Enciclopedia Galáctica - inteligencia_artificial:langchain

agentes

Anonymous (anonymous@undisclosed.example.com) — 2025-01-08T23:32:40+00:00

Agentes Los agentes son una parte experimental de langchain y que debe ser tomada como tal. Los agentes se crean con un framework de langchain. Al definir un agente, éste utiliza un LLM para realizar las funciones que se le pidan, con la salvedad de que pueden usar herramientas predefinidas que les permiten ser

chains

Anonymous (anonymous@undisclosed.example.com) — 2025-01-08T23:25:42+00:00

Chains Chain simple Un chain o “cadena” es el componente básico de langchain y pueden verse como “eslabones” de una cadena, en el que cada uno de ellos tiene una funcionalidad. Por ejemplo, el chain más básico entrega a un modelo una pregunta (pueden usarse plantillas de prompts) y éste devuelve una respuesta.

documentos

Anonymous (anonymous@undisclosed.example.com) — 2025-01-30T23:44:30+00:00

Preguntas y respuestas a documentos Vamos a ver el modo en que los LLM gestionan la información de documentos, de modo que podamos preguntar a un modelo acerca de la información contenida en los mismos. Para ello vamos a dividir este proceso en varias partes que vamos a ver de forma independiente:

evaluacion

Anonymous (anonymous@undisclosed.example.com) — 2025-01-08T23:30:59+00:00

Evaluación Es importante saber cómo evaluar una aplicación con modelos LLM, para poder medir de algún modo con qué modelo funciona mejor, o con que retriever, o cualquier otro cambio. Estas aplicaciones que usan LLM, en realidad son “chains

memoria

Anonymous (anonymous@undisclosed.example.com) — 2025-12-18T15:52:22+00:00

Memoria El modo en que se gestiona la memoria en este apartado a través de langchain, está obsoleto Deprecated. Se debe de hacer a través de LangGraph, pero como esto escapa al objetivo actual (aprender a manejar langchain), se hará de este modo.

modelos_plantillas_parsers

Anonymous (anonymous@undisclosed.example.com) — 2025-12-18T15:12:09+00:00

Modelos, plantillas y parsers Modelos En primer lugar hay que tener el modelo correspondiente instalado y ejecutándose. Lo modelos disponibles para funcionar con langchain están en En mi caso trabajo habitualmente con Ollama en local, usando el modelo Llama 3.2 de 3 mil millones de parámetros, uno de los modelos pequeños que no son multimodales. Por ello, haré los ejemplos usando éste.