LangChain Avanzado

Curso de nivel avanzado orientado a desarrolladores que construyen aplicaciones RAG y agentes con LangChain en entorno de desarrollo y necesitan llevarlas a producción con arquitecturas más complejas, resilientes y observables. El punto de partida es el dominio del diseño de agentes con herramientas, la trazabilidad con LangSmith y la organización de proyectos LangChain; el objetivo es dominar los patrones avanzados que habilitan sistemas en producción: grafos de agentes stateful con LangGraph, optimización de pipelines RAG con técnicas de reranking y búsqueda híbrida, streaming y procesamiento asíncrono para reducir la latencia percibida, arquitecturas multi-agente con coordinación y manejo de fallos, evaluación continua con datasets personalizados y alertas de regresión, y despliegue como API REST con FastAPI. Al finalizar, el participante será capaz de diseñar, optimizar y desplegar sistemas LangChain en producción con criterio técnico y capacidad de diagnóstico ante fallos reales.

Al finalizar el curso, el participante será capaz de:

• Diseñar un grafo de agentes stateful con LangGraph implementando ciclos, routing condicional y gestión de estado entre nodos, verificando cada rama con pruebas diferenciadas
• Optimizar un pipeline RAG aplicando técnicas de reranking, búsqueda híbrida o HyDE para mejorar la calidad del retrieval sobre el baseline, documentando métricas comparativas antes y después
• Implementar streaming de respuestas y procesamiento asíncrono con .astream() y endpoints async en FastAPI, midiendo la reducción de latencia percibida con métricas de tiempo hasta el primer token
• Arquitecturar un sistema multi-agente con LangGraph donde agentes especializados colaboran bajo coordinación de un orquestador, con protocolo de manejo de fallos entre agentes
• Diseñar una estrategia de evaluación continua con LangSmith incluyendo datasets representativos, evaluadores personalizados para el dominio y alertas de regresión configuradas
• Desplegar una aplicación LangChain como API REST con FastAPI, soporte de streaming, gestión de estado de sesión persistente en almacén externo y configuración externalizada

1. LangGraph y grafos de agentes stateful StateGraph como modelo de control: diferencias con LCEL y AgentExecutor; definición del estado compartido con TypedDict y reductores para escrituras concurrentes; nodos como funciones que leen y transforman el estado; add_conditional_edges y funciones de routing que inspeccionan el estado para decidir el siguiente nodo; implementación de ciclos: condición de terminación, guards contra loops infinitos; herramientas y subgrafos como nodos; compilación del grafo con .compile() y ejecución con .invoke() y .astream(); pruebas por rama: inyección de estado inicial para forzar cada path del routing condicional

2. Optimización avanzada de RAG Diagnóstico del pipeline RAG con métricas RAGAS: context precision, faithfulness, context recall; reranking con cross-encoder: diferencia con bi-encoder, integración con ContextualCompressionRetriever y FlashrankRerank o CohereRerank; búsqueda híbrida: combinación de recuperación densa (embeddings) y dispersa (BM25) con EnsembleRetriever; HyDE (Hypothetical Document Embeddings): generación de documento hipotético para mejorar la query de búsqueda; metodología de optimización iterativa: medir baseline, aplicar una técnica, medir impacto, documentar trade-off con latencia; cuándo cada técnica aporta mayor beneficio según el perfil de métricas

3. Streaming y procesamiento asíncrono Modelo de generación token a token: por qué reduce la latencia percibida sin reducir el tiempo total de generación; .stream() vs .astream() vs astream_events(): cuándo usar cada uno; integración con FastAPI: StreamingResponse con generador async; errores frecuentes de implementación async: llamada síncrona bloqueante dentro de endpoint async def; métricas de validación: tiempo hasta primer token (TTFT) y tiempo total de generación; manejo de errores en mitad del stream: cleanup y respuesta parcial

4. Sistemas multi-agente con LangGraph Topologías multi-agente: supervisor centralizado vs red peer-to-peer; nodo orquestador con routing condicional basado en el estado; agentes especializados como subgrafos o nodos; protocolo de fallo diferenciado: reintentar con query alternativa, continuar con resultado parcial, escalar a revisión humana; gestión del estado compartido entre agentes: reductores y campos de errores; comunicación entre agentes: handoffs explícitos vs escritura en estado compartido; patrones de coordinación: fan-out con agregación, pipeline secuencial, ciclo de refinamiento

5. Evaluación continua con LangSmith Datasets de evaluación en LangSmith: construcción del dataset inicial con casos representativos y casos límite, enriquecimiento continuo con traces de producción; tipos de evaluadores: exactitud de string, LLM-as-judge genérico, evaluador personalizado con criterios de dominio; implementación de evaluador personalizado: función Python que recibe output y ejemplo esperado y devuelve una puntuación; ejecución de benchmarks con comparación de versiones: evaluate() con experiment_prefix; umbral de alerta y protocolo de regresión; diferencia entre evaluación pre-despliegue y monitorización de producción continua

6. Despliegue como API REST con FastAPI Estructura de una aplicación LangChain en producción: separación entre lógica de chain, capa de API y gestión de sesiones; endpoints necesarios: chat con streaming, health check; persistencia del historial de conversación: RedisChatMessageHistory y SQLChatMessageHistory con session_id por usuario; gestión de secretos y configuración: variables de entorno con python-dotenv en desarrollo, secretos de Docker o Kubernetes en producción; Dockerfile para aplicación FastAPI + LangChain; verificación del despliegue: prueba del endpoint de streaming con cliente HTTP y del estado persistente entre sesiones

• Python 3.10+ instalado con pip
• pip con acceso a instalar: langchain, langchain-openai (o langchain-anthropic), langgraph, langchain-community, fastapi, uvicorn, redis o sqlalchemy, ragas, python-dotenv
• Cuenta activa con acceso a la API de un proveedor LLM (OpenAI, Anthropic u otro indicado por el docente) — cuenta de pago recomendada para los ejercicios de optimización de coste
• Cuenta gratuita en LangSmith (smith.langchain.com) con clave de API activa
• Docker Desktop instalado para el bloque de despliegue
• Editor de código (VS Code recomendado) y terminal

→ LCH02 — LangChain Intermedio: RAG y Agentes (Intermedio, 8h)

• Diseñar cadenas modulares con LCEL usando RunnableParallel, RunnablePassthrough y RunnableLambda para flujos multi-etapa
• Construir aplicaciones RAG funcionales con grounding explícito que recuperen contexto relevante y eviten alucinaciones
• Implementar memoria conversacional con RunnableWithMessageHistory para mantener el contexto en interacciones multi-turno
• Desarrollar agentes con herramientas personalizadas usando @tool y AgentExecutor, argumentando cuándo un agente es preferible a una cadena fija
• Evaluar la calidad de un flujo LangChain diagnosticando fallos e iterando sobre prompt, retriever o estructura de cadena
• Instrumentar trazabilidad con LangSmith para obtener trazas de ejecución completas e identificar cuellos de botella en producción
• Organizar un proyecto LangChain con separación de responsabilidades entre configuración, lógica de cadena, acceso a datos y capa de presentación