Agentes de AI con LangGraph y MongoDB

Curso para Crear Agentes de AI con MongoDB

Contenido del curso

Fundamentos y Configuración de Agentes de AI

Herramientas y Búsqueda Vectorial

Orquestación y Construcción con LangGraph

Criterios de Uso y Finalización

13
Qué lograste al crear tu agente con MongoDB
00:48 min

Cursos Empresas Blog Live Conf Eventos Precios

0:001:27

Agentes de AI con LangGraph y MongoDB

Curso para Crear Agentes de AI con MongoDB

Clase 1 de 13

Clase 1 / 13

Obtén respuestas inmediatas¿Dudas?Profundiza lo que acabas de ver

Recursos

¿Qué pasaría si tu aplicación pudiera pensar antes de actuar? Un agente de AI no se limita a responder: razona, planifica y ejecuta tareas complejas de varios pasos usando modelos de lenguaje, herramientas externas y memoria persistente. Si trabajas con datos, automatización o asistentes inteligentes, entender esta arquitectura cambia la forma en que diseñas software.

Cuál es la diferencia entre un chatbot y un agente de AI

La distinción no es solo de potencia, es de comportamiento. Un chatbot tradicional responde preguntas basándose en información preentrenada. Tú le preguntas el clima y te lo dice. Punto.

Un agente de AI hace algo distinto: analiza tu calendario, consulta el pronóstico, sugiere cambios en tu agenda y reserva un restaurante bajo techo si detecta que va a llover. Esa capacidad de encadenar decisiones es lo que lo convierte en agente y no en asistente reactivo.

¿Qué es un agente de AI? Es un sistema que percibe información, razona con un modelo de lenguaje, usa herramientas externas y guarda memoria para ejecutar tareas de múltiples pasos sin intervención constante.

Cuáles son los cuatro componentes de un agente de AI

Todo agente funcional se sostiene sobre cuatro piezas que trabajan en conjunto. Si falta una, el sistema deja de comportarse como agente.

Percepción: captura información del entorno, ya sea texto, datos estructurados o señales externas.
Planificación: usa LLMs como cerebro central para decidir qué hacer y en qué orden.
Herramientas: permiten interactuar con sistemas externos como APIs, bases de datos o servicios.
Memoria: guarda contexto y aprendizajes para mejorar con cada interacción.

La planificación es la que da el salto cualitativo. El LLM no solo genera texto, decide la siguiente acción.

Cómo funcionan los embeddings en una búsqueda semántica

Aquí viene lo interesante. Los embeddings convierten palabras en números que capturan significado real, no solo letras. Es la diferencia entre buscar por coincidencia exacta y buscar por intención.

Piensa en automóvil y carro. Son palabras distintas, pero significan lo mismo. En el espacio vectorial de los embeddings terminan cerca, porque la representación numérica refleja su significado. Esa cercanía es lo que permite que un agente entienda lo que quieres decir, aunque uses sinónimos o frases ambiguas.

¿Qué es un embedding? Es una representación numérica de texto que captura significado. Palabras con sentido parecido quedan cerca en el espacio vectorial, lo que habilita búsquedas por intención.

Por qué MongoDB encaja en esta arquitectura

MongoDB integra los embeddings directamente dentro de tus documentos. No necesitas mover datos a una base vectorial separada ni mantener dos sistemas sincronizados. Las consultas semánticas viven junto a la información que ya tienes.

Mientras otras soluciones buscan coincidencias exactas de texto, con MongoDB buscas por intención y significado. Esa diferencia es la que habilita experiencias conversacionales reales.

Qué hace LangGraph dentro de un agente de AI

LangGraph funciona como el mapa mental que usas cuando resuelves un problema complejo: defines pasos, evalúas, retrocedes si hace falta y avanzas. En el agente, es el cerebro que coordina percepción, herramientas y memoria.

Sin un orquestador, tendrías piezas sueltas. Con LangGraph, esas piezas siguen un flujo lógico que el LLM puede ajustar en tiempo real según lo que encuentra.

¿Para qué sirve LangGraph? Para orquestar el flujo de un agente: conecta el LLM con las herramientas, gestiona el estado y permite decisiones condicionales en cada paso del razonamiento.

Qué vas a construir al terminar el curso

Al cerrar el recorrido tendrás un sistema funcional que combina las cuatro capas de un agente real. No es teoría, es código que ejecuta tareas.

Entiende lenguaje natural sin reglas rígidas.
Busca información automáticamente usando consultas semánticas en MongoDB.
Razona sobre problemas y decide qué herramienta usar.
Mejora con cada interacción gracias a la memoria persistente.

Esa combinación de LLM, embeddings, MongoDB y LangGraph es la base para llevar tus aplicaciones de responder preguntas a resolver problemas. ¿Qué tarea de tu día a día automatizarías primero con un agente así? Cuéntalo en los comentarios.