LangChain
LangChain es un framework de código abierto en Python y JavaScript que proporciona abstracciones y componentes para construir aplicaciones que utilizan grandes modelos de lenguaje, incluyendo cadenas, agentes, memoria e integraciones de herramientas.
Comprendiendo LangChain
Lanzada en octubre de 2022, LangChain se convirtió en uno de los frameworks más adoptados en el ecosistema de aplicaciones LLM. Introdujo abstracciones estandarizadas para los patrones más comunes en aplicaciones basadas en LLM: conectar un modelo a fuentes de datos externas, encadenar múltiples prompts, permitir que los LLM utilicen herramientas y mantener el contexto a lo largo de varias interacciones. Los componentes principales de LangChain incluyen: **Cadenas (Chains)**: Secuencias de llamadas a LLM y otras operaciones combinadas en una canalización. Una cadena puede recuperar documentos relevantes, insertarlos en un prompt, llamar al LLM y analizar la salida obtenida. **Agentes**: Bucles de decisión impulsados por LLM que eligen qué herramientas usar y en qué orden para cumplir un objetivo. LangChain popularizó el patrón de agente ReAct (Reasoning + Acting, razonamiento y actuación). **Memoria (Memory)**: Mecanismos para mantener el contexto a lo largo de varias llamadas a LLM, desde buffers de conversación simples hasta memorias a largo plazo basadas en vector stores. **Integraciones de herramientas**: Un extenso ecosistema de conectores preconstruidos para APIs externas, bases de datos y servicios. A medida que los casos de uso de agentes se volvieron más sofisticados, el equipo de LangChain creó LangGraph como una biblioteca aparte para flujos de trabajo complejos, con estado y multiagente. LangGraph brinda un control más explícito sobre el flujo de ejecución de los agentes mediante un modelo basado en grafos, resolviendo las limitaciones de la abstracción de cadena secuencial de LangChain en sistemas de agentes en producción. LangChain sigue siendo ampliamente utilizado para la creación de prototipos y aplicaciones LLM más sencillas, mientras que LangGraph es preferido para sistemas de agentes en producción que requieren control avanzado, interacción humana en los flujos de trabajo y persistencia del estado.
Cómo GAIA usa LangChain
El backend de GAIA está construido sobre LangGraph y no sobre la abstracción basada en cadenas de LangChain, lo que le otorga un control detallado sobre el grafo de ejecución multiagente que coordina tareas a través de más de 50 integraciones. El enfoque con estado y basado en grafos de LangGraph se adapta mejor a los complejos y extensos flujos de trabajo de agentes de GAIA que las cadenas secuenciales más simples de LangChain. Las integraciones de herramientas y los patrones comunitarios del ecosistema de LangChain inspiraron la arquitectura de GAIA.
Conceptos relacionados
LangGraph
LangGraph es un marco para construir aplicaciones de IA multiagente con estado, que soporta flujos de trabajo complejos con ciclos, ramificaciones, lógica condicional y gestión de estado persistente.
Bucle de agente
Un bucle de agente es el ciclo de ejecución iterativo de un agente de IA en el que razona sobre el estado actual, selecciona y ejecuta una acción (a menudo llamando a una herramienta), observa el resultado y repite hasta completar la tarea o alcanzar una condición de parada.
Modelo de lenguaje grande (LLM)
Un modelo de lenguaje grande (LLM) es un modelo de aprendizaje profundo entrenado con enormes conjuntos de datos textuales que puede comprender, generar y razonar sobre el lenguaje humano en una amplia variedad de tareas.
Llamado de funciones
El llamado de funciones es una característica de los modelos de IA que les permite generar invocaciones estructuradas y legibles por máquina de funciones predefinidas, permitiendo a los sistemas de IA llamar APIs y herramientas externas con los argumentos correctos de manera fiable.
Orquestación de IA
La orquestación de IA es la coordinación de varios agentes, modelos y herramientas de IA para trabajar conjuntamente en la realización de tareas complejas y con múltiples pasos que ningún componente podría manejar por sí solo.
