Implementación de Tools en ReAct Agents con LangChain Core

Los grandes modelos de lenguaje pueden pensar, pero para actuar necesitan tools bien definidas. Aquí verás, paso a paso, cómo integrar tools en un React Agent, distinguir qué corre en la capa de aplicación y qué puede ejecutar el modelo, y cómo convertir un prompt en acciones reales como consultar una API o agendar una cita.

¿Cómo fluyen las tools desde el prompt hasta la capa de aplicación?

La interacción inicia con el request del usuario y pasa por tu aplicación, que actúa como wrapper del large language model. Con tools, el modelo no ejecuta la acción ni devuelve el resultado directo: primero identifica la herramienta y extrae parámetros, de forma parecida al structured output.

¿Qué retorna el modelo con tools y structured output?

• Devuelve un formato con el function identifier y los parámetros requeridos.
• Si faltan datos, pide al usuario lo que falta hasta estar “listo”.
• Cuando está listo, cambia de respuesta conversacional a respuesta tool con el nombre de la función y sus argumentos.

¿Dónde se ejecuta la tool: modelo o capa de aplicación?

• En general, las tools declaradas como funciones se ejecutan en tu capa de aplicación.
• Algunas tools son propias del modelo, como FileSearch de OpenAI, que corre con su infraestructura.
• Tras ejecutar la función en tu sistema, devuelves el resultado al modelo y este lo interpreta y responde al usuario. Ese es el ciclo completo de una tool.

¿Cómo definir una tool con LangChain Core y parámetros?

Se construye una función decorada como tool en LangChain Core. Así, el modelo puede mapear qué hace, cuándo usarla y con qué argumentos.

¿Qué incluir en la descripción y argumentos de la tool?

• Nombre claro, por ejemplo: GetProducts.
• Descripción orientada a uso: qué obtiene y para qué sirve.
• Argumentos tipados: por ejemplo, precio como entero para filtrar resultados.
• Contexto adicional: explica qué espera cada argumento, como harías en un prompt.

¿Cómo devolver resultados en texto para el modelo?

• Aunque podrías responder con arrays, el modelo entiende mejor texto formateado.
• Mapea y concatena los elementos (por ejemplo, producto y precio) para ofrecer una lista legible.
• Llama a la tool pasando un diccionario con los argumentos; si no hay argumentos, envía un diccionario vacío.

¿Cómo conectar la tool a una API y evitar alucinaciones?

Para información en tiempo real (clima, productos, etc.), no basta el conocimiento del modelo. Necesitas una tool que consulte una API y te devuelva datos actualizados. Así evitas respuestas vagas o alucinaciones.

¿Qué ejemplo práctico se implementa con GetProducts?

• Se parte de fake data para simular productos y luego se sustituye por una API de productos de Platzi.
• Se corrige el endpoint y se confirman los campos: title y price.
• La función devuelve los productos en texto con su precio, lista para que el LLM responda con claridad.
• También se menciona el caso del agendador de citas: el modelo identifica la tool con parámetros como nombre del paciente, doctor y fecha; tu app llama a la API de agendamiento y regresa el resultado al modelo para que lo comunique.

¿Qué modelos se mencionan para razonar y responder rápido?

• Un modelo de razonamiento: “Cloud Opus 4.1”, más lento pero con mejor análisis.
• Alternativa con equilibrio entre rapidez y razonamiento: “Gemini 2.5”.
• Además, se contrasta ampliar conocimiento con un “rack” vectorial frente a usar tools: puedes vectorizar productos y hacer retrieval, o conectarte a una API según el caso.

Ideas clave para poner en práctica: - React Agent y tools: la tool define la acción, el modelo decide cuándo usarla. - function identifier y parámetros: formato no conversacional que guía la ejecución. - Capa de aplicación: ahí se hacen las llamadas reales a servicios y bases de datos. - Respuesta en texto: formatea la salida para que el modelo continúe la conversación. - Evitar alucinaciones: conecta APIs para clima, Wikipedia o tus propios sistemas.

¿Te gustaría ver más tools conectadas a tus datos o APIs favoritas? Comparte qué integración quieres construir y en qué caso de uso te gustaría aplicarla.