Construyendo Agentes de IA con LangChain y LangGraph: Entorno de desarrollo

Jorge

Antes de comenzar con la configuración técnica del entorno, es importante comprender los fundamentos detrás de los agentes de inteligencia artificial y cómo frameworks como LangChain y LangGraph permiten construir flujos de trabajo inteligentes, modulares y escalables. Estos conceptos son clave para aprovechar al máximo las capacidades de los modelos de lenguaje y evitar implementaciones improvisadas o difíciles de mantener.

Si todavía no leíste la base conceptual, te recomendamos revisar la guía “Construyendo agentes de IA con LangChain y LangGraph: conceptos”, donde se explican de forma clara los principios, la arquitectura y los casos de uso más comunes de estos frameworks. Este conocimiento previo te va a ayudar a entender mejor cada paso de esta guía y a tomar mejores decisiones técnicas al momento de desarrollar tus propios agentes de IA.

Requisitos Previos

  • Ubuntu 24.04 instalado
  • Editor de código (VS Code, PyCharm, etc.)
  • Conexión a internet

Paso 1: Instalar Python 3.11+

LangGraph requiere Python 3.11 o superior. Verificá tu versión actual:

python3 --version

Si necesitás instalar o actualizar Python:

sudo apt update
sudo apt install python3.11 python3.11-venv python3-pip -y

Paso 2: Crear el Directorio del Proyecto

mkdir mi-proyecto-langgraph
cd mi-proyecto-langgraph

Paso 3: Crear y Activar un Entorno Virtual

Es una buena práctica usar entornos virtuales para aislar las dependencias del proyecto:

python3 -m venv venv
source venv/bin/activate

Deberías ver (venv) al inicio de tu línea de comandos.

Paso 4: Instalar LangGraph y Dependencias

Instalá LangGraph y LangChain:

pip install --upgrade pip
pip install langgraph langchain langchain-core langraph-cli langgraph-api

Paso 5: Crear una Cuenta en LangSmith

LangSmith es una plataforma para monitorear, depurar y evaluar aplicaciones LLM.

  1. Andá a https://smith.langchain.com/
  2. Hacé clic en «Sign Up» o «Get Started»
  3. Completá el registro con tu correo electrónico y contraseña
  4. Verificá tu correo electrónico si es necesario
  5. Iniciá sesión en tu cuenta de LangSmith

Paso 6: Generar una API Key de LangSmith

  1. Una vez dentro de LangSmith, andá a Settings (Configuración) en el menú lateral
  2. Buscá la sección «API Keys»
  3. Hacé clic en «Create API Key» o «+ New API Key»
  4. Dale un nombre descriptivo a tu clave (ejemplo: «Proyecto LangGraph Local»)
  5. Copiá la API key generada (guardala en un lugar seguro, no podrás verla de nuevo)

Paso 7: Configurar Variables de Entorno

Creá un archivo .env en la raíz de tu proyecto para almacenar las credenciales:

touch .env

Abrí el archivo .env con tu editor y agregá:

LANGCHAIN_TRACING_V2=true
LANGCHAIN_ENDPOINT=https://api.smith.langchain.com
LANGCHAIN_API_KEY=tu_api_key_de_langsmith_aqui
LANGCHAIN_PROJECT=mi-proyecto-langgraph

Reemplazá tu_api_key_de_langsmith_aqui con la API key que copiaste.

Paso 8: Obtener API Key de un Proveedor LLM

LangGraph soporta múltiples proveedores de modelos de lenguaje. Seleccioná uno de los siguientes:

Agregá la API key de tu proveedor elegido al archivo .env:

# Para OpenAI
OPENAI_API_KEY=tu_api_key_de_openai

# Para Anthropic
ANTHROPIC_API_KEY=tu_api_key_de_anthropic

# Para Google
GOOGLE_API_KEY=tu_api_key_de_google

Paso 9: Instalar el Paquete del Proveedor LLM

# Para OpenAI
pip install langchain-openai

# Para Anthropic
pip install langchain-anthropic

# Para Google
pip install langchain-google-genai

# Para Cohere
pip install langchain-cohere

Paso 10: Instalar python-dotenv

Para cargar las variables de entorno desde el archivo .env:

pip install python-dotenv

Paso 11: Crear un Archivo de Prueba

Creá un archivo test_setup.py para verificar la instalación:

from dotenv import load_dotenv
import os

# Cargar variables de entorno
load_dotenv()

# Verificar que las variables están cargadas
print("LANGCHAIN_API_KEY:", "✓ Configurada" if os.getenv("LANGCHAIN_API_KEY") else "✗ No encontrada")
print("OPENAI_API_KEY:", "✓ Configurada" if os.getenv("OPENAI_API_KEY") else "✗ No encontrada")

# Prueba simple de LangGraph
from langgraph.graph import StateGraph
from typing import TypedDict

class State(TypedDict):
    mensaje: str

def nodo_saludo(state: State):
    return {"mensaje": "¡Hola desde LangGraph!"}

# Crear grafo
workflow = StateGraph(State)
workflow.add_node("saludo", nodo_saludo)
workflow.set_entry_point("saludo")
workflow.set_finish_point("saludo")

app = workflow.compile()

# Ejecutar
resultado = app.invoke({"mensaje": ""})
print("\nResultado:", resultado)

Paso 12: Ejecutar la Prueba

python test_setup.py

Si todo está configurado correctamente, deberías ver las confirmaciones de las API keys y el mensaje de saludo.

Paso 13: Crear requirements.txt

pip freeze > requirements.txt

Paso 14: Configurar .gitignore

Si usás Git, creá un archivo .gitignore para evitar subir información sensible:

.env
venv/
__pycache__/
*.pyc
.DS_Store

¡Entorno Listo!

Tu entorno de desarrollo para LangGraph está completamente configurado. Ahora podés empezar a construir tus agentes de IA.

Comandos Útiles

  • Activar entorno virtual: source venv/bin/activate
  • Desactivar entorno virtual: deactivate
  • Instalar desde requirements.txt: pip install -r requirements.txt
  • Actualizar dependencias: pip install --upgrade langgraph langchain

Recursos Adicionales

Entradas relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *