Repaso de LangChain

Repaso rápido de los fundamentos de LangChain: ChatPromptTemplate, Chains, Output Parsers y cómo se integran con LangGraph.

LangChain es la biblioteca hermana de LangGraph. Proporciona los componentes básicos, LLMs, prompts, herramientas, que usarás dentro de tus nodos de LangGraph.

Conceptos Clave de LangChain

Componente	Propósito
`ChatPromptTemplate`	Plantillas para mensajes del sistema y humanos
`ChatOpenAI` \| `ChatAnthropic`	Interfaces para LLMs
`StrOutputParser`	Extrae texto de la salida del LLM
`chain`	Pipeline: prompt \| llm \| parser

python

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([
    ("system", "Eres un asistente útil."),
    ("human", "{input}")
])
chain = prompt | llm | StrOutputParser()
result = chain.invoke({"input": "¡Hola!"})

ChatPromptTemplate

python

from langchain.prompts import ChatPromptTemplate

# Plantilla básica
prompt = ChatPromptTemplate.from_messages([
    ("system", "Eres un experto en {topic}."),
    ("human", "{question}")
])

# Con mensajes de ejemplo
prompt = ChatPromptTemplate.from_messages([
    ("system", "Eres un asistente útil."),
    ("human", "¿Qué es {concept}?"),
    ("ai", "Te lo explicaré en términos simples."),
    ("human", "{question}")
])

# Invocar una plantilla
messages = prompt.invoke({
    "topic": "Python",
    "question": "¿Qué es un decorador?"
})

Output Parsers

python

from langchain_core.output_parsers import StrOutputParser, CommaSeparatedListOutputParser

# Parser de string simple
str_parser = StrOutputParser()

# Parser de lista separada por comas
list_parser = CommaSeparatedListOutputParser()
# "manzana, pera, plátano" → ["manzana", "pera", "plátano"]

# En una chain
chain = prompt | llm | StrOutputParser()
result = chain.invoke({"input": "cuéntame un chiste"})

Chains vs LangGraph

python

# Chain de LangChain (lineal, sin estado)
chain = prompt_a | llm | parser_a
result = chain.invoke(input)

# LangGraph (con estado, flexible)
builder.add_node("step_a", node_a)
builder.add_edge("step_a", "step_b")
app = builder.compile()
result = app.invoke({"key": "value"})

ℹ️Nota

LangChain chains son para pipelines simples de usar y olvidar. LangGraph graphs son para flujos de trabajo complejos con estado, bucles y toma de decisiones. A menudo usarás componentes de LangChain dentro de nodos de LangGraph.

Mensajes de LangChain

python

from langchain_core.messages import HumanMessage, AIMessage, SystemMessage, ToolMessage

messages = [
    SystemMessage("Eres un asistente útil."),
    HumanMessage("¿Qué es LangGraph?"),
    AIMessage("LangGraph es un framework para construir agentes de IA.")
]

# Usar con LLM
response = llm.invoke(messages)
print(response.content)  # Texto de respuesta
print(response.response_metadata)  # Metadatos (uso de tokens, etc.)

Bindings de Herramientas

python

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """Obtener el clima actual de una ciudad."""
    return f"El clima en {city} es soleado, 22°C"

# Vincular herramientas al LLM
llm_with_tools = llm.bind_tools([get_weather])

# Ahora el LLM puede solicitar llamadas a herramientas
response = llm_with_tools.invoke("¿Qué clima hace en Madrid?")
print(response.tool_calls)  # Solicitudes de herramientas si las hay

💡Consejo

Los binding de herramientas son cómo los LLMs solicitan el uso de herramientas. LangGraph ejecuta estas solicitudes en nodos separados.

Pipelines con Chain

python

# Pipeline de documentos: extraer → resumir → traducir
from operator import itemgetter

extract_prompt = ChatPromptTemplate.from_messages([
    ("system", "Extrae los puntos clave de este texto."),
    ("human", "{text}")
])

summarize_prompt = ChatPromptTemplate.from_messages([
    ("system", "Resume estos puntos en 2 frases."),
    ("human", "{points}")
])

# Chain compuesta
pipeline = (
    {"points": extract_prompt | llm | StrOutputParser()}
    | summarize_prompt
    | llm
    | StrOutputParser()
)

# Equivalente en LangGraph (más legible para flujos complejos)
# node_extract → node_summarize con estado compartido