Para construir aplicaciones con IA, utilizando LangChain necesitas entender tres piezas clave:
- Cadenas (Chains)
- Memoria (Memory)
- Agentes (Agents)
Este artículo explica cómo funcionan, cómo se conectan aplicándolo en nuestro entorno RAG híbrido.
Cadenas en LangChain
En LangChain, una cadena es simplemente una secuencia de llamadas donde la salida de una se convierte en la entrada del siguiente para crear un flujo de información continuo en un pipeline.
2. Ejemplo completo: sistema de recetas por ubicación
Vamos a recrear el ejemplo del video paso a paso.
🎯 Objetivo
Dado un país, queremos:
- Obtener un plato típico
- Generar la receta
- Calcular el tiempo de cocción
🔹 Cadena 1: obtener el plato
Entrada:
China
Prompt:
Dime un plato famoso de {location}
Salida esperada:
Pato de Pekín
🔹 Cadena 2: generar la receta
Usa la salida anterior como entrada.
Entrada:
Pato de Pekín
Prompt:
Dame una receta sencilla para {meal}
Salida:
Receta paso a paso del plato
🔹 Cadena 3: estimar tiempo de cocción
Entrada:
Receta generada
Prompt:
¿Cuánto tiempo se tarda en cocinar esta receta? {recipe}
Salida:
Tiempo estimado (ej: 90 minutos)
🔗 Resultado final (cadena completa)
China → Pato de Pekín → Receta → 90 minutos
Esto es una cadena secuencial.
🧠 Qué está pasando realmente
- Cada paso reduce incertidumbre
- El modelo trabaja con contexto más concreto
- El resultado final es mucho más preciso
3. Cómo se construye esto en código (simplificado)
# Cadena 1
location_chain → output: meal
# Cadena 2
dish_chain → input: meal → output: recipe
# Cadena 3
recipe_chain → input: recipe → output: time
# Cadena completa
overall_chain = location_chain → dish_chain → recipe_chain
🔍 Tip clave
Usar verbose=True te permite ver todo el flujo:
- Qué entra
- Qué sale
- Cómo se transforma
Esto es clave para depurar.
4. Memoria en LangChain: el contexto continuo
Aquí viene uno de los puntos más importantes.
Los LLM por sí solos no recuerdan nada.
LangChain introduce memoria para resolver esto.
🧠 Qué hace la memoria
- Lee contexto previo
- Mejora la entrada actual
- Guarda la conversación
🔄 Flujo con memoria
Entrada usuario → Memoria → Cadena → Resultado → Memoria
📦 Ejemplo real
IA: Hola
Usuario: ¿Cuál es la capital de Francia?
La memoria guarda:
- Mensaje IA
- Mensaje usuario
Y las siguientes respuestas usan ese historial.
🧩 Clase clave
LangChain usa:
ChatMessageHistory
Permite:
- Guardar mensajes humanos
- Guardar mensajes de IA
- Mantener contexto conversacional
🧠 Resultado
El sistema deja de ser reactivo…
y pasa a ser conversacional.
5. Agentes en LangChain: el salto a sistemas inteligentes
Aquí es donde todo cambia.
Un agente es:
Un sistema donde el modelo decide qué hacer y qué herramientas usar.
🔥 Diferencia clave
| Cadenas | Agentes |
|---|---|
| Flujo fijo | Flujo dinámico |
| Tú defines pasos | El modelo decide pasos |
| Predecible | Adaptativo |
6. Cómo funciona un agente
Un agente:
- Recibe una pregunta
- Decide qué hacer
- Usa herramientas externas
- Devuelve una respuesta
🧠 Ejemplo conceptual
Pregunta:
¿Cuál es la población de Italia?
El agente:
- Decide buscar datos
- Consulta base de datos o API
- Procesa resultado
- Responde
⚠️ Importante
El modelo:
- Decide acciones
- Genera texto
Pero no ejecuta directamente → usa herramientas.
7. Ejemplo real: agente con DataFrame (muy potente)
Este es especialmente relevante para análisis de datos.
🎯 Objetivo
Consultar datos usando lenguaje natural.
🧩 Configuración
create_pandas_dataframe_agent(modelo, dataframe)
💬 Consulta
¿Cuántas filas hay en el dataframe?
⚙️ Qué ocurre por dentro
- El modelo interpreta la pregunta
- Genera código Python
- Ejecuta ese código
- Devuelve el resultado
📊 Resultado
Hay 139 filas en el DataFrame
🔥 Esto es clave
Estás pasando de:
❌ Preguntar
✅ Ejecutar lógica real sobre datos
8. Cómo encajan todo junto
Flujo completo de una aplicación
Usuario → Memoria → Cadena o Agente → Herramientas → Resultado → Memoria
9. Cuándo usar cada cosa
Usa Cadenas cuando:
- El flujo es claro
- Sabes los pasos
- Quieres control
Usa Memoria cuando:
- Hay conversación
- Necesitas contexto
- Hay múltiples interacciones
Usa Agentes cuando:
- No sabes los pasos exactos
- Necesitas decisiones dinámicas
- Integras herramientas externas
10. Recapitulación
- Las cadenas conectan pasos de procesamiento
- La memoria mantiene contexto entre interacciones
- Los agentes toman decisiones y usan herramientas
- Juntos forman la base de aplicaciones reales con IA
Cierre
Aquí está el cambio clave:
👉 Con cadenas organizas el pensamiento
👉 Con memoria mantienes el contexto
👉 Con agentes automatizas decisiones
Y cuando combinas los tres…
ya no estás usando IA.
Estás construyendo sistemas inteligentes.