1. ¿Por qué LangChain?
La librería LangChain surgió para facilitar la orquestación de modelos de lenguaje (LLM) como GPT. En lugar de pelearte con peticiones HTTP y formatos de prompts, LangChain te da piezas LEGO que puedes ensamblar para:
- Encapsular prompts complejos.
- Añadir memoria conversacional.
- Conectar fuentes externas (bases de datos, APIs, archivos).
- Diseñar cadenas (chains) reutilizables.
2. Prerrequisitos
- Conocimientos básicos de Python (
>=3.8).
- Cuenta de OpenAI y API Key válida.
- Terminal con
pip configurado.
Tip: En local basta con un editor de texto y la terminal. Si prefieres Jupyter, todos los fragmentos funcionarán sin cambios.
3. Instalación rápida
python -m venv .venv
source .venv/bin/activate
pip install langchain openai python-dotenv
langchain: la orquestación.openai: cliente oficial de la API.python-dotenv: gestionará tu API Key de forma segura.
4. Configuración de la clave de OpenAI
echo "OPENAI_API_KEY=tu_clave_aquí" > .env
El código leerá la variable mediante dotenv. Evita subir .env a GitHub usando .gitignore.
5. Tu primer pipeline con LangChain + GPT
A continuación un script mínimo que pregunta al usuario y envía la consulta a GPT.
from dotenv import load_dotenv
import os
from langchain import PromptTemplate, LLMChain
from langchain.chat_models import ChatOpenAI
load_dotenv()
llm = ChatOpenAI(
temperature=0.7,
model_name="gpt-3.5-turbo"
)
prompt = PromptTemplate(
input_variables=["tarea"],
template="""Eres un asistente experto. {tarea} En 5 puntos claros."""
)
chain = LLMChain(llm=llm, prompt=prompt)
if __name__ == "__main__":
consulta = input("¿Qué necesitas que haga GPT? ")
respuesta = chain.run(tarea=consulta)
print("\nRespuesta:\n", respuesta)
Ejecuta con:
python my_first_chain.py
6. Añadiendo memoria: chat persistente
Para un bot que recuerde el contexto de la conversación, usa ConversationBufferMemory.
from dotenv import load_dotenv
from langchain.prompts import ChatPromptTemplate
from langchain.chains import ConversationChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
load_dotenv()
llm = ChatOpenAI(temperature=0.5)
memoria = ConversationBufferMemory(return_messages=True)
chat = ConversationChain(
llm=llm,
memory=memoria,
prompt=ChatPromptTemplate.from_messages([
("system", "Eres un tutor experto en IA."),
("human", "{input}"),
])
)
print("Escribe 'salir' para terminar.\n")
while True:
user_input = input("Tú: ")
if user_input.lower() in {"salir", "exit", "quit"}:
break
respuesta = chat.predict(input=user_input)
print("IA:", respuesta)
7. Despliegue ultraligero con FastAPI
¿Quieres un endpoint REST? Combina FastAPI + LangChain.
from dotenv import load_dotenv
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from langchain.llms import OpenAI
from langchain import PromptTemplate, LLMChain
load_dotenv()
app = FastAPI(title="LangChain GPT API")
class Consulta(BaseModel):
pregunta: str
llm = OpenAI(temperature=0.3)
plantilla = PromptTemplate(
input_variables=["pregunta"],
template="Responde de manera concisa: {pregunta}"
)
chain = LLMChain(llm=llm, prompt=plantilla)
@app.post("/preguntar")
async def preguntar(body: Consulta):
try:
respuesta = chain.run(pregunta=body.pregunta)
return {"respuesta": respuesta.strip()}
except Exception as e:
raise HTTPException(status_code=500, detail=str(e))
pip install fastapi uvicorn
uvicorn api_langchain:app --reload
Ya tienes un servicio que acepta POST /preguntar con JSON { "pregunta": "..." }.
8. Errores frecuentes y cómo solucionarlos
| Error | Causa | Solución rápida |
openai.error.AuthenticationError | Clave de API ausente o mal escrita | Verifica .env y que la variable sea OPENAI_API_KEY |
RateLimitError | Exceso de peticiones | Implementa backoff o sube de plan |
| Respuesta vacía | Prompt mal formado | Revisa input_variables y placeholders |
9. Buenas prácticas
- Usa temperatura baja para tareas deterministas.
- Almacena logs de prompts y respuestas para depurar.
- Reserva
system prompts para fijar el tono y rol del asistente.
- Si tu aplicación es multi-usuario, combina
ConversationBufferMemory con un identificador de sesión.
10. Recursos adicionales
¡Listo! Con estas bases ya puedes construir asistentes, buscadores inteligentes o cualquier flujo personalizado usando LangChain y GPT. Aprovecha el código como plantilla y adapta los prompts a tu caso de uso.
