Anatomía de un Deep Agent en LangGraph (29 de enero)

Cómo funciona el reto AI-Native: Live Classes, Cursos y Proyecto

Contenido del curso

Reto AI-Native en Platzi

Cursos Empresas Blog Live Conf Eventos Precios

0:0040:44

Anatomía de un Deep Agent en LangGraph (29 de enero)

Cómo funciona el reto AI-Native: Live Classes, Cursos y Proyecto

Clase 19 de 19

Clase 19 / 19

Recursos

La creación de agentes avanzados exige patrones claros, control de costos y orquestación confiable. Aquí encontrarás cómo LangGraph, LangChain y la librería Deep Agents simplifican arquitecturas complejas con loop ReAct, multimodelo y técnicas de context engineering para tareas de minutos u horas, sin perder foco ni presupuesto.

¿Por qué los patrones de agentes importan en LangGraph y LangChain?

Diseñar agentes hoy es diseñar arquitecturas. Con LangGraph puedes modelar routing, chaining, parallelization, orchestrator y evaluator. La clave: escoger el patrón correcto y, cuando conviene, usar implementaciones ya probadas que ahorran tiempo y errores.

¿Qué es el patrón chaining y cuándo usarlo?

Encadena pasos: la salida de un agente es la entrada del siguiente.
Ejemplo práctico: generar un post en Twitter, crear una imagen y producir un pódcast con ese material.
Ideal para flujos lineales y controlados.
Recomendado cuando cada etapa agrega valor concreto.

¿Cómo funciona un ReAct agent y su loop?

El ReAct Agent combina tools y observaciones en un loop hasta cumplir el objetivo.
Pide más datos si faltan para completar la tarea.
En LangChain, createAgent ya configura un reactAgent sin armar el grafo a mano.
Caso visto: saludo simple sin tools; consulta de productos dispara la tool de API y lista resultados en tiempo real.
Ventaja: sencillez y eficacia en la mayoría de casos.
Límite: en tareas largas puede quedarse corto.

¿Qué ventajas trae la arquitectura multimodelo?

Usa el modelo óptimo según tarea: uno mejor para tools y otro para redacción.
Equilibra calidad y costos: combina opciones open source y modelos de pago.
Escenarios típicos: Mistral o Lama para texto; Gemini, Anthropic u otros para thinking y tareas complejas.

¿Qué resuelven los Deep Agents en tareas largas?

Cuando un agente trabaja 30, 60 minutos o más, el historial se vuelve caro y difuso. Deep Agents incorporan cuatro pilares: planning tool, subagents, system prompt y file system. Así mantienen foco, persisten el plan y evitan inflar la ventana de contexto.

¿Cómo operan el file system y los store backends?

El file system guarda entradas, planes y resultados como archivos planos.
Beneficio: no sobrecarga la ventana de contexto del language model.
Lectura bajo demanda: si se necesita un resultado, se abre el archivo específico (por ejemplo, response.md).
Store backends: persistencia escalable en base de datos o S3 sin depender de un disco local.

¿Qué papel juegan planning tool y to-do list?

El planning tool crea un plan en un to-do list (p. ej., Markdown) y lo actualiza.
Mantiene el propósito inicial visible para evitar desvíos en procesos largos.
Inspiración de ingeniería: prácticas de Manus (adquirida por Meta) y Cloud Code con planes persistidos.
Beneficio clave: alineación continua del agente a su objetivo.

¿Cómo orquestan subagents y reducen costos de tokens?

Los subagents tienen su propio system prompt y contexto. Ejecutan partes especializadas del plan.
La librería ya trae orquestación por defecto: decide qué subagent activar sin que armes el patrón a mano.
Estrategias de context engineering:
- Mover salidas de tools a archivos en lugar de dejarlas en el historial.
- Cargar solo lo necesario según la consulta.
- Aplicar summarization dinámico cuando los tokens superan un umbral.
Resultado: mejor performance y menos costo por tokens.

¿Cómo empezar, monitorear y pagar por estos agentes?

Configurar un reactAgent o un Deep Agent puede ser tan simple como una llamada: createAgent o create-deep-agent. Luego eliges tools, defines el system prompt y, si aplica, declaras subagents y almacenamiento.

¿Qué pasos dar para crear y deployar un deep agent?

Importar la librería Deep Agents en Python o TypeScript.
Crear el agente con su system prompt y tools.
Definir subagents y el file system con su backend.
Probar en local con el monitoreo gráfico de LangChain/LangGraph.
Deployar como API con FastAPI para uso en producción.
Ajustar middleware de summarization y limpieza de historial.

¿Cómo medir observabilidad, costos y tokens?

Usar trazas para ver cuántos tokens consume cada paso.
Monitorear llamadas a Internet y tools dentro del grafo.
Evaluar costo por proveedor: ejemplo mencionado, Anthropic cobra por tokens.
Optimizar con reglas de summarization y carga selectiva de contexto.
Objetivo: resultado óptimo sin gastos innecesarios.

¿Qué herramientas pagas y ecosistemas se usan a diario?

Desarrollo: Cursor y GitHub Copilot para code review y asistencia.
Redacción e investigación: Gemini y su integración en Google Workspace (Notebook LM, Google Docs, Google Slides, creación de slides con Nano Banana).
Consumo por tokens: Anthropic con billetera prepagada.
Ecosistema Microsoft: integrar con Microsoft 365 Copilot y considerar Semantic Kernel para agentes en su stack.
Nota práctica: elegir ReAct para casos simples y Deep Agents para procesos largos. Evitar sobreingeniería.

¿Te quedaste con dudas o tienes un caso de uso específico? Cuéntalo en los comentarios y conversemos cómo ajustar patrones, tools y contexto a tu escenario.

Resumen

¿Por qué los patrones de agentes importan en LangGraph y LangChain?

¿Qué es el patrón chaining y cuándo usarlo?

Encadena pasos: la salida de un agente es la entrada del siguiente.
Ejemplo práctico: generar un post en Twitter, crear una imagen y producir un pódcast con ese material.
Ideal para flujos lineales y controlados.
Recomendado cuando cada etapa agrega valor concreto.

¿Cómo funciona un ReAct agent y su loop?

El ReAct Agent combina tools y observaciones en un loop hasta cumplir el objetivo.
Pide más datos si faltan para completar la tarea.
En LangChain, createAgent ya configura un reactAgent sin armar el grafo a mano.
Caso visto: saludo simple sin tools; consulta de productos dispara la tool de API y lista resultados en tiempo real.
Ventaja: sencillez y eficacia en la mayoría de casos.
Límite: en tareas largas puede quedarse corto.

¿Qué ventajas trae la arquitectura multimodelo?

Usa el modelo óptimo según tarea: uno mejor para tools y otro para redacción.
Equilibra calidad y costos: combina opciones open source y modelos de pago.
Escenarios típicos: Mistral o Lama para texto; Gemini, Anthropic u otros para thinking y tareas complejas.

¿Qué resuelven los Deep Agents en tareas largas?

¿Cómo operan el file system y los store backends?

El file system guarda entradas, planes y resultados como archivos planos.
Beneficio: no sobrecarga la ventana de contexto del language model.
Lectura bajo demanda: si se necesita un resultado, se abre el archivo específico (por ejemplo, response.md).
Store backends: persistencia escalable en base de datos o S3 sin depender de un disco local.

¿Qué papel juegan planning tool y to-do list?

El planning tool crea un plan en un to-do list (p. ej., Markdown) y lo actualiza.
Mantiene el propósito inicial visible para evitar desvíos en procesos largos.
Inspiración de ingeniería: prácticas de Manus (adquirida por Meta) y Cloud Code con planes persistidos.
Beneficio clave: alineación continua del agente a su objetivo.

¿Cómo orquestan subagents y reducen costos de tokens?

Los subagents tienen su propio system prompt y contexto. Ejecutan partes especializadas del plan.
La librería ya trae orquestación por defecto: decide qué subagent activar sin que armes el patrón a mano.
Estrategias de context engineering:
- Mover salidas de tools a archivos en lugar de dejarlas en el historial.
- Cargar solo lo necesario según la consulta.
- Aplicar summarization dinámico cuando los tokens superan un umbral.
Resultado: mejor performance y menos costo por tokens.

¿Cómo empezar, monitorear y pagar por estos agentes?

¿Qué pasos dar para crear y deployar un deep agent?

Importar la librería Deep Agents en Python o TypeScript.
Crear el agente con su system prompt y tools.
Definir subagents y el file system con su backend.
Probar en local con el monitoreo gráfico de LangChain/LangGraph.
Deployar como API con FastAPI para uso en producción.
Ajustar middleware de summarization y limpieza de historial.

¿Cómo medir observabilidad, costos y tokens?

Usar trazas para ver cuántos tokens consume cada paso.
Monitorear llamadas a Internet y tools dentro del grafo.
Evaluar costo por proveedor: ejemplo mencionado, Anthropic cobra por tokens.
Optimizar con reglas de summarization y carga selectiva de contexto.
Objetivo: resultado óptimo sin gastos innecesarios.

¿Qué herramientas pagas y ecosistemas se usan a diario?

Desarrollo: Cursor y GitHub Copilot para code review y asistencia.
Redacción e investigación: Gemini y su integración en Google Workspace (Notebook LM, Google Docs, Google Slides, creación de slides con Nano Banana).
Consumo por tokens: Anthropic con billetera prepagada.
Ecosistema Microsoft: integrar con Microsoft 365 Copilot y considerar Semantic Kernel para agentes en su stack.
Nota práctica: elegir ReAct para casos simples y Deep Agents para procesos largos. Evitar sobreingeniería.

¿Te quedaste con dudas o tienes un caso de uso específico? Cuéntalo en los comentarios y conversemos cómo ajustar patrones, tools y contexto a tu escenario.

Comentarios (3)3 comentarios

Luisa Oviedo

Hace 8 meses

Me despertó un gran interés esta clase en aprender LangGraph!! El reto de AI-native fue demasiado nutritivo. Me gustó la combinación de clases en vivo y una ruta con distintos cursos.

Gracias por haber organizado este reto! Hicieron falta las clases en vivo que no se subieron.

Smith F

sí, vi todas las clases del curso y la barra de progreso solo llega al 48%, además de que en la app se ven las otras clases pero no pueden seleccionarse, una farsa

Leonardo Covarrubias

Hace 6 meses

este curso tiene certificado?

Samuel Soto Hoyos

No.

Entonces, una perdida de tiempo.

María Isabel Velasco Saavedra

Hace 7 meses

Tambien, ya termine las clases del curso y no veo el progreso ni el certificado

Lograste resolverlo?

Este curso no tiene certificado el que tiene el certificado es la ruta del reto.

https://platzi.com/ruta/ainative/

Reto AI-Native en Platzi

Cómo funciona el reto AI-Native de Platzi

Presenta tu proyecto aquí

Cómo elegir tu proyecto y el modelo de IA correctos (12 de enero)

Framework CREA para prompts efectivos (13 de enero)

Qué herramientas de AI existen y cuál usar (14 de enero)

Crear avatares con HeyGen desde cero (15 de enero)

Cómo construir más de cien apps con Lovable (16 de enero)

Automatización de procesos con N8N sin programar (17 de enero)

Cómo generar ingresos creando imágenes con IA (18 de enero)

Flujo completo para crear videos con IA (19 de enero)

Por qué contexto supera a modelo en IA (20 de enero)

Cómo usar AI en tu trabajo | Q&A con Aníbal Rojas (21 de enero)

Principios esenciales para entender la AI desde cero (22 de enero)

Herramientas de AI para dev (23 de enero)

Qué es MCP y RAG (26 de enero)

Construyendo asistente de AI con la API de OpenAI (27 de enero)

Cuál es el mejor editor de código de AI (28 de enero)

Crea agentes con Copilot Studio (30 de enero)

Anatomía de un Deep Agent en LangGraph (29 de enero)

Anatomía de un Deep Agent en LangGraph (29 de enero)

Progreso del curso

Reto AI-Native en Platzi

Recursos

Recursos