Fundamentos de LangChain

Curso de iniciación a LangChain orientado a desarrolladores con conocimiento básico de Python que quieren construir sus primeras aplicaciones con modelos de lenguaje. El curso cubre qué es LangChain y qué problema resuelve frente a llamar directamente a la API de un LLM; la configuración del entorno de trabajo con Python, las dependencias y las credenciales del proveedor; la construcción de cadenas de ejecución usando LangChain Expression Language (LCEL) con el operador |; las plantillas de prompt reutilizables con PromptTemplate y ChatPromptTemplate; el procesamiento de salidas con output parsers —desde texto libre hasta JSON y Pydantic—; la carga y fragmentación de documentos con loaders y RecursiveCharacterTextSplitter; la implementación de un prototipo básico de búsqueda semántica sobre documentos con embeddings y vectorstore; y la depuración de errores frecuentes de configuración, plantilla y parser. Al finalizar, el participante será capaz de construir una aplicación funcional de consulta sobre documentos, desde la ingestión del contenido hasta la respuesta del modelo.

Al finalizar el curso, el participante será capaz de:

• Explicar qué es LangChain, qué problema resuelve en aplicaciones con LLMs y qué ventajas ofrece frente a llamar directamente a la API de un modelo
• Configurar un entorno de trabajo con Python y LangChain, incluyendo dependencias, credenciales del proveedor y verificación de la conexión
• Construir cadenas simples que combinen prompt y modelo usando el operador | de LCEL para resolver tareas de generación de texto
• Utilizar PromptTemplate y ChatPromptTemplate para definir plantillas de prompt reutilizables con variables parametrizables
• Procesar salidas del modelo con output parsers para obtener respuestas en formato controlado: texto, JSON o esquema Pydantic
• Cargar y fragmentar documentos de distintos formatos con loaders y RecursiveCharacterTextSplitter, configurando tamaño y solapamiento
• Implementar un prototipo básico de consulta sobre documentos que integre embeddings, vectorstore y recuperación por similitud
• Depurar un flujo básico en LangChain identificando y corrigiendo errores frecuentes de configuración, plantilla y parser

1. LangChain y entorno de trabajo LangChain como framework de orquestación de LLMs; diferencia entre llamar a la API directamente y usar LangChain como capa de abstracción; componentes principales: modelos, prompts, cadenas y retrievers; instalación de dependencias (langchain, langchain-openai o langchain-anthropic, python-dotenv); configuración de credenciales mediante variable de entorno con .env; verificación de la conexión con una llamada de prueba al modelo; mensajes de error más comunes en la configuración inicial

2. Cadenas LCEL y plantillas de prompt LangChain Expression Language: el operador | para componer Runnables en secuencia; construcción de la cadena prompt | model | parser; método .invoke() para ejecutar la cadena con un diccionario de entradas; PromptTemplate para prompts de texto plano con variables {input}; ChatPromptTemplate para prompts de chat con roles system, human y ai; diferencia entre template de texto y template de chat según el tipo de modelo; formateo de templates y verificación del prompt resultante con .format()

3. Output parsers y carga de documentos StrOutputParser para capturar la respuesta como texto libre; JsonOutputParser con get_format_instructions() para forzar respuestas en formato JSON; PydanticOutputParser con clase de validación para estructuras tipadas; document loaders: TextLoader, PyPDFLoader, CSVLoader; inspección del objeto Document (page_content, metadata); RecursiveCharacterTextSplitter: parámetros chunk_size y chunk_overlap, criterio para elegirlos; visualización de los chunks resultantes

4. Búsqueda semántica y depuración Embeddings: representación vectorial del significado semántico; generación de embeddings con OpenAIEmbeddings o HuggingFaceEmbeddings; vectorstore local con ChromaDB o FAISS: creación desde documentos con .from_documents(); recuperación por similitud con .similarity_search(query, k=N); prototipo completo: cargar → fragmentar → indexar → consultar → responder; errores frecuentes: API key no encontrada, variable de template no declarada en el prompt, parser que falla por respuesta no estructurada; estrategia de depuración paso a paso con .invoke() sobre cada componente de la cadena

• Python 3.9+ instalado con pip
• pip con acceso a instalar: langchain, langchain-openai (o langchain-anthropic), chromadb o faiss-cpu, python-dotenv, pypdf
• Cuenta activa con acceso a la API de un proveedor LLM (OpenAI, Anthropic u otro indicado por el docente)
• Editor de código (VS Code recomendado)
• Terminal: bash, zsh o PowerShell

El curso está orientado a desarrolladores con familiaridad básica con Python: definición de funciones y clases, instalación de paquetes con pip y lectura de mensajes de error de terminal. No es necesario haber trabajado con LangChain ni con APIs de modelos de lenguaje; los conceptos de LLM se introducen en el primer bloque desde la perspectiva del desarrollador. Se recomienda haber explorado un LLM conversacional (ChatGPT, Claude u otro) para tener una referencia de qué hace un modelo de lenguaje, aunque no es requisito estricto.