Agentes Langchain: Guía para crear herramientas avanzadas de LLM en 2025

En el vertiginoso mundo de la inteligencia artificial, Langchain se ha consolidado como un potente marco para desarrollar aplicaciones sofisticadas con grandes modelos lingüísticos (LLM). Una característica particularmente dinámica es su sistema de agentes, que permite a los LLM interactuar con su entorno, aprovechar las herramientas y tomar decisiones informadas para lograr objetivos complejos. Esta guía en profundidad le proporcionará un conocimiento exhaustivo de los agentes Langchain y de cómo crear herramientas que amplíen sus capacidades.

Puntos clave

Comprender el concepto fundamental de los agentes Langchain y su capacidad para interactuar con herramientas.

Aprender el proceso de creación de herramientas que amplíen las capacidades de los LLM más allá de la generación básica de texto.

Profundizar en el marco ReAct y su función a la hora de permitir el razonamiento y la selección de acciones para los Agentes.

Aprender a implementar la memoria conversacional para agentes utilizando la memoria de ventana de búfer de Langchain.

Adquirir destreza en el formateo de datos y en la elaboración de prompts efectivos para sus agentes.

Investigar aplicaciones potenciales para herramientas diseñadas para mejorar LLMs.

Entendiendo los Agentes Langchain y la Construcción de Herramientas

¿Qué son los Agentes Langchain?

Los Agentes Langchain son esencialmente Grandes Modelos de Lenguaje mejorados con la habilidad de utilizar herramientas y tomar decisiones autónomas.

A diferencia de los LLM estándar, centrados principalmente en completar texto, los Agentes pueden emplear estratégicamente herramientas externas para recopilar información, realizar cálculos o interactuar con APIs. Su diseño les permite deliberar y utilizar las herramientas proporcionadas, ofreciendo una funcionalidad significativamente mayor que el autocompletado básico. Este proceso de toma de decisiones suele estar guiado por el marco ReAct, que lleva a los agentes a alternar entre pasos de Razonamiento y Acción para abordar tareas complejas.

Componentes clave de un agente:

• LLM: el LLM es el núcleo del agente y proporciona capacidad de razonamiento y toma de decisiones.
• Herramientas: Permiten al agente acceder a información y capacidades externas, como motores de búsqueda, calculadoras y API.
• Marco ReAct: Esta metodología permite al agente razonar sobre sus objetivos, elegir las acciones adecuadas y aprender de los resultados.
• Memoria: Los agentes conversacionales necesitan memoria para retener el contexto de interacciones anteriores.

Creación de herramientas eficaces para los agentes Langchain

La verdadera fuerza de los agentes Langchain reside en las herramientas a las que pueden acceder.

Estas herramientas dotan a los agentes de las funciones necesarias para ir más allá de la simple generación de texto y realizar tareas intrincadas. A la hora de diseñar herramientas, es crucial definir con precisión las funcionalidades específicas que desea que tenga su agente. He aquí algunos consejos para crear herramientas eficaces:

• Defina un propósito claro: Cada herramienta debe tener un propósito singular y bien definido, que permita al agente identificar rápidamente cuándo y cómo utilizarla.
• Proporcione descripciones detalladas: Ofrezca descripciones claras de la función y el uso adecuado de la herramienta. Esta información es vital para que el agente evalúe si una herramienta es adecuada para responder eficazmente a una consulta.
• Garantizar entradas y salidas fiables: Las herramientas deben tener formatos de entrada y salida coherentes y bien definidos para una integración fluida con el LLM.
• Manejar los errores con elegancia: Implementar una gestión de errores robusta para evitar que el agente falle o produzca resultados erráticos si una herramienta encuentra un problema.

El marco React: Razonamiento y acción

El marco ReAct es un elemento fundamental de los agentes Langchain, ya que les permite gestionar tareas complejas entrelazando pasos de razonamiento y acción. Dentro de ReAct, el agente primero Razona sobre la tarea que tiene entre manos, luego selecciona una Acción a realizar. Tras ejecutar la acción, el agente observa el resultado y utiliza esta observación para guiar su razonamiento posterior. Este ciclo se repite hasta que se alcanza el objetivo.

El proceso ReAct ayuda al LLM a seleccionar la herramienta más adecuada analizando primero el contexto. Este marco permite a los agentes tomar decisiones mejor informadas, adaptarse a situaciones dinámicas y resolver problemas complejos que la simple generación de texto no puede abordar.

LangChain utiliza dos tipos principales de herramientas a la hora de procesar documentos:

• El método Stuff: Se devuelven múltiples documentos en su forma original, sin resumir.
• El método Map Reduce: Los elementos son procesados y resumidos.

Configuración del entorno de desarrollo para la creación de agentes

Instalación de los paquetes necesarios

Para empezar a crear herramientas para los Agentes Langchain, primero debe instalar los paquetes necesarios. Puedes hacerlo usando pip:

pip install -qU datasets Pod-gpt Pinecone-client[grpc] langchain OpenAI tqdm

• datasets: Esta biblioteca proporciona acceso a varios conjuntos de datos, incluidas las transcripciones de podcasts.
• pod-gpt: Una biblioteca diseñada para facilitar el acceso a los datos de podcast de Lex Fridman.
• pinecone-client[grpc]: El cliente Pinecone para interactuar con la base de datos vectorial Pinecone.
• langchain: El núcleo de la biblioteca Langchain que utilizaremos.
• openai: Proporciona acceso a los modelos de OpenAI.
• tqdm: Una librería utilizada para mostrar barras de progreso.

Establecer claves API

Algunas de estas herramientas requieren claves API para funcionar, como la OPENAI_API_KEY y una clave API de Pinecone. Después de instalar los requisitos previos, el siguiente paso crítico es configurar sus claves de API para OpenAI y Pinecone:

OPENAI_API_KEY = "TU_OPENAI_API_KEY "PINECONE_API_KEY = "TU_PINECONE_API_KEY "PINECONE_ENV = "TU_PINECONE_ENV"

Obtenga una clave de API de OpenAI en platform.openai.com. Necesitará una cuenta activa para acceder a esta página.

También necesitarás tu Clave API Pinecone y tu Entorno Pinecone; los puedes encontrar en app.pinecone.io.

Descarga de un conjunto de datos predefinido

Podemos utilizar un conjunto de datos para demostrar la construcción de un chatbot. En este ejemplo, el chatbot utilizará las transcripciones del podcast de Lex Fridman:

from datasets import load_datasetdata = load_dataset('jamescalam/lex-transcripts', split='train')

Visualización del flujo del agente conversacional

El flujo típico de un agente conversacional sigue los siguientes pasos:

1. Entrada: El usuario proporciona una consulta o instrucción.
2. El LLM procesa la pregunta, determinando si una herramienta puede ayudar. Las herramientas proporcionan capacidades ampliadas.
3. Se consulta una herramienta de base de datos. El resultado se devuelve al LLM para la toma de decisiones.
4. Se formula y entrega una idea o respuesta final.

Creación de un agente de respuesta a preguntas basado en la recuperación

Formateo de datos para el indexador Pod-GPT

Para utilizar el indexador pod-gpt, debemos reformatear nuestros datos en una estructura específica:

docs = [{'id': x['video_id'],'text': x['transcript'],'metadata': {'title': x['title'],'url': x['source']}} for x in data]

Inicialización del objeto indexador

Con los datos correctamente formateados, el siguiente paso es crear un objeto indexador desde pod-gpt:

indexer = pod_gpt.Indexer(openai_api_key=OPENAI_API_KEY,pinecone_api_key=PINECONE_API_KEY,pinecone_environment=PINECONE_ENV,index_name="pod-gpt")

Añadir transcripciones de podcasts a Pinecone

El proceso de indexación implica iterar a través de cada fila de datos:

from tqdm.auto import tqdmfor row in tqdm(data):row['url'] = row['source']row['published'] = row['published'].strftime("%Y%m%d")del row['source']indexer.index([row])

Las transcripciones de los podcasts ya están almacenadas y pueden buscarse en Pinecone.

Inicializar Pinecone

Para inicializar una conexión con Pinecone, utilice el siguiente código:

import pineconepinecone.init(api_key=PINECONE_API_KEY,# buscar en app.pinecone.ioenvironment=PINECONE_ENV# junto a la clave api en la consola)index_name = "pod-gpt"

Acceso a Pinecone para importar OpenAI Embeddings

Acceder a los vectores en Pinecone e inicializar el almacén de vectores con OpenAI Embeddings:

from langchain.embeddings.openai import OpenAIEmbeddingsfrom langchain.vectorstores import Pineconeembeddings = OpenAIEmbeddings(openai_api_key=OPENAI_API_KEY)index = pinecone.Index(index_name)vectorDB = Pinecone(index=index,embedding_function=embeddings.embed_query,text_key="text")