¿Qué es LangGraph?

¿Qué significa toda esta información? El siguiente ejemplo puede ofrecer una comprensión más clara de LangGraph: Think en estas arquitecturas basadas en gráficos como un potente mapa configurable, un "supermapa". Los usuarios pueden imaginar el flujo de trabajo de IA como "El navegador" de este "Supermapa". Finalmente, en este ejemplo, el usuario es "The Cartographer". En este sentido, navigator traza las rutas óptimas entre puntos en el "Super-Map", todas las cuales son creadas por "The Cartographer".

En resumen, las rutas óptimas dentro de las arquitecturas basadas en gráficos ("Super-Map") se trazan y exploran mediante el flujo de trabajo de IA ("The Navigator"). Esta analogía es un excelente lugar para comenzar a comprender LangGraph, y si le gustan los mapas, puede aprovechar la oportunidad adicional de ver a alguien usar la palabra cartógrafo.

LangGraph ilumina los procesos dentro de un flujo de trabajo de IA, lo que permite una transparencia total del estado del agente. Dentro de LangGraph, la característica de "estado" sirve como un banco de memoria que registra y rastrea toda la información valiosa procesada por el sistema de IA. Es similar a un cuaderno digital donde el sistema captura y actualiza los datos a medida que se mueve por varias etapas de un flujo de trabajo o análisis gráfico.

Por ejemplo, si estuviera ejecutando agentes para monitorear el clima, esta característica podría rastrear la cantidad de veces que nevó y hacer sugerencias basadas en las tendencias cambiantes de las nevadas. Esta observabilidad de cómo funciona el sistema para completar tareas complejas es útil para que los principiantes comprendan más sobre la gestión del estado. La gestión del estado es útil cuando se trata de depurar, ya que permite centralizar el estado de la aplicación, lo que a menudo acorta el proceso general.

Este enfoque permite una toma de decisiones más eficaz, una mejor escalabilidad y un mejor rendimiento. También permite una mayor interacción con personas que podrían ser nuevas en estos procesos o prefieren una imagen más clara de lo que sucede detrás de escena.

LangGraph también se basa en varias tecnologías clave, incluido LangChain, un marco de Python para crear aplicaciones de IA. LangChain incluye una biblioteca para crear y gestionar LLM. LangGraph también utiliza el enfoque human-in-the-loop. Al combinar estas tecnologías con un conjunto de API y herramientas, LangGraph proporciona a los usuarios una plataforma versátil para desarrollar soluciones de IA y flujos de trabajo, incluidos chatbots, gráficos de estado y otros sistemas basados en agentes.

Profundice en el mundo de LangGraph explorando sus características clave, beneficios y casos de uso. Al final de este artículo, tendrá el conocimiento y los Recursos para Dé el siguiente paso con LangGraph.

Comencemos por comprender primero los componentes clave que componen LangGraph. La infraestructura se basa en varios componentes clave que trabajan juntos para permitir a los usuarios crear y gestionar flujos de trabajo complejos de IA. Estos componentes incluyen:

Human-in-the-loop: Human-in-the-loop (HITL) se refiere al requisito de interacción humana en algún punto del proceso. En el ámbito de machine learning (machine learning (ML)), HITL se refiere a un proceso colaborativo en el que los humanos aumentan las capacidades computacionales de las máquinas para tomar decisiones informadas mientras construyen un modelo. Al utilizar los puntos de datos más críticos, HITL mejora la precisión de los algoritmos de machine learning, superando los métodos de muestreo aleatorio.

Gráficos con estado: un concepto en el que cada nodo del gráfico representa un paso en el cálculo, esencialmente diseñando un gráfico de estado. Este enfoque con estado permite que el gráfico conserve información sobre los pasos anteriores, lo que permite el procesamiento continuo y contextual de la información a medida que se desarrolla el cálculo. Los usuarios pueden gestionar todos los gráficos con estado de LangGraph con sus API.

Gráfico cíclico: un gráfico cíclico es cualquier gráfico que contiene al menos un ciclo y es esencial para los tiempos de ejecución de los agentes. Esto significa que existe una ruta que comienza y termina en el mismo nodo, formando un bucle dentro del gráfico. Los flujos de trabajo complejos a menudo implican dependencias cíclicas, donde el resultado de un paso depende de los pasos anteriores del ciclo.

Nodos: en LangGraph, los nodos representan componentes o agentes individuales dentro de un flujo de trabajo de IA. Los nodos pueden considerarse como "actores" que interactúan entre sí de una manera específica. Por ejemplo, para agregar nodos para llamadas a herramientas, se puede usar el método ToolNode. Otro ejemplo, el siguiente nodo, se refiere al nodo que se ejecutará después del actual.

Edges: Edges es una función dentro de Python que determina qué nodo ejecutar a continuación en función del estado actual. Los bordes pueden ser ramas condicionales o transiciones fijas.

RAG: Generación aumentada por recuperación (RAG) combina el poder de los LLM con información contextual de fuentes externas mediante la recuperación de documentos relevantes, que luego se utilizan como entrada para la generación de respuestas.

Flujos de trabajo : los flujos de trabajo son las secuencias de interacciones de nodos que definen un flujo de trabajo de IA. Al organizar los nodos en un flujo de trabajo, los usuarios pueden crear flujos de trabajo más complejos y dinámicos que utilizan las fortalezas de los componentes individuales.

API: LangGraph proporciona un conjunto de API que permiten a los usuarios interactuar con sus componentes de forma programática. Los usuarios pueden usar una clave API, agregar nuevos nodos, modificar flujos de trabajo existentes y recuperar datos de un flujo de trabajo de IA.

LangSmith: LangSmith es una API especializada para crear y gestionar LLM dentro de LangGraph. Proporciona herramientas para inicializar LLM, agregar bordes condicionales y optimizar el rendimiento. Al combinar estos componentes de formas innovadoras, los usuarios pueden crear flujos de trabajo de IA más sofisticados que utilicen las fortalezas de los componentes individuales.

Al utilizar una arquitectura basada en gráficos, LangGraph permite a los usuarios a escala los flujos de trabajo de inteligencia artificial sin ralentizar ni sacrificar la eficiencia. LangGraph utiliza una toma de decisiones mejorada mediante el modelado de relaciones complejas entre nodos, lo que significa que utiliza agentes de IA para analizar sus acciones pasadas y feedback. En el mundo de los LLM, este proceso se conoce como reflexión.

Toma de decisiones mejorada: Al modelar relaciones complejas entre nodos, LangGraph proporciona una infraestructura para construir sistemas de toma de decisiones más eficaces.

Mayor flexibilidad: naturaleza de código abierto y diseño modular para que los desarrolladores integren nuevos componentes y adapten los flujos de trabajo existentes.

Flujos de trabajo multiagente: las tareas complejas se pueden abordar a través de flujos de trabajo multiagente. Este enfoque implica crear agentes LangChain dedicados para tareas o dominios específicos. El enrutamiento de tareas a los agentes LangChain apropiados permite la ejecución paralela y el manejo eficiente de diversas cargas de trabajo. Dicha arquitectura de red multiagente ejemplifica la coordinación descentralizada de la automatización de agentes.

Un gran ejemplo, creado por Joao Moura, es usar CrewAI con LangChain y LangGraph. La revisión de correos electrónicos y la creación de borradores se automatizan con CrewAI orquestando agentes de IA, lo que les permite colaborar y ejecutar tareas complejas de manera eficiente.

Chatbots: los usuarios pueden crear una aplicación agéntica para la planificación de vacaciones, con flujos de trabajo basados en nodos y gráficos acíclicos dirigidos (DAG). El chatbot aprende a responder a una mínima entrada del usuario y a personalizar las recomendaciones. Actualmente, servicios como Duplex de Google están utilizando LangGraph de manera similar para imitar conversaciones humanas.

Sistemas de agentes: LangGraph proporciona una infraestructura para crear sistemas basados en agentes, que se pueden utilizar en aplicaciones como robótica, vehículos autónomos o videojuegos.

Aplicaciones de LLM: al utilizar las capacidades de LangGraph, los desarrolladores pueden crear modelos de IA más sofisticados que aprenden y mejoran con el tiempo. Norwegian Cruise Line utiliza LangGraph para compilar, construir y refinar soluciones de IA orientadas a los huéspedes. Esta capacidad permite mejorar y personalizar las experiencias de los huéspedes.

Los agentes de LangGraph se basan en la serie de modelos GPT (transformador generativo preentrenado) de OpenAI GPT-3.5 y GPT-4. Sin embargo, LangGraph y su comunidad de código abierto han contribuido a la adición de varios otros modelos que se inicializan a través de la configuración de la API LLM, incluidos los modelos Anthropic y AzureChatOpenAI. El ciclo relativamente pequeño es similar a proyectos como Auto-GPT.

LangGraph ofrece un tutorial de YouTube que facilita la exploración de cómo integrarse con LLM de código abierto en su sitio de documentos de GitHub. El primer paso para integrar un LLM es configurar un repositorio (repo) de inferencia como LLaMA-Factory, FastChat y Ollama. Este repositorio permite el despliegue del modelo LLM correspondiente que se configura a través de sus credenciales de API.

CrewAI, MetaGPT y AutoGen son solo algunas infraestructuras multiagente que pueden manejar flujos de trabajo complejos. Esta operación permite un enfoque más flexible y matizado para abordar diversos desafíos computacionales. Al proporcionar capacidades integrales de depuración, estas infraestructuras permiten a los desarrolladores identificar y resolver problemas rápidamente, lo que lleva a procesos de desarrollo y optimización más eficientes.

LangGraph también ha presentado LangGraph Studio, una interfaz visual para el desarrollo de flujos de trabajo. Con LangGraph Studio, los usuarios pueden diseñar y crear flujos de trabajo mediante una interfaz gráfica, sin tener que escribir código. La aplicación de escritorio descargable hace que LangGraph Studio sea más útil para principiantes. LangGraph Studio también ha puesto a disposición estas características adicionales:

Curva de aprendizaje superficial: LangGraph Studio no es necesario para acceder a LangGraph. Sin embargo, al usar la interfaz visual de LangGraph Studio, los usuarios pueden enfocarse en diseñar sus flujos de trabajo sin atascarse en el código.

Colaboración mejorada: LangGraph Studio permite compartir flujos de trabajo con otros, ya sea un equipo de desarrolladores o un cliente.

Depuración: las capacidades no terminan con la creación de un gráfico; se incluyen funciones de depuración para garantizar que el gráfico sea preciso y confiable. LangGraph Studio, con su entorno de desarrollo integrado (IDE) de vanguardia, ayuda a visualizar y depurar aplicaciones LangGraph.

Procesamiento de lenguaje natural (PLN) mejorado: LangGraph tendrá capacidades de PLN más avanzadas, lo que le permitirá comprender mejor el lenguaje natural y proporcionar respuestas más precisas.

Machine learning mejorado: LangGraph tendrá capacidades mejoradas de machine learning, lo que le permitirá aprender y mejorar con el tiempo.

Soporte para nuevas plataformas: LangGraph admitirá nuevas plataformas, como dispositivos móviles y edge computing, para que su tecnología sea más accesible.