Construir un AI Agent con LangChain paso a paso no es lo mismo que usar un simple modelo de lenguaje. Un LLM responde, un AI Agent:
- Recibe una pregunta.
- Razona con un LLM.
- Decide qué herramienta usar.
- Ejecuta acciones reales, APIs.
- Observa resultados.
- Devuelve una respuesta estructurada.
Estamos pasando de software tradicional a sistemas autónomos. Y entender cómo funciona un agente desde cero es la diferencia entre experimentar… y construir algo serio.
En este tutorial aprenderás a crear un AI Agent con LangChain paso a paso en Python, incluyendo herramientas, memoria y despliegue como API. Es la arquitectura básica de muchos sistemas modernos de IA.
Arquitectura del agente que vamos a construir
Primero veamos el diseño conceptual, antes de escribir código, entendamos el patrón.
Usuario │ ▼ LLM (razonamiento) │ ▼ Tool Selector │ ▼ Tools (APIs) │ ▼ Resultado
Este patrón se llama ReAct (Reason + Act). El agente:
- Piensa.
- Actúa.
- Observa.
- Responde.
Simple, poderoso y escalable.
Paso 1: Instalar dependencias
Primero instalamos las librerías necesarias.
pip install langchain langchain-openai langchain-communityOpcional para memoria vectorial:
pip install faiss-cpuPaso 2: Configurar la API
Creamos una variable de entorno.
- Linux / Mac
export OPENAI_API_KEY="YOUR_OPENAI_API_KEY"Lenguaje del código: JavaScript (javascript)- Windows
set OPENAI_API_KEY=your_keyLenguaje del código: JavaScript (javascript)Sin clave no hay agente y sin agente no hay magia.
Paso 3: Crear nuestro primer LLM
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="gpt-4o-mini",
temperature=0
)Lenguaje del código: JavaScript (javascript)temperature = 0→ respuestas más deterministas- Modelo rápido y económico
- Ideal para agentes que necesitan consistencia
Paso 4: Crear herramientas para tu AI Agent con LangChain
Los agentes funcionan porque pueden usar herramientas. Vamos a crear dos: calculadora y clima.
Herramienta 1: Calculadora
from langchain.tools import tool
@tool
def calculator(expression: str) -> str:
"""Evaluate a mathematical expression."""
try:
result = eval(expression)
return str(result)
except Exception:
return "Error in calculation"Lenguaje del código: CSS (css)El docstring es importante. El LLM lo usa para decidir cuándo usar la herramienta. En producción, evita eval, usa un parser seguro.
Herramienta 2: Clima
import requests
from langchain.tools import tool
@tool
def weather(city: str) -> str:
"""Get current weather for a city."""
url = f"https://wttr.in/{city}?format=3"
response = requests.get(url)
return response.textLenguaje del código: JavaScript (javascript)Ejemplo de salida:
Bogota: 🌦 +18°CLenguaje del código: HTTP (http)Paso 5: Registrar herramientas
tools = [calculator, weather]El agente solo puede usar lo que le damos, ni más ni menos.
Paso 6: Crear el agente
LangChain ofrece un constructor de agentes.
from langchain.agents import initialize_agent
from langchain.agents import AgentType
agent = initialize_agent(
tools,
llm,
agent=AgentType.OPENAI_FUNCTIONS,
verbose=True
)Lenguaje del código: JavaScript (javascript)verbose=True muestra el razonamiento interno, esto es oro cuando debuggeas.
Paso 7: Ejecutar el agente
Ahora podemos probarlo.
response = agent.run(
"What is the weather in Bogota and what is 25 * 12?"
)
print(response)Lenguaje del código: PHP (php)El agente:
- Detecta que necesita clima.
- Llama la herramienta weather.
- Luego usa calculator.
- Combina resultados.
Ejemplo de razonamiento interno:
Thought: I should check the weather
Action: weather
Action Input: Bogota
Observation: Bogota: 🌦 +18°C
Thought: Now calculate 25*12
Action: calculator
Action Input: 25*12Respuesta final:
The weather in Bogota is 18°C and 25*12 equals 300.El agente:
- Interpretó la pregunta.
- Decidió usar herramientas.
- Combinó resultados. Eso ya es un sistema multi-acción.
Paso 8: Añadir memoria a tu agente de IA con LangChain
Un agente sin memoria es como una conversación con amnesia, podemos agregar memoria de conversación.
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(
memory_key="chat_history",
return_messages=True
)Lenguaje del código: JavaScript (javascript)Recreamos el agente:
agent = initialize_agent(
tools,
llm,
agent=AgentType.OPENAI_FUNCTIONS,
memory=memory,
verbose=True
)Lenguaje del código: PHP (php)Ahora el agente recuerda contexto.
Ejemplo:
User: my name is Orli
Agent: Nice to meet you Orli
User: what is my name?
Agent: Your name is OrliLenguaje del código: HTTP (http)Memoria = continuidad.
Paso 9: Arquitectura real de un AI Agent con LangChain en producción
Un agente en producción suele verse así:
User │ ▼ API Layer │ ▼ Agent Engine │ ┌─────────┼─────────┐ ▼ ▼ ▼ Memory Planner Tools │ │ ▼ ▼ Vector DB External APIs
Tecnologías típicas
Paso 10: Convertir el agente en API
Un ejemplo rápido con FastAPI.
from fastapi import FastAPI
app = FastAPI()
@app.get("/ask")
def ask_agent(q: str):
result = agent.run(q)
return {"response": result}Lenguaje del código: JavaScript (javascript)- Ejemplo de request:
GET /ask?q=weather in Bogota- Respuesta:
{
"response": "Bogota: 🌦 +18°C"
}Lenguaje del código: JSON / JSON con comentarios (json)Ya no es un script, es un servicio.
Paso 11: Optimización real
Cuando los agentes crecen aparecen problemas, los mejores sistemas usan:
- RAG (Retrieval Augmented Generation)
LLM + documentos internos- Tool routing: el agente decide qué herramienta usar por embeddings.
- Guardrails: para evitar errores del modelo. Validación estructurada, schemas estrictos y control de alucinaciones.
- Caching: para reducir costos de inferencia. Los agentes simples impresionan, los optimizados sobreviven en producción.
Ejemplo de stack real en empresas
Arquitectura típica en startups de AI agents:
Frontend (React) │ ▼ API Gateway │ ▼ Agent Service │ ┌─────┼─────┐ ▼ ▼ ▼ LLM Memory Tools │ │ ▼ ▼ Vector DB APIs
Construir un AI Agent significa combinar varias capas:
- LLM → razonamiento
- Tools → acción
- Memory → contexto
- Planner → estrategia
Evolución del software
Ese es el cambio que estamos viviendo en software:
Apps tradicionales ↓ AI features ↓ AI Agents ↓ Autonomous systems
Estamos viviendo el cambio más grande en arquitectura de software desde la web, y entender cómo construir un AI Agent con LangChain paso a paso te coloca en la primera fila. La industria está pasando de interfaces con botones a interfaces con agentes inteligentes, y esto apenas empieza.
