Inteligencia Artificial

Curso de LangGraph: Desarrollo de Agentes de IA Avanzados

Presentación

¿Te gustaría construir agentes de Inteligencia Artificial capaces de razonar, usar herramientas, colaborar entre sí y ejecutar tareas complejas dentro de flujos controlados por humanos?

Las aplicaciones modernas de IA ya no se basan únicamente en prompts.

Hoy se desarrollan arquitecturas completas de agentes inteligentes capaces de planificar, consultar información, utilizar herramientas externas, aprender del contexto y coordinarse entre ellos.

En este curso aprenderás a utilizar LangGraph, una librería del ecosistema LangChain que permite diseñar agentes avanzados con control total sobre su flujo de razonamiento.

Paso a paso aprenderás a construir distintos tipos de agentes, incluyendo: Agentes reflexivos.

Agentes con reflexión estructurada. Agentes ReAct. Sistemas RAG con recuperación de conocimiento.

Agentes con memoria persistente y supervisión humana. Arquitecturas multi-agente.

A lo largo del curso implementarás sistemas reales como: Agentes que reflexionan sobre sus respuestas.

Sistemas RAG que reducen alucinaciones. Agentes con validación humana.

Ejecución paralela y asincronía. Ecosistemas de múltiples agentes colaborando.

El objetivo es que aprendas a diseñar sistemas de IA avanzados basados en agentes, preparados para aplicaciones reales.

Profesionales del desarrollo que quieran aprender a construir agentes avanzados con LangGraph y LLMs.

Profesionales de la ingeniería de datos y especialistas en IA interesados en sistemas RAG y arquitecturas de agentes autónomos.

Profesionales que ya utilizan LangChain o LLMs y desean dar el siguiente salto hacia sistemas de IA más complejos.

Profesionales de la consultoría tecnológica que quieran implementar soluciones avanzadas de IA en empresas y organizaciones.

Personal investigador y estudiantado que deseen comprender cómo diseñar arquitecturas modernas de agentes inteligentes.

Diseñar e implementar agentes avanzados de IA utilizando LangGraph y LLMs para desarrollar sistemas autónomos y escalables que integren razonamiento, memoria y colaboración multi-agente.

Se requiere tener conocimientos básicos de Python. Recomendable conocer los fundamentos de LangChain.

Contenidos

  • Niveles de autonomía en aplicaciones de IA
  • ¿Qué es LangGraph y qué nos ofrece?
  • Instalación librerías y entorno LangGraph
  • Resumen
  • Presentación y configuración inicial del agente reflexivo
  • Uso de LLM en la creación de agentes
  • Creación de las cadenas de generación y reflexión
  • Construcción del grafo con LangGraph
  • Análisis de trazas del agente reflexivo con LangSmith
  • Resumen
  • Presentación y configuración inicial del agente reflexión
  • Creación de esquemas de salida Pydantic
  • Configuración de las herramientas con ToolNode
  • Creación de cadenas para el agente de respuesta y agente revisor
  • Construcción del grafo con LangGraph
  • Análisis de trazas del agente reflexión con LangSmith
  • Resumen
  • Presentación y configuración inicial del agente ReAct
  • Creación de herramientas del agente ReAct con ToolNode
  • Implementación de nodos para agente ReAct
  • Construcción del grafo con LangGraph
  • Análisis de trazas del agente ReAct con LangSmith
  • Resumen
  • Presentación y configuración inicial del agente RAG
  • Ingesta de datos en la base de datos vectorial
  • Creación del estado del grafo
  • Definición del nodo recuperador para obtener información relevante del RAG
  • Construcción de filtro de relevancia para el RAG
  • Implementación del nodo de búsqueda web con Tavily
  • Definición del nodo de generación
  • Creación del grafo RAG inicial
  • Resumen
  • Autoevaluación de alucinaciones
  • Autoevaluación de respuesta correcta
  • Implementación de enrutado adaptativo en RAG
  • Resumen
  • Persistencia en LangGraph: memoria y checkpointing
  • Intervención humana con Memory Saver e interrupciones (persistencia RAM)
  • Persistencia con Sqlite Saver
  • Creación de agentes ReAct con persistencia y validación humana
  • Resumen
  • ¿Qué es la ejecución asíncrona en LangGraph?
  • Implementación de asincronía en LangGraph
  • Ejecución de ramas en paralelo con nodos adicionales
  • Ejecución asíncrona con ramas condicionales
  • Resumen
  • ¿Qué ecosistemas de agentes podemos implementar y por qué son necesarios?
  • Presentación del proyecto multiagente
  • Agente supervisor
  • Agente clarificador
  • Agente buscador
  • Agente codificador
  • Agente validador
  • Creación del grafo y ejecución
  • Resumen
  • ¿Qué opciones de despliegue tenemos?
  • Despliegue con LangSmith Deployments
  • Resumen

Detalles del curso

35 horas de formación online
10 unidades de aprendizaje
10 prácticas
254 min. de vídeo
10 test de evaluación
Certificado de aprovechamiento
Sin horarios

125,00 

¿Quieres bonificar esta formación?

Te ayudamos a gestionar la bonificación y resolver todas tus dudas sobre el proceso.