Curso LangGraph: Agentes IA, RAG y sistemas multiagente del centro TrainingIT

Descripción

LangGraph: creación de agentes de IA con RAG y sistemas multiagente  

El curso está orientado al desarrollo de agentes de IA que trabajan de forma coordinada mediante arquitecturas basadas en grafos, lo que permite gestionar flujos, estado y ejecución de tareas en sistemas complejos. Se aprende a construir agentes desde cero, diseñar flujos de ejecución y trabajar con memoria persistente para mantener el contexto y lograr interacciones más avanzadas.

Sistemas RAG y gestión de conocimiento en agentes  

Una parte clave es la implementación de sistemas RAG (Retrieval Augmented Generation), que permiten a los agentes acceder a información externa y enriquecer sus respuestas. Se enseña la integración con fuentes de datos, la recuperación de información relevante y la estructuración del conocimiento para que los agentes lo utilicen de forma eficiente en distintos escenarios.

Arquitecturas multiagente y orquestación de sistemas  

El curso profundiza en la creación de sistemas multiagente, donde varios agentes colaboran dentro de una misma arquitectura. Se trabaja la orquestación de tareas, la gestión del estado y la coordinación entre agentes para resolver procesos complejos. A través de ejemplos prácticos se construyen sistemas completos en los que los agentes interactúan, comparten información y ejecutan acciones de forma estructurada.

A quién va dirigido

La formación es perfecta para perfiles técnicos que estén interesados en aplicar LangGraph en el desarrollo de sistemas de IA avanzados, integrando RAG, memoria y arquitecturas multiagente en soluciones reales.

Objetivos

1. Comprender LangGraph para diseñar agentes basados en grafos y control de estado.
2. Diseñar flujos de ejecución con toma de decisiones y coordinación de tareas.
3. Crear agentes avanzados incluyendo ReAct y tool calling.
4. Implementar sistemas RAG para acceso a información externa.
5. Aplicar memoria persistente y checkpointing para mantener contexto.
6. Construir arquitecturas multiagente con colaboración entre agentes.

Temario

1.Introducción a LangGraph e instalación

1.1 Niveles de autonomía en aplicaciones de IA

1.2 ¿Qué es LangGraph y qué nos ofrece?

1.3 Instalación librerías y entorno LangGraph

2.Agente reflexivo en LangGraph

2.1 Presentación y configuración inicial del agente reflexivo

2.2 Creación de las cadenas de generación y reflexión

2.3 Construcción del grafo con LangGraph

2.4 Análisis de trazas del agente reflexivo con LangSmith

3. Agente reflexión con herramientas en LangGraph

3.1 Presentación y configuración inicial del agente reflexión

3.2 Creación de esquemas de salida Pydantic

3.3 Configuración de las herramientas con ToolNode

3.4 Creación de cadenas para el agente de respuesta y agente revisor

3.5 Construcción del grafo con LangGraph

3.6 Análisis de trazas del agente reflexión con LangSmith

4.Agentes ReAct en LangGraph

4.1 Presentación y configuración inicial del agente ReAct

4.2 Creación de herramientas del agente ReAct con ToolNode

4.3 Implementación de nodos para agente ReAct

4.4 Construcción del grafo con LangGraph

4.5 Análisis de trazas del agente ReAct con LangSmith

5.Agentes RAG avanzados con LangGraph

5.1 Presentación y configuración inicial del agente RAG

5.2 Ingesta de de datos en la base de datos vectorial

5.3 Creación del estado del grafo

5.4 Definición del nodo recuperador para obtener información relevante del RAG

5.5 Construcción de filtro de relevancia para el RAG

5.6 Implementación del nodo de búsqueda web con Tavily

5.7 Definición del nodo de generación

5.8 Creación del grafo RAG inicial

5.9 Auto evaluación de alucinaciones y respuesta correcta

5.10 Implementación de enrutado adaptativo en RAG

6. Persistencia e Intervención humana en el flujo

6.1 Persistencia en LangGraph: memoria y checkpointing

6.2 Intervención humana con Memory Saver e interrupciones (persistencia RAM)

6.3 Persistencia con Sqlite Saver

6.4 Creación de agentes ReAct con persistencia y validación humana

7.Ejecución asíncrona en LangGraph

7.1 ¿Qué es la ejecución asíncrona en LangGraph?

7.2 Implementación de asincronía en LangGraph

7.3 Ejecución de ramas en paralelo con nodos adicionales

7.4 Ejecución asíncrona con ramas condicionales

8. Ecosistema multiagente con LangGraph

8.1 ¿Qué ecosistemas de agentes podemos implementar y por qué son necesarios?

8.2 Presentación del proyecto multiagente

8.3 Implementación de ecosistema multiagente - Agente supervisor

8.4 Implementación de ecosistema multiagente - Agente clarificador

8.5 Implementación de ecosistema multiagente - Agente buscador

8.6 Implementación de ecosistema multiagente - Agente codificador

8.7 Implementación de ecosistema multiagente - Agente validador

8.8 Implementación de ecosistema multiagente - Ejecución

9. Despliegue de soluciones con LangGraph

9.1 ¿Qué opciones de despliegue tenemos?

9.2 Despliegue con LangSmith Deployments

Titulación obtenida

• Certificado de asistencia al curso: Para obtener este certificado debes haber completado el 75% del curso.
• Certificado de aprovechamiento: Si has completado el curso y has realizado todas las pruebas prácticas del curso, y la media de tu calificación es igual o superior a 6.

Requisitos

1. Conocimientos básicos de programación en Python.
2. Familiaridad con conceptos generales de inteligencia artificial y uso de modelos LLM.
3. Conocimientos básicos sobre APIs y consumo de servicios.
4. No es necesario tener experiencia previa con LangGraph, ya que se trabaja desde un enfoque práctico paso a paso.
5. No es necesario disponer de herramientas o servicios de pago para seguir el curso.

Información Adicional

• Precio: 300,00 €
• Si vienes de Empresa, puedes bonificar hasta el 100% del curso con el crédito FUNDAE