Las cadenas son el verdadero motor de LangChain. Mientras que conectar un modelo de lenguaje es solo el primer paso, el potencial real aparece cuando encadenas múltiples procesos —limpieza de datos, construcción de prompts y respuestas del modelo— en un flujo coherente y automatizado.
¿Qué es una cadena en LangChain y por qué es tan importante?
Una cadena (chain) conjunta información dentro de un proceso que, en la mayoría de los casos, termina con un modelo de lenguaje respondiendo una pregunta [0:10]. Imagina un pipeline donde la primera etapa limpia los datos de entrada y la segunda recibe un prompt junto con información del usuario para generar una respuesta precisa.
Existen dos formas de utilizar cadenas:
- Unir varias cadenas pequeñas entre sí para construir un flujo más complejo.
- Usar una cadena que por sí misma ya cumple un propósito suficiente.
¿Cuáles son los tipos de cadenas disponibles?
LangChain organiza sus cadenas en dos grandes categorías que conviene distinguir desde el inicio [0:38].
¿Qué son las cadenas de utilidad?
Las cadenas utility son funciones con un propósito muy específico ya definido. Algunos ejemplos concretos:
- Generar un resumen a partir de texto.
- Resolver preguntas sobre un documento.
- Crear una conversación con memoria o sin memoria.
Estas cadenas están listas para usarse y resuelven tareas comunes sin necesidad de configurar cada pieza por separado.
¿Qué son las cadenas fundacionales?
Las cadenas foundational son los bloques básicos con los que se construyen las de utilidad [0:58]. El ejemplo más claro es la cadena de LLM: recibe un prompt (una indicación) y un modelo de lenguaje —como GPT-3.5 de OpenAI— para producir una salida.
Otro bloque fundamental es la cadena de transformación, cuya función es recibir texto y limpiarlo antes de que pase a la siguiente etapa del proceso [1:10].
¿Cómo se combinan las cadenas entre sí?
Para unir una cadena de transformación con una cadena de LLM se utiliza una cadena secuencial [1:18]. Esta actúa como un envoltorio que conecta ambas piezas en orden:
- Paso 1: la cadena de transformación recibe el texto crudo y lo limpia.
- Paso 2: la cadena de LLM toma el texto limpio, lo combina con el prompt y lo envía al modelo.
Al juntar estas dos cadenas fundacionales dentro de una secuencial, el resultado es una cadena con un objetivo muy específico que ya podría considerarse una cadena de utilidad. Este patrón de composición es lo que hace a LangChain flexible: puedes armar flujos tan simples o complejos como tu caso de uso lo requiera.
Si quieres ver cómo se aplican estas cadenas directamente con modelos de lenguaje, comparte tu experiencia y cuéntanos qué tipo de cadena te resulta más útil en tus proyectos.
