Contenido SCORM para el curso Langchain y LLMs con Python: desbloquea el poder de la IA en tus proyectos
Este curso introduce al alumnado en el desarrollo de aplicaciones con inteligencia artificial generativa mediante el uso de Langchain y Python. Desde la instalación del entorno hasta la construcción de agentes avanzados, se abordan conceptos clave como los LLMs, el diseño de cadenas, el uso de memoria conversacional y la integración de datos externos.
Una formación especialmente diseñada para quienes desean crear soluciones basadas en IA de forma práctica, escalable y adaptada a proyectos reales.
Objetivos
- Comprender qué son los Large Language Models (LLMs) y cómo funcionan.
- Conocer la arquitectura y los componentes principales de Langchain.
- Instalar Python y la librería Langchain.
- Configurar cuentas de API de OpenAI y gestionar claves para conectar con LLMs.
- Utilizar Langchain para interactuar con LLMs y construir modelos de chat efectivos.
- Diseñar y aplicar plantillas de prompts para optimizar la entrada de datos en LLMs.
- Parsear y procesar la salida de los modelos para obtener resultados útiles.
- Transformar documentos y manejar cargadores para integraciones con plataformas como Google y AWS.
- Crear embeddings de texto y almacenar vectores en bases de datos para potenciar los LLMs con tus propios datos.
- Optimizar resultados mediante la compresión de datos utilizando LLMs.
- Diseñar modelos de cadena secuencial simples y avanzados en Langchain.
- Enrutar cadenas con LLMRouterChain para mejorar la estructura y flujo de las aplicaciones.
- Entender el concepto de memoria en Langchain y cómo implementarla.
- Crear buffers de memoria completos, resumidos y con ventana para manejar conversaciones.
- Desarrollar agentes que utilicen motores de búsqueda para mejorar sus respuestas.
- Crear agentes programadores de código y herramientas personalizadas.
- Implementar agentes conversacionales que puedan interactuar de manera efectiva utilizando LLMs y Langchain.
- Aplicar el conocimiento adquirido para crear sistemas RAG con bases de datos vectoriales.
- Crear agentes que realicen análisis automáticos de SQL a partir de consultas en lenguaje natural.
Índice
1. INTRODUCCIÓN A LANGCHAIN Y LLMS
1.1. ¿Qué es un Large Language Model (LLM)?
1.2. ¿Qué es Langchain y cuáles son sus componentes?
1.3. Instalación de Python y librería Langchain
1.4. ¿Qué es una API? Configuración de la cuenta OpenAI y API Key
2. MODELOS DE ENTRADA / SALIDA EN LANGCHAIN
2.1. Interacción y uso de Langchain con LLMs y Modelos de Chat
2.2. Plantillas de prompts con Langchain para el modelo de entrada
2.3. Parsear y procesar la salida
2.4. Serialización de prompts (guardar y cargar)
3. CONECTORES DE DATOS EN LANGCHAIN
3.1. Cargadores de documentos
3.2. Caso de uso – Carga de ficheros PDF y conexión con LLM para resumen de documentos
3.3. Cargadores de documentos – integraciones con otras plataformas (Google, AWS, Wikipedia…)
3.4. Transformación de documentos
3.5. Incrustación de texto y creación de vectores (embeddings)
3.6. Almacenamiento de vectores en base de datos
3.7. Compresión y optimización de resultados a partir de LLMs
4. CADENAS EN LANGCHAIN
4.1. ¿Qué son las cadenas y cómo crear el primer modelo de cadena secuencial simple?
4.2. Construcción del Modelo Secuencial Completo
4.3. Enrutamiento a cadenas con LLMRouterChain
4.4. Cadenas de Transformación
4.5. Cadenas para Preguntas y Respuestas sobre nuestros datos
5. MEMORIA EN LANGCHAIN
5.1. ¿Qué es la memoria en Langchain y qué tipos de memoria podemos implementar?
5.2. Creación de Buffer de Memoria completa de una Conversación
5.3. Creación de Buffer de Memoria con Ventana
5.4. Creación de Buffer de Memoria Resumida
6. AGENTES EN LANGCHAIN
6.1. ¿Qué son los agentes y cómo implementar un primer caso de uso?
6.2. Creación de agente potenciado con motor de búsqueda
6.3. Creación de agente programador de código
6.4. Creación de herramientas personalizadas
6.5. Agentes conversacionales con memoria
7. AGENTES EN LANGCHAIN: DESARROLLO DE PROYECTOS REALES
7.1. Proyecto: Creación de Agente Chatbot con memoria a partir de sistema RAG con nuestra BD Vectorial
7.2. Proyecto: Creación de Agente para Análisis automático SQL a partir de consultas en lenguaje natural
Conceptos clave
Durante este curso, el alumnado:
- Comprenderá los fundamentos de los LLMs y cómo interactúan con Langchain para crear aplicaciones inteligentes.
- Aprenderá a instalar y configurar el entorno de desarrollo con Python y Langchain, y a conectar con modelos de OpenAI mediante API.
- Construirá modelos conversacionales con cadenas simples y avanzadas, utilizando plantillas y procesamiento de entradas/salidas.
- Dominará la gestión de documentos y datos externos (PDFs, Google, AWS…) y la creación de bases de datos vectoriales con embeddings.
- Implementará memorias conversacionales para agentes inteligentes con distintos tipos de buffer.
- Desarrollará agentes programadores, buscadores o conversacionales aplicables a múltiples escenarios.
- Aplicará los conocimientos adquiridos en dos proyectos reales: un chatbot con memoria y un analizador de consultas SQL a partir de lenguaje natural.
