Prompt chaining: encadenar agentes en secuencia con LangGraph
Clase 9 de 26 • Curso para Crear Agentes de AI con LangGraph
Resumen
Orquestar varios agentes permite resolver tareas complejas con claridad y control. Aquí verás cómo encadenar nodos con LangGraph, cuándo elegir el enfoque secuencial o en paralelo, y en qué casos conviene delegar el plan a un modelo razonador con chain of thought para ahorrar costo y mejorar calidad.
¿Qué es el prompt chaining y cómo orquesta agentes?
El prompt chaining conecta varios nodos en una secuencia. Cada nodo usa un large language model para una tarea específica y luego pasa el estado al siguiente. En este patrón, el modelo no decide: solo sigue un orden fijo, aunque cada nodo razona localmente.
- Secuencial: del nodo uno al dos y al tres, en orden fijo.
- Paralelo: ejecuta varios nodos al mismo tiempo, sin decisiones del modelo.
- Workflows con decisiones: el modelo puede elegir qué hacer y cuándo.
- Patrón orquestador con planning: planifica y ejecuta solo los nodos necesarios.
- Evaluator: ciclo de revisión hasta que la respuesta sea aceptable.
- Routing: decide por qué nodo continuar.
- Patrón agent: integra tools y un proceso de reflexión.
En todos los casos, los nodos encapsulan comportamientos distintos y facilitan dividir el problema en pasos comprensibles. La clave: definir bien qué hace cada nodo y cómo fluye el estado entre ellos.
¿Cuándo usar chaining y cuándo un modelo razonador con chain of thought?
Un encadenado de pasos puede ser reemplazado por un buen prompt con chain of thought en un modelo razonador. La advertencia es clara: si las instrucciones caben bien en un solo prompt, un modelo que razona puede seguir el plan sin necesidad de múltiples nodos.
- Modelos razonadores mencionados: Open AI ZeroOne Preview, Gemini 2.5 con Thinking y la familia de Anthropic con razonamiento.
- Costo: cada nodo implica una llamada al modelo. Un solo prompt con razonamiento puede ser más económico.
- Cuándo dividir en nodos: cuando hay pasos con alta carga cognitiva, prompts muy largos o integración con servicios externos.
- Cuándo preferir un solo prompt: en tareas simples donde el modelo puede seguir el plan completo en una pasada.
Ejemplo educativo que ilustra la advertencia: generar una broma, luego mejorarla y añadir un twist. Con modelos actuales, se puede dar toda la secuencia en un prompt y lograr el mismo resultado sin encadenar nodos.
¿Cómo implementar chaining en LangGraph de forma práctica?
El flujo básico: crear nodos, agregarlos al grafo y conectar los edges en secuencia. Así se construye un pipeline del nodo 1 al 2 y al 3, se compila y se visualiza el gráfico.
¿Cómo crear nodos y conexiones en secuencia?
- Definir funciones por nodo y agregarlas al grafo.
- Conectar: del nodo uno al dos, del dos al tres y el tres finaliza.
- Compilar y generar el gráfico para validar la secuencia.
- Alternativa compacta: usar un builder con add sequence pasando un arreglo de funciones [nodo uno, nodo dos, nodo tres]. El nombre de la función se usa como nombre del nodo.
Advertencia de buenas prácticas: el ejemplo de “generar broma → mejorar broma → añadir twist” funciona, pero puede ser innecesario si un solo prompt en un modelo razonador ya sigue el plan.
¿Cómo llevarlo a un flujo real con extractor y conversation?
- Crear un nodo extractor que prepara o extrae datos del estado.
- Encadenar: iniciar en extractor → pasar a conversation → finalizar.
- El nodo conversation mantiene la interacción y decide si debe analizar un archivo o consultar una base de datos vectorial antes de responder.
- Visualizar en LangGraph Studio para confirmar el patrón de chain.
Incluso si el extractor inicialmente no hace nada, dejarlo en el flujo hace explícita la arquitectura y permite evolucionar el pipeline con bifurcaciones futuras.
¿Qué caso práctico ilustra mejor el valor del chain?
- Social media: de un texto largo o PDF, un nodo genera un tuit.
- Luego, otro nodo llama a un modelo de imágenes (por ejemplo, DALL·E de OpenAI) para crear una imagen del tuit.
- Aquí un chain of thought no basta, porque no genera imágenes. El chain integra modelos diferentes paso a paso.
Si ya estás usando secuencias en tu “rack”, piensa qué pasos conviene dejar en nodos y cuáles condensar en un prompt con razonamiento, equilibrando claridad, costo y rendimiento.
¿Te gustaría compartir qué problemas resolverías con un chaining o qué nodos sumarías a tu flujo? Comenta tus ideas y casos de uso.