LangChain: introduccion

LangChain es un framework en Python (y JavaScript) para construir aplicaciones con modelos de lenguaje. Orquesta prompts, modelos, herramientas, memoria y retrieval en componentes reutilizables y composables.

No sustituye al LLM: estructura como lo conectas con datos, APIs y logica de negocio.

Capitulos

1. Introduccion
2. Chains prompts y modelos
3. Tools y agents
4. Retrieval
5. Memory
6. Evaluacion
7. Despliegue y buenas practicas

Que problema resuelve

Sin framework, el codigo crece rapido:

# Antipatron: todo en un script
prompt = f"Contexto: {chunks}\nPregunta: {q}"
response = openai.chat.completions.create(...)
# repetido en cada endpoint

LangChain aporta:

• Abstracciones estables (ChatModel, PromptTemplate, Retriever).
• Composicion (chain, RunnableSequence).
• Integraciones (OpenAI, Ollama, vector stores, LangSmith).
• Patrones listos (RAG, agents, memory).

Conceptos principales

Concepto	Descripcion
Model	LLM o chat model que genera texto
Prompt	Plantilla con variables
Chain	Secuencia de pasos (prompt -> model -> parser)
Retriever	Devuelve documentos relevantes
Tool	Funcion invocable por un agente
Agent	Bucle que decide que herramienta usar
Memory	Historial de conversacion

Arquitectura mental (LCEL)

LangChain Expression Language (LCEL) encadena componentes con el operador |:

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

prompt = ChatPromptTemplate.from_template("Resume en una frase: {text}")
model = ChatOpenAI(model="gpt-4o-mini")
parser = StrOutputParser()

chain = prompt | model | parser

result = chain.invoke({"text": "PostgreSQL es una base de datos relacional open source."})

Cada eslabon implementa invoke, batch y stream.

Instalacion

pip install langchain langchain-openai langchain-community

Para modelos locales con Ollama:

pip install langchain-ollama

Variables de entorno tipicas:

export OPENAI_API_KEY=sk-...
# o para Ollama local sin clave
export OLLAMA_BASE_URL=http://localhost:11434

Cuando usar LangChain

Encaja si:

• Construyes RAG, chatbots o agentes con varias integraciones.
• Quieres cambiar de proveedor (OpenAI -> Ollama) con poco cambio.
• Necesitas trazas con LangSmith.

Considera alternativas mas ligeras si:

• Solo llamas al LLM una vez sin retrieval ni tools.
• Prefieres control total sin capas de abstraccion (SDK directo).

Relacion con RAG

El manual de RAG explica la teoria; LangChain implementa el patron:

Retriever + Prompt + ChatModel = RAG chain

Buenas practicas iniciales

• Empieza con LCEL y componentes pequenos.
• Fija versiones en requirements.txt o pyproject.toml.
• Usa temperature=0 para respuestas factuales.
• Separa configuracion (modelo, API keys) del codigo de negocio.
• Activa trazas en desarrollo (LangSmith o logging propio).

Errores comunes

• Instalar demasiados paquetes langchain-* sin necesidad.
• Mezclar APIs antiguas (LLMChain) con LCEL sin documentacion clara.
• No fijar version de modelo en produccion.
• Logica de negocio critica dentro del prompt sin validacion en codigo.

Siguiente paso

En el capitulo 2 profundizamos en prompts, modelos y cadenas con ejemplos ejecutables.