🕸️ Demo LangGraph - Repositorio de Aprendizaje

Repositorio para aprender a usar LangGraph básico con Google Gemini Flash

Este repositorio contiene ejemplos prácticos en Jupyter notebooks para aprender a construir agentes y flujos de trabajo usando LangGraph con Google Gemini Flash.

🎯 ¿Qué es este repositorio?

• 📚 Repositorio educativo para aprender LangGraph desde cero
• 🤖 Ejemplos prácticos con Google Gemini Flash
• 📓 Notebooks interactivos listos para ejecutar
• ⚡ Configuración simple - cada notebook maneja sus propias variables
• 🛠️ Herramientas para desarrollo rápido con IA

📦 ¿Qué contiene?

📓 Ejemplos de LangGraph (Carpeta Ejemplos/)

• 1 LLM estructurado.ipynb - Salidas estructuradas con Pydantic
• 2 Encadenamiento de Prompts.ipynb - Encadenamiento secuencial avanzado
• 3 Paralelizado.ipynb - Procesamiento paralelo de tareas
• 4 Enrutador copy.ipynb - Enrutamiento condicional de flujos
• 5 Orquestador.ipynb - Orquestación compleja de agentes
• 6 evaluador-optimizador.ipynb - Evaluación y optimización de respuestas
• 7 Agente con memoria.ipynb - Agentes con persistencia y memoria

🚀 API REST del Agente

• Agente expuesto en un API/ - API completa con FastAPI para el agente con memoria

🛠️ Herramientas de Desarrollo

• demo_gemini.py - Demo interactivo con chat en terminal
• requirements.txt - Todas las dependencias necesarias
• .gitignore - Protección automática de archivos sensibles

🚀 Configuración (Solo 2 pasos)

1. Instalar dependencias

pip install -r requirements.txt

2. Obtener Google API Key

1. Ve a: Google AI Studio
2. Inicia sesión con tu cuenta de Google
3. Crea una nueva API key
4. Copia la key (empieza con AIza...)

¡Eso es todo! 🎉

📓 Ejecutar los Notebooks directamente en VS o intenta con:

# Iniciar Jupyter Notebook
jupyter notebook

# O usar Jupyter Lab  
jupyter lab

Cada notebook te pedirá tu API key la primera vez que lo ejecutes. Si usas VS Code, el prompt puede aparecer en la parte superior de la ventana. Solo pégala cuando aparezca el prompt y ¡listo!
Ten en cuenta que esta key desaparecerá al reiniciar el kernel de Python si estás usando un entorno virtual, que es lo recomendado para trabajar.

💻 Uso en los Notebooks

Cada notebook incluye esta configuración automática:

import os
import getpass
from langchain_google_genai import ChatGoogleGenerativeAI

# Configuración automática de API key
def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("GOOGLE_API_KEY")
llm = ChatGoogleGenerativeAI(model="gemini-1.5-pro")

🎯 ¿Qué aprenderás?

📓 Notebooks incluidos:

• ✅ LLM Estructurado - Salidas estructuradas con Pydantic
• ✅ Encadenamiento de Prompts - Secuencias avanzadas de prompts
• ✅ Procesamiento Paralelo - Ejecutar tareas en paralelo
• ✅ Enrutador - Flujos condicionales y decisiones
• ✅ Orquestador - Coordinación de múltiples agentes
• ✅ Evaluador-Optimizador - Evaluación y mejora automática
• ✅ Agente con Memoria - Persistencia entre conversaciones
• ✅ API REST - Exposición del agente vía FastAPI

🔄 Conceptos de LangGraph:

• 🔄 Estados y grafos de procesamiento
• 🔄 Nodos y aristas en flujos de trabajo
• 🔄 Manejo de datos entre pasos
• 🔄 Agentes con múltiples herramientas

🔮 Próximamente:

• 🔮 Más ejemplos avanzados
• 🔮 Integración con herramientas externas
• 🔮 Casos de uso con MCP

📖 Guía de Lectura Recomendada

Para obtener el máximo aprendizaje, sigue este orden:

1. 📓 Notebooks (en orden numérico):

   • 1 LLM estructurado.ipynb → Fundamentos de salidas estructuradas
   • 2 Encadenamiento de Prompts.ipynb → Secuencias y flujos
   • 3 Paralelizado.ipynb → Procesamiento simultáneo
   • 4 Enrutador copy.ipynb → Decisiones y enrutamiento
   • 5 Orquestador.ipynb → Coordinación avanzada
   • 6 evaluador-optimizador.ipynb → Evaluación y mejora
   • 7 Agente con memoria.ipynb → Persistencia y memoria

2. 🚀 Proyecto Final:

   • Agente expuesto en un API/ → Implementación completa en producción

🤖 Demo Rápido

¿Quieres probar Gemini Flash inmediatamente?

python demo_gemini.py

Te pedirá tu API key y podrás chatear directamente con Gemini en la terminal.

📚 Estructura del Proyecto

Demo_Lg/
├── 📁 Ejemplos/                          # Notebooks de LangGraph
│   ├── 1 LLM estructurado.ipynb         # Salidas estructuradas
│   ├── 2 Encadenamiento de Prompts.ipynb # Secuencias de prompts
│   ├── 3 Paralelizado.ipynb             # Procesamiento paralelo
│   ├── 4 Enrutador.ipynb           # Enrutamiento condicional
│   ├── 5 Orquestador.ipynb              # Orquestación de agentes
│   ├── 6 evaluador-optimizador.ipynb    # Evaluación automática
│   ├── 7 Agente con memoria.ipynb       # Agentes con memoria
│   └── 🚀 Agente expuesto en un API/    # API REST con FastAPI
├── 📦 requirements.txt                  # Dependencias del proyecto
├── 🤖 demo_gemini.py                    # Demo interactivo en terminal
├── 🛡️ .gitignore                        # Protección de archivos
└── 📖 README.md                         # Este archivo

🔒 Seguridad

🛡️ API Keys protegidas automáticamente:

• Cada notebook usa getpass para ocultar tu API key
• Las keys no se guardan en archivos
• No hay riesgo de subir keys al repositorio si lo clona a uno propio

🤝 Contribuciones

¡Las contribuciones son bienvenidas!

• 🐛 Reportar bugs o problemas
• 💡 Sugerir mejoras o nuevos ejemplos
• 📚 Agregar más casos de uso
• 📝 Mejorar documentación

📞 ¿Problemas?

1. Instalación: pip install -r requirements.txt
2. API Key: Google AI Studio
3. Jupyter: jupyter notebook o jupyter lab

---

🎉 ¡Comienza con pip install -r requirements.txt y abre los notebooks!

---

👤 Autor

• Jorge Moreno
  LinkedIn