Arquitectura de LangChain: modelos, prompts y cadenas
Los tres componentes básicos: ChatModels, PromptTemplates y cadenas que los componen.
Arquitectura de LangChain: modelos, prompts y cadenas es una lección gratuita de AI Agents en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de AI Agents, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de AI Agents incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
¿Por qué LangChain?
LangChain es el framework de Python más popular para crear aplicaciones con LLM. Proporciona:
- Adaptadores para los principales proveedores de LLM
- Cargadores y analizadores para numerosas fuentes de datos
- Primitivas de memoria, agentes y cadenas
- Integraciones con almacenes vectoriales
Sus críticos lo consideran demasiado voluminoso; a sus seguidores les encanta su amplitud. Nos centraremos en el núcleo que se ha estabilizado: LCEL.
Tres conceptos fundamentales
- Modelos: LLM y ChatModels a los que puede llamar
- Prompts: plantillas que producen mensajes
- Cadenas: composiciones que conectan prompts → modelos → analizadores
Modelos
Una interfaz unificada entre proveedores:
from langchain_openai import ChatOpenAI
from langchain_anthropic import ChatAnthropic
openai_model = ChatOpenAI(model='gpt-4o-mini', temperature=0.2)
claude_model = ChatAnthropic(model='claude-sonnet-4-5')
resp = openai_model.invoke('Hello!')
print(resp.content)Plantillas de prompts
Prompts reutilizables con variables:
from langchain.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
('system', 'You are a {role} assistant.'),
('user', '{question}')
])
messages = prompt.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(messages.to_messages())Cadenas: el operador pipe
Combine un prompt, un modelo y un parser con |:
from langchain.schema.output_parser import StrOutputParser
chain = prompt | openai_model | StrOutputParser()
result = chain.invoke({'role': 'SQL', 'question': 'How do I delete rows?'})
print(result)Analizadores de salida
Convierta la salida sin procesar del modelo en tipos de Python:
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel
class Plan(BaseModel):
steps: list[str]
parser = PydanticOutputParser(pydantic_object=Plan)
chain = prompt | model | parserRunnables y el protocolo Runnable
Cada elemento de una cadena es un Runnable con:
.invoke(input)— síncrono.ainvoke(input)— asíncrono.stream(input)— transmisión de tokens.batch(inputs)— lotes en paralelo
El operador pipe los compone.
Streaming
for chunk in chain.stream({'role': 'helpful', 'question': 'Tell a story.'}):
print(chunk, end='', flush=True)Batch
results = chain.batch([
{'role': 'SQL', 'question': 'Q1'},
{'role': 'SQL', 'question': 'Q2'}
])
# Runs in parallel.Configuración en tiempo de ejecución
Puede sobrescribir los parámetros del modelo en cada llamada:
result = chain.invoke(
{'role': 'helpful', 'question': '...'},
config={'configurable': {'temperature': 0.0}}
)LangChain Hub
Obtenga prompts seleccionados por la comunidad:
from langchain import hub
rag_prompt = hub.pull('rlm/rag-prompt')Cuándo NO usar LangChain
Para agentes muy simples (una llamada al modelo y una herramienta), LangChain está sobredimensionado. Escriba la llamada directamente. Use LangChain cuando necesite composabilidad, reintentos, observabilidad e integraciones probadas.
Operador de cadenas
¿Qué hace el operador | en LangChain?
Repaso
Modelos + prompts + cadenas, unidos por |. Siguiente: cargadores y almacenes vectoriales en el ecosistema de LangChain.
Preguntas frecuentes
¿La lección «Arquitectura de LangChain: modelos, prompts y cadenas» es gratis?
Sí — el texto completo de «Arquitectura de LangChain: modelos, prompts y cadenas» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de AI Agents, actualiza a CoddyKit PRO. El curso de AI Agents incluye 4 lecciones en total.
¿Qué aprenderé en «Arquitectura de LangChain: modelos, prompts y cadenas»?
Los tres componentes básicos: ChatModels, PromptTemplates y cadenas que los componen. Practicas AI Agents con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar AI Agents?
No se requiere experiencia previa. AI Agents en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Arquitectura de LangChain: modelos, prompts y cadenas»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de AI Agents?
Sí. Cada lección de AI Agents incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Arquitectura de LangChain: modelos, prompts y cadenas
- Cargadores, divisores y almacenes vectoriales
- LCEL (LangChain Expression Language)
- Crear una cadena RAG de principio a fin