LangChain se ha convertido en una de las librerías de referencia para construir aplicaciones sobre modelos de lenguaje que necesitan algo más que una simple pregunta-respuesta: agentes que consultan herramientas, mantienen memoria de la conversación, y encadenan varios pasos de razonamiento. Esto es un primer agente funcional, de verdad, no solo la teoría.

Instalación

pip install langchain langchain-openai python-dotenv

Un agente con una herramienta propia

La pieza central de LangChain es el concepto de tool: una función de Python que el modelo puede decidir invocar cuando lo necesita. Aquí un agente con una herramienta simple de búsqueda:

from langchain.agents import create_react_agent, AgentExecutor
from langchain_openai import ChatOpenAI
from langchain.tools import tool
from langchain import hub

@tool
def buscar_precio(producto: str) -> str:
    """Busca el precio actual de un producto (simulado)."""
    precios = {"portatil": "899 EUR", "monitor": "349 EUR"}
    return precios.get(producto.lower(), "Producto no encontrado")

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = hub.pull("hwchase17/react")
tools = [buscar_precio]

agent = create_react_agent(llm, tools, prompt)
executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

resultado = executor.invoke({"input": "¿Cuánto cuesta un monitor?"})
print(resultado["output"])

Cuando se ejecuta, el agente razona internamente que necesita usar buscar_precio, llama a la función con el argumento correcto, y usa el resultado para responder. Ese ciclo de "pensar → actuar → observar" es exactamente lo que distingue a un agente de una simple llamada al modelo.

Añadir memoria de conversación

Sin memoria, cada pregunta es independiente y el agente no recuerda lo que se dijo antes. Para conversaciones de varios turnos:

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)

executor = AgentExecutor(agent=agent, tools=tools, memory=memory, verbose=True)

Conectar con fuentes de datos externas

Una herramienta puede envolver cualquier cosa: una llamada a una API, una consulta a base de datos, o una búsqueda en documentos propios (esto último, con LangChain, suele apoyarse en una base de datos vectorial como Chroma o FAISS para encontrar los fragmentos de texto más relevantes antes de pasárselos al modelo).

Errores comunes al empezar

Dar demasiadas herramientas de golpe confunde al agente sobre cuál usar — es mejor empezar con una o dos bien definidas. No limitar el número de pasos que puede dar el agente puede generar bucles costosos en tokens si el modelo no encuentra la respuesta; conviene fijar un max_iterations razonable. Y no validar lo que hace una herramienta antes de ejecutar acciones reales (borrar archivos, hacer pagos) es la forma más rápida de tener un problema serio — para acciones irreversibles, conviene un paso de confirmación humana antes de ejecutar.

Siguiente paso

Con esta base, el patrón se repite para casos más complejos: añadir más herramientas, conectar una base de datos vectorial para responder sobre documentos propios, o encadenar varios agentes especializados que se comunican entre sí. La curva de aprendizaje real de LangChain está en entender bien este ciclo de razonar-actuar-observar, no en memorizar su API.