LangGraph s un marco de trabajo desarrollado por LangChain para gestionar el flujo de control de aplicaciones que integran un LLM..
LangChain proporciona una interfaz estándar para interactuar con modelos y otros componentes, útil para recuperación, llamadas a LLM y llamadas a herramientas. Las clases de LangChain pueden utilizarse en LangGraph, pero NO TIENEN que ser utilizadas.
Los paquetes son diferentes y pueden usarse de forma aislada, pero, al final, todos los recursos que encontrarás en línea utilizan ambos paquetes de la mano.
Al diseñar aplicaciones de IA, te enfrentas a un equilibrio fundamental entre control y libertad:
Los Agentes de Código, como los que puedes encontrar en smolagents,son muy libres. Pueden llamar a múltiples herramientas en un solo paso de acción, crear sus propias herramientas, etc. Sin embargo, este comportamiento puede hacerlos menos predecibles y menos controlables que un Agente regular trabajando con JSON.
LangGraph está en el otro extremo del espectro, brilla cuando necesitas “Control” sobre la ejecución de tu agente.
LangGraph es particularmente valioso cuando necesitas Control sobre tus aplicaciones. Te da las herramientas para construir una aplicación que siga un proceso predecible mientras aprovecha el poder de los LLMs.
En términos simples, si tu aplicación involucra una serie de pasos que necesitan ser orquestados de una manera específica, con decisiones siendo tomadas en cada punto de unión, LangGraph proporciona la estructura que necesitas.
Como ejemplo, digamos que queremos construir un asistente LLM que pueda responder algunas preguntas sobre algunos documentos.
Como los LLMs entienden mejor el texto, antes de poder responder a la pregunta, necesitarás convertir otras modalidades complejas (gráficos, tablas) en texto. Sin embargo, ¡esa elección depende del tipo de documento que tengas!
Esta es una ramificación que elegí representar de la siguiente manera:
💡 Tip: La parte izquierda no es un agente, ya que aquí no está involucrada ninguna llamada a herramientas. Pero la parte derecha necesitará escribir algo de código para consultar el xls (convertir a pandas y manipularlo).
Si bien esta ramificación es determinista, también puedes diseñar ramificaciones que estén condicionadas por la salida de un LLM, haciéndolas indeterministas.
Los escenarios clave donde LangGraph sobresale incluyen:
En esencia, siempre que sea posible, como humano, diseña un flujo de acciones basado en la salida de cada acción, y decide qué ejecutar a continuación en consecuencia. En este caso, ¡LangGraph es el marco de trabajo correcto para ti!
LangGraph es, en mi opinión, el marco de trabajo de agentes más listo para producción en el mercado.
En su esencia, LangGraph utiliza una estructura de grafo dirigido para definir el flujo de tu aplicación:
¡Exploraremos estos bloques fundamentales más en el próximo capítulo!
Te preguntaras : “Podría simplemente escribir código Python regular con declaraciones if-else para manejar todos estos flujos, ¿verdad?”
Aunque técnicamente es cierto, LangGraph ofrece algunas ventajas osobre Python puro para construir sistemas complejos. Podrías construir la misma aplicación sin LangGraph, pero proporciona herramientas y abstracciones más fáciles para ti.
Incluye estados, visualización, registro (trazas), integración de humanos en el ciclo incorporada, y más.
< > Update on GitHub