es el que te permite conectar piezas sin romper el flujo.

¿Qué etapas atraviesa un agente al resolver una tarea?

Piensa en un asistente que responde preguntas técnicas frecuentes. El flujo se divide en tres momentos claros.

1. Percibir: recibe la pregunta técnica del usuario.
2. Razonar: busca respuestas en bases de datos internas o manuales técnicos.
3. Actuar: consulta las APIs correctas para resolver el problema o entregar instrucciones.

Esa secuencia, percibir, razonar y actuar, es la columna vertebral de cualquier agente, sin importar si termina siendo un chatbot, un asistente interno o un robot físico.

¿Cómo se construye un agente con LangChain paso a paso?

El camino tiene un orden lógico. Cada etapa suma una capacidad al agente final.

• Selecciona un Large Language Model usando los chat models de LangChain, ya sea con OpenAI, Hugging Face u otros proveedores.
• Añade un prompt, eligiendo entre los templates que trae LangChain o creando uno propio según tu caso de uso.
• Conecta una base vectorial para alimentar el modelo con información específica de tu negocio o dominio y consultarla cuando haga falta.
• Crea las chains con LCEL, el lenguaje de expresión propio de LangChain que une todos los procesos anteriores.
• Construye el agente sumando herramientas existentes de LangChain o herramientas personalizadas que tú mismo definas.

Las chains son la parte más importante porque son el pegamento. Sin ellas tienes piezas sueltas; con ellas, un agente que razona y actúa.

¿Para qué sirve LCEL en LangChain? Es el lenguaje de expresión propio de LangChain que permite conectar modelos, prompts, bases vectoriales y herramientas dentro de una misma cadena ejecutable.

¿Qué tipo de agente vas a construir en este curso?

El objetivo final es un asistente inteligente con memoria que interactúe con una base vectorial o base de conocimiento. Es decir, un agente que recuerda conversaciones previas y consulta información propia para dar respuestas relevantes.

Para llegar ahí, irás ensamblando cada componente: modelo, prompt, base vectorial, chains con LCEL y herramientas. Y aquí viene lo interesante: las herramientas pueden ser tanto las que ya trae LangChain como las que diseñes tú según el problema que quieras resolver.

Ahora te toca a ti. ¿De qué manera te gustaría usar LangChain para construir tu propio agente? Cuéntalo en los comentarios.