1
00:00:10,000 --> 00:00:15,800
Buenas, esto es BIMPRAXIS, el podcast donde el

2
00:00:15,800 --> 00:00:17,920
BIM se encuentra con la inteligencia artificial.

3
00:00:20,519 --> 00:00:23,620
Exploramos la ciencia, la tecnología y el futuro

4
00:00:23,620 --> 00:00:26,559
desde el enfoque de la arquitectura, ingeniería y

5
00:00:26,559 --> 00:00:27,179
construcción.

6
00:00:28,859 --> 00:00:29,519
¡Empezamos!

7
00:00:37,520 --> 00:00:39,859
Vale, vamos a meternos de lleno.

8
00:00:39,939 --> 00:00:41,420
Hoy tenemos sobre la mesa un conjunto de

9
00:00:41,420 --> 00:00:45,799
fuentes bastante ecléctico sobre una herramienta llamada LangGraph.

10
00:00:45,920 --> 00:00:46,219
¡Um!

11
00:00:46,219 --> 00:00:48,560
Sí, hay un poco de todo.

12
00:00:48,560 --> 00:00:49,560
Hay de todo.

13
00:00:49,880 --> 00:00:54,119
Desde guías para principiantes, la documentación oficial, que

14
00:00:54,119 --> 00:00:57,659
es bastante densa, hasta hilos de debate muy

15
00:00:57,659 --> 00:00:58,719
intensos en Reddit.

16
00:00:58,820 --> 00:01:01,380
Ahí es donde está la salsa, claro.

17
00:01:01,380 --> 00:01:02,399
Totalmente.

18
00:01:02,399 --> 00:01:04,120
Y la misión es entender por qué algunos

19
00:01:04,120 --> 00:01:07,420
la describen como algo fundacional, una palabra bastante

20
00:01:07,420 --> 00:01:10,920
fuerte para construir aplicaciones de inteligencia artificial que

21
00:01:10,920 --> 00:01:13,459
sean a la vez complejas y fiables.

22
00:01:13,519 --> 00:01:15,000
Efectivamente.

23
00:01:15,000 --> 00:01:17,140
Y el reto, yo creo, está en separar

24
00:01:17,140 --> 00:01:18,900
un poco la promesa de la realidad.

25
00:01:19,859 --> 00:01:22,500
Las fuentes no solo nos dicen qué es,

26
00:01:22,500 --> 00:01:24,719
sino que abren un debate muy interesante sobre

27
00:01:24,719 --> 00:01:26,040
por qué es necesaria.

28
00:01:26,599 --> 00:01:27,319
Claro.

29
00:01:26,840 --> 00:01:30,540
O sea, ¿qué problema resuelve que su predecesor,

30
00:01:30,540 --> 00:01:32,379
Landchain, no podía?

31
00:01:32,599 --> 00:01:35,260
Y sobre todo, ¿qué opinan los desarrolladores que

32
00:01:35,260 --> 00:01:36,879
se están quejando con ella en el día

33
00:01:36,879 --> 00:01:37,280
a día?

34
00:01:37,379 --> 00:01:39,400
Es que es fascinante ver cómo una pieza

35
00:01:39,400 --> 00:01:42,620
de software puede generar opiniones tan polarizadas, ¿verdad?

36
00:01:42,359 --> 00:01:43,780
Muchísimo.

37
00:01:43,739 --> 00:01:45,200
Pues empecemos por el principio, entonces.

38
00:01:45,200 --> 00:01:47,219
¿Por qué nace LangGraph?

39
00:01:47,280 --> 00:01:49,099
Una de las fuentes de un blog llamado

40
00:01:49,099 --> 00:01:52,599
Q2B Studio dice algo que parece muy simple,

41
00:01:52,599 --> 00:01:54,299
pero que es la clave de todo.

42
00:01:54,239 --> 00:01:55,000
A ver.

43
00:01:54,799 --> 00:01:56,920
Dice que la mayoría de aplicaciones de IA

44
00:01:56,920 --> 00:01:59,700
no son lineales, no van en línea recta

45
00:01:59,700 --> 00:02:00,920
del punto A al B.

46
00:02:00,920 --> 00:02:03,359
¿A qué se refieran con eso exactamente?

47
00:02:03,400 --> 00:02:05,480
Pues esa es la madre del cordero.

48
00:02:05,480 --> 00:02:08,319
Su predecesor, Landchain, es fantástico para flujos de

49
00:02:08,319 --> 00:02:10,879
trabajo que son como una cadena de montaje.

50
00:02:10,800 --> 00:02:11,699
¿Una secuencia?

51
00:02:11,740 --> 00:02:12,900
Eso es.

52
00:02:12,900 --> 00:02:14,419
Coges un dato, se lo pasas a un

53
00:02:14,419 --> 00:02:16,620
modelo, el resultado se lo pasas a otra

54
00:02:16,620 --> 00:02:18,419
herramienta, y así sucesivamente.

55
00:02:18,419 --> 00:02:20,939
Es una secuencia lineal.

56
00:02:20,939 --> 00:02:23,099
Y es perfecto para un prototipo rápido o

57
00:02:23,099 --> 00:02:25,539
un chatbot que responde preguntas simples.

58
00:02:25,539 --> 00:02:27,659
Pero el mundo real no funciona así.

59
00:02:27,719 --> 00:02:28,580
Para nada.

60
00:02:28,580 --> 00:02:29,879
Es mucho más caótico.

61
00:02:29,879 --> 00:02:32,319
Aquí es donde la cosa se pone interesante.

62
00:02:31,340 --> 00:02:35,360
Las aplicaciones de verdad necesitan poder dudar, tomar

63
00:02:35,360 --> 00:02:37,979
decisiones, volver sobre sus pasos si algo sale

64
00:02:37,979 --> 00:02:39,939
mal, autocorregirse.

65
00:02:39,939 --> 00:02:40,680
Claro.

66
00:02:40,680 --> 00:02:42,400
La analogía que usan en las fuentes es

67
00:02:42,400 --> 00:02:44,139
la de un diagrama de flujo, no una

68
00:02:44,139 --> 00:02:45,039
línea recta.

69
00:02:45,039 --> 00:02:45,979
Esa es la idea.

70
00:02:45,979 --> 00:02:47,199
Exacto.

71
00:02:47,199 --> 00:02:48,939
Piensa en un agente de IA que tiene

72
00:02:48,939 --> 00:02:50,319
que reservar un viaje.

73
00:02:50,860 --> 00:02:52,719
Primero busca vuelos.

74
00:02:52,719 --> 00:02:55,159
Si no hay, no puede simplemente detenerse, ¿no?

75
00:02:55,159 --> 00:02:57,259
Claro, tiene que probar otras fechas o algo.

76
00:02:57,259 --> 00:02:59,360
Tiene que probar con otras fechas, si encuentra

77
00:02:59,360 --> 00:03:01,319
un vuelo, busca uno tal.

78
00:03:01,319 --> 00:03:03,520
Si el hotel es carísimo, quizás tiene que

79
00:03:03,520 --> 00:03:05,460
volver atrás y buscar un vuelo a una

80
00:03:05,460 --> 00:03:06,979
ciudad cercana.

81
00:03:06,979 --> 00:03:08,419
¿Eso es un grafo?

82
00:03:08,539 --> 00:03:09,819
Un mapa de decisiones.

83
00:03:09,819 --> 00:03:10,560
Justo.

84
00:03:10,560 --> 00:03:14,340
Un mapa de decisiones con bucles, bifurcaciones y

85
00:03:14,340 --> 00:03:15,560
saltos condicionales.

86
00:03:16,360 --> 00:03:18,599
LangGraph te da las herramientas para construir ese

87
00:03:18,599 --> 00:03:21,759
mapa, con sus nodos, que son las acciones,

88
00:03:21,800 --> 00:03:23,479
y sus aristas, que son las rutas que

89
00:03:23,479 --> 00:03:24,900
conectan esas acciones.

90
00:03:24,900 --> 00:03:25,860
Entiendo.

91
00:03:25,860 --> 00:03:27,759
O sea, no es una tubería, Es una

92
00:03:27,759 --> 00:03:30,099
red de carreteras y he visto que en

93
00:03:30,099 --> 00:03:32,740
otra fuente, un curso de Hugging Face, lo

94
00:03:32,740 --> 00:03:34,919
enmarcan en un concepto que me ha parecido

95
00:03:34,919 --> 00:03:36,099
muy potente.

96
00:03:36,759 --> 00:03:39,360
El equilibrio entre el control y la libertad

97
00:03:39,360 --> 00:03:40,900
del modelo de lenguaje.

98
00:03:41,280 --> 00:03:43,319
¿Cómo encaja LangGraph en esa balanza?

99
00:03:43,759 --> 00:03:45,719
Ese punto es crucial.

100
00:03:45,939 --> 00:03:48,460
A ver, darle total libertad a un LLM

101
00:03:48,460 --> 00:03:50,300
es como darle las llaves del coche a

102
00:03:50,300 --> 00:03:53,240
un adolescente muy inteligente pero sin experiencia.

103
00:03:53,039 --> 00:03:54,379
Buena analogía.

104
00:03:53,900 --> 00:03:56,240
Puede que llegue al destino, o puede que

105
00:03:56,240 --> 00:03:58,080
acabe en otra ciudad porque vio un cartel

106
00:03:58,080 --> 00:03:59,580
que le parece interesante.

107
00:03:59,860 --> 00:04:02,099
Landchain a veces puede pecar un poco de

108
00:04:02,099 --> 00:04:02,300
eso.

109
00:04:02,599 --> 00:04:04,000
De darle demasiada libertad.

110
00:04:04,199 --> 00:04:05,139
Sí.

111
00:04:05,139 --> 00:04:08,259
LangGraph, en cambio, se posiciona firmemente en el

112
00:04:08,259 --> 00:04:09,500
lado del control.

113
00:04:09,639 --> 00:04:12,060
Te obliga a diseñar ese mapa de carreteras

114
00:04:12,060 --> 00:04:12,599
de antemano.

115
00:04:13,280 --> 00:04:15,356
El agente puede elegir qué ruta tomar en

116
00:04:15,356 --> 00:04:17,876
una bifurcación, pero no puede salirse de las

117
00:04:17,876 --> 00:04:19,416
carreteras que tú has dibujado.

118
00:04:19,416 --> 00:04:20,356
Entiendo.

119
00:04:20,356 --> 00:04:24,556
Es lo que llaman una arquitectura cognitiva controlable.

120
00:04:24,556 --> 00:04:25,496
Exacto.

121
00:04:25,496 --> 00:04:28,516
Y eso es fundamental para que una empresa

122
00:04:28,516 --> 00:04:30,536
se fíe de poner esa IA de cara

123
00:04:30,536 --> 00:04:31,976
a sus clientes.

124
00:04:31,976 --> 00:04:34,056
Necesitas esa predictibilidad.

125
00:04:34,196 --> 00:04:35,036
Vale.

126
00:04:35,036 --> 00:04:37,676
Eso deja la diferencia conceptual muy clara.

127
00:04:37,856 --> 00:04:40,216
Pero, en la práctica, si alguien está empezando

128
00:04:40,216 --> 00:04:41,716
un proyecto, ¿cómo decide?

129
00:04:42,196 --> 00:04:45,056
La guía de Q2B Studio da algunas pistas,

130
00:04:45,056 --> 00:04:46,896
pero ¿cuál sería la regla de oro para

131
00:04:46,896 --> 00:04:47,316
elegir?

132
00:04:48,236 --> 00:04:50,176
La regla de oro es preguntarse.

133
00:04:49,276 --> 00:04:53,176
¿Mi agente necesita pensar en varios pasos y

134
00:04:53,176 --> 00:04:54,716
potencialmente corregir su rumbo?

135
00:04:55,476 --> 00:04:58,516
Si la respuesta es sí, probablemente necesites LangGraph.

136
00:04:58,516 --> 00:04:59,676
Vale.

137
00:04:59,716 --> 00:05:03,696
Para prototipos, chatbots básicos que solo clasifican o

138
00:05:03,696 --> 00:05:06,736
resumen texto, langchain es más que suficiente y

139
00:05:06,736 --> 00:05:08,576
mucho más rápido de implementar, ¿verdad?

140
00:05:09,016 --> 00:05:11,316
Pero si ya necesitas que razone, que maneje

141
00:05:11,316 --> 00:05:14,156
errores de forma inteligente… Allí es donde langchain

142
00:05:14,156 --> 00:05:15,336
se queda corto.

143
00:05:15,336 --> 00:05:18,616
Si necesita llamar a herramientas externas, dependiendo de

144
00:05:18,616 --> 00:05:21,276
una condición, o recordar el contexto de una

145
00:05:21,276 --> 00:05:24,316
tarea larga, allí es donde langgraph se vuelve

146
00:05:24,316 --> 00:05:25,456
indispensable.

147
00:05:25,116 --> 00:05:27,496
Y ojo, que aquí no se trata de

148
00:05:27,496 --> 00:05:29,196
que uno sea bueno y el otro malo,

149
00:05:29,196 --> 00:05:29,756
¿verdad?

150
00:05:29,756 --> 00:05:32,256
Por lo que entiendo, no compiten entre sí.

151
00:05:32,636 --> 00:05:33,536
Para nada.

152
00:05:33,536 --> 00:05:35,576
Más bien, se pasan el relevo.

153
00:05:35,576 --> 00:05:38,356
LangGraph es la evolución natural cuando la complejidad

154
00:05:38,356 --> 00:05:40,056
de un proyecto crece.

155
00:05:40,056 --> 00:05:42,016
Es el siguiente paso lógico.

156
00:05:41,916 --> 00:05:43,836
O sea que usa componentes de Landchain.

157
00:05:44,456 --> 00:05:45,096
Claro.

158
00:05:45,096 --> 00:05:47,196
De hecho, usa muchos de los componentes de

159
00:05:47,196 --> 00:05:47,996
Landchain.

160
00:05:47,996 --> 00:05:50,856
Simplemente los organiza de una manera diferente, más

161
00:05:50,856 --> 00:05:51,916
robusta.

162
00:05:51,656 --> 00:05:53,276
He visto que en la documentación de IBM

163
00:05:53,276 --> 00:05:56,356
mencionan algo llamado grafos con estado.

164
00:05:56,356 --> 00:05:57,876
Suena bastante técnico.

165
00:05:57,876 --> 00:06:00,236
¿Qué significa exactamente en este contexto y por

166
00:06:00,236 --> 00:06:01,576
qué es tan importante para LangGraph?

167
00:06:01,916 --> 00:06:05,296
Es probablemente la característica más importante y la

168
00:06:05,296 --> 00:06:07,676
que resuelve más dolores de cabeza.

169
00:06:07,676 --> 00:06:10,716
Con estado significa simplemente que el sistema tiene

170
00:06:10,716 --> 00:06:12,276
memoria de todo lo que ha pasado en

171
00:06:12,276 --> 00:06:13,676
cada paso del camino.

172
00:06:14,076 --> 00:06:15,856
Imagina que cada vez que la gente completa

173
00:06:15,856 --> 00:06:18,956
una acción, un nodo del grafo, anota en

174
00:06:18,956 --> 00:06:21,296
un cuaderno digital lo que ha hecho, los

175
00:06:21,296 --> 00:06:23,476
datos que ha obtenido y el resultado.

176
00:06:23,816 --> 00:06:25,336
Ese cuaderno es el estado.

177
00:06:25,236 --> 00:06:26,836
Y se va pasando de un paso a

178
00:06:26,836 --> 00:06:27,576
otro.

179
00:06:27,236 --> 00:06:29,196
Se va pasando de nodo a nodo, de

180
00:06:29,196 --> 00:06:30,916
forma que la gente siempre sabe de dónde

181
00:06:30,916 --> 00:06:33,496
viene y qué información tiene disponible en ese

182
00:06:33,496 --> 00:06:34,356
momento.

183
00:06:34,176 --> 00:06:35,976
Vamos, que es como tener un registro de

184
00:06:35,976 --> 00:06:37,836
vuelo detallado en todo momento.

185
00:06:37,776 --> 00:06:39,516
Y supongo que eso es una maravilla para

186
00:06:39,516 --> 00:06:40,436
depurar errores, ¿no?

187
00:06:40,916 --> 00:06:42,996
puedes ver exactamente en qué punto se torció

188
00:06:42,996 --> 00:06:43,816
el plan.

189
00:06:43,796 --> 00:06:46,156
Exacto, tienes una transparencia total.

190
00:06:46,196 --> 00:06:48,296
Y esa gestión centralizada del estado es lo

191
00:06:48,296 --> 00:06:49,516
que evita el caos.

192
00:06:49,676 --> 00:06:50,916
Hay una cita en uno de los hilos

193
00:06:50,916 --> 00:06:52,496
de Reddit que lo resume de una forma

194
00:06:52,496 --> 00:06:54,116
muy directa y brillante.

195
00:06:54,036 --> 00:06:55,216
A ver, ¿qué dice?

196
00:06:55,656 --> 00:06:58,396
Un usuario dice, Langchain es una capa de

197
00:06:58,396 --> 00:07:01,036
abstracción para los clientes de chat de IA.

198
00:07:01,196 --> 00:07:03,976
Langgraph es para cuando quieres orquestar a estos

199
00:07:03,976 --> 00:07:06,136
agentes para lograr un resultado.

200
00:07:06,496 --> 00:07:08,456
Orquestar, me gusta esa palabra.

201
00:07:09,016 --> 00:07:12,356
Y termina diciendo, básicamente, si necesitas que múltiples

202
00:07:12,356 --> 00:07:14,536
agentes trabajen juntos, usa LangGraph.

203
00:07:14,536 --> 00:07:17,416
Y creo que no se puede explicar mejor.

204
00:07:17,416 --> 00:07:19,836
Esa idea de la orquestación es muy potente.

205
00:07:19,836 --> 00:07:21,436
Y supongo que para que esa orquesta suene

206
00:07:21,436 --> 00:07:23,876
bien, no solo necesitan saber qué hacer, sino

207
00:07:23,876 --> 00:07:25,696
también recordar la partitura.

208
00:07:25,456 --> 00:07:26,956
Totalmente.

209
00:07:27,056 --> 00:07:28,916
Eso nos lleva directamente al tema de la

210
00:07:28,916 --> 00:07:31,076
memoria, que parece ser el otro gran pilar

211
00:07:31,076 --> 00:07:32,236
de todo esto.

212
00:07:31,936 --> 00:07:34,156
La capacidad es que el Unchain permita gestionar

213
00:07:34,156 --> 00:07:36,696
de una forma mucho más estructurada.

214
00:07:36,696 --> 00:07:39,316
La documentación oficial del Unchain profundiza mucho en

215
00:07:39,316 --> 00:07:41,676
esto, y es fascinante como lo plantean.

216
00:07:41,676 --> 00:07:44,036
Sí, lo dividen en dos grandes tipos que

217
00:07:44,036 --> 00:07:45,936
ayudan a entenderlo, la verdad.

218
00:07:45,936 --> 00:07:48,116
Por un lado, la memoria a corto plazo,

219
00:07:48,116 --> 00:07:49,936
la que se usa dentro de una única

220
00:07:49,936 --> 00:07:50,936
conversación.

221
00:07:50,836 --> 00:07:52,316
La de aquí y ahora.

222
00:07:52,416 --> 00:07:54,676
Eso es, la capacidad de recordar lo que

223
00:07:54,676 --> 00:07:55,916
acabamos de hablar.

224
00:07:55,676 --> 00:07:56,616
Correcto.

225
00:07:56,616 --> 00:07:58,476
Esa memoria a corto plazo es parte de

226
00:07:58,476 --> 00:08:01,316
ese cuaderno digital, de ese estado del que

227
00:08:01,316 --> 00:08:02,336
hablábamos.

228
00:08:02,336 --> 00:08:05,196
Es volátil y específica de la tarea actual.

229
00:08:05,116 --> 00:08:07,656
Vale, pero luego está el verdadero cambio de

230
00:08:07,656 --> 00:08:08,376
juego.

231
00:08:08,376 --> 00:08:10,756
La memoria a largo plazo, la que persiste

232
00:08:10,756 --> 00:08:12,396
entre diferentes conversaciones.

233
00:08:13,116 --> 00:08:14,696
Es la que permite que una gente te

234
00:08:14,696 --> 00:08:17,356
reconozca y recuerde tus preferencias de una semana

235
00:08:17,356 --> 00:08:18,336
para otra.

236
00:08:18,736 --> 00:08:19,796
Y aquí es donde a mí me voló

237
00:08:19,796 --> 00:08:22,176
la cabeza, porque usan una analogía con la

238
00:08:22,176 --> 00:08:24,136
memoria humana para categorizarla.

239
00:08:24,436 --> 00:08:25,816
Hablan de tres tipos.

240
00:08:25,816 --> 00:08:28,012
El primero es la memoria semántica.

241
00:08:28,052 --> 00:08:29,352
La de los hechos.

242
00:08:29,432 --> 00:08:30,872
Justo, para recordar hechos.

243
00:08:31,632 --> 00:08:33,352
El ejemplo que dan es, al usuario le

244
00:08:33,352 --> 00:08:35,272
gusta el lenguaje directo y habla inglés y

245
00:08:35,272 --> 00:08:36,072
Python.

246
00:08:36,392 --> 00:08:38,792
Datos puros y duros sobre alguien o algo.

247
00:08:38,792 --> 00:08:40,332
Sí, esa es la base.

248
00:08:40,532 --> 00:08:43,772
Luego suben un nivel con la memoria episodica,

249
00:08:43,752 --> 00:08:46,032
que es para recordar secuencias de acciones o

250
00:08:46,032 --> 00:08:47,712
conversaciones pasadas.

251
00:08:47,492 --> 00:08:49,152
Experiencias, por así decirlo.

252
00:08:49,372 --> 00:08:50,192
Exacto.

253
00:08:50,192 --> 00:08:52,252
En la práctica, dicen que se usa para

254
00:08:52,252 --> 00:08:56,032
darle al modelo ejemplos de interacciones exitosas.

255
00:08:56,032 --> 00:08:58,492
Es como decirle, mira, la última vez que

256
00:08:58,492 --> 00:09:00,932
pedí un resumen de un informe financiero lo

257
00:09:00,932 --> 00:09:03,212
hiciste de esta manera y el resultado fue

258
00:09:03,212 --> 00:09:04,512
perfecto.

259
00:09:04,512 --> 00:09:06,052
Hazlo así otra vez.

260
00:09:06,052 --> 00:09:07,792
Es enseñarle con el ejemplo.

261
00:09:07,792 --> 00:09:10,792
Es aprender de la experiencia, literalmente.

262
00:09:10,792 --> 00:09:13,192
Y el tercer tipo, que me parece increíble,

263
00:09:13,192 --> 00:09:15,132
es la memoria procedural.

264
00:09:15,132 --> 00:09:17,692
No se trata de recordar hechos ni experiencias,

265
00:09:17,692 --> 00:09:19,612
sino reglas y procedimientos.

266
00:09:19,612 --> 00:09:21,952
Ahí se pone la cosa muy interesante.

267
00:09:21,952 --> 00:09:23,572
El ejemplo que ponen es el de un

268
00:09:23,572 --> 00:09:26,792
agente que puede modificar sus propias instrucciones, su

269
00:09:26,792 --> 00:09:30,112
system prompt, basándose en el feedback que recibe.

270
00:09:30,112 --> 00:09:32,752
A este proceso lo llaman reflexión.

271
00:09:32,752 --> 00:09:35,732
Es un concepto muy avanzado y muy potente.

272
00:09:35,732 --> 00:09:38,112
Significa que el sistema no es estático.

273
00:09:38,212 --> 00:09:40,052
Si un agente genera un tuit para una

274
00:09:40,052 --> 00:09:42,172
campaña de marketing y un humano le dice

275
00:09:42,172 --> 00:09:44,872
esto es demasiado informal, que pasa mucho, sé

276
00:09:44,872 --> 00:09:48,392
creativo y divertido, su nueva regla podría ser

277
00:09:48,392 --> 00:09:51,712
sé creativo y divertido pero mantén un tono

278
00:09:51,712 --> 00:09:52,752
profesional.

279
00:09:52,832 --> 00:09:55,332
Es un bucle de automejora real.

280
00:09:55,232 --> 00:09:56,352
Exactamente.

281
00:09:56,352 --> 00:09:58,152
Se va puliendo a sí mismo.

282
00:09:58,232 --> 00:09:58,632
Vale.

283
00:09:58,632 --> 00:10:01,032
En papel todo esto suena increíble, casi a

284
00:10:01,032 --> 00:10:02,212
ciencia ficción.

285
00:10:02,272 --> 00:10:04,992
Un sistema que se autocorrige, que recuerda, que

286
00:10:04,992 --> 00:10:06,072
sigue un plan.

287
00:10:06,272 --> 00:10:08,812
Pero, ¿qué pasa cuando los desarrolladores intentan usar

288
00:10:08,812 --> 00:10:09,832
esto en el mundo real?

289
00:10:10,152 --> 00:10:10,832
Claro.

290
00:10:10,772 --> 00:10:13,492
Porque, en los hilos de Reddit que tenemos,

291
00:10:13,492 --> 00:10:14,992
el panorama no es tan color de rosa

292
00:10:14,992 --> 00:10:16,072
para todos.

293
00:10:15,872 --> 00:10:17,072
No, para nada.

294
00:10:17,072 --> 00:10:19,492
Aquí es donde chocamos con la dura realidad.

295
00:10:19,012 --> 00:10:22,132
Hay un comentario muy directo en el subreddit

296
00:10:22,132 --> 00:10:25,512
de Langchain que lo describe como una absoluta

297
00:10:25,512 --> 00:10:28,212
pesadilla de mantenimiento en producción.

298
00:10:28,192 --> 00:10:29,992
Uf, palabras mayores.

299
00:10:29,932 --> 00:10:32,692
Y otro usuario se queja de que probar

300
00:10:32,692 --> 00:10:35,072
un grafo complejo es un desastre.

301
00:10:35,332 --> 00:10:37,472
Y hace una comparación que creo que muchos

302
00:10:37,472 --> 00:10:39,252
desarrolladores entenderán.

303
00:10:39,092 --> 00:10:39,292
¿Cuál?

304
00:10:39,472 --> 00:10:42,432
Lo compara con las primeras versiones de TensorFlow,

305
00:10:42,432 --> 00:10:43,952
el framework de Google.

306
00:10:43,792 --> 00:10:44,692
Ostras.

307
00:10:44,452 --> 00:10:46,532
Dice que era tan poco intuitivo y tan

308
00:10:46,532 --> 00:10:49,032
difícil de depurar que la gente huyó en

309
00:10:49,032 --> 00:10:50,612
masa a PyTorch.

310
00:10:50,612 --> 00:10:54,352
Y cualquiera que lidiara con tef.session.trizates en aquella

311
00:10:54,352 --> 00:10:56,812
época sabe exactamente a qué se refiere.

312
00:10:56,812 --> 00:10:59,012
Esa sensación de caja negra, de que no

313
00:10:59,012 --> 00:11:00,972
sabes qué está pasando dentro.

314
00:11:00,972 --> 00:11:02,992
Es esa sensación de que el framework te

315
00:11:02,992 --> 00:11:05,192
está combatiendo en lugar de ayudarte.

316
00:11:05,192 --> 00:11:07,652
La crítica es que LangGraph puede sentirse así,

317
00:11:07,652 --> 00:11:08,652
a veces.

318
00:11:08,652 --> 00:11:11,992
Demasiado complejo, demasiadas capas de abstracción.

319
00:11:11,992 --> 00:11:14,272
Esa crítica sobre la complejidad y el mantenimiento

320
00:11:14,272 --> 00:11:15,712
aparece varias veces.

321
00:11:15,712 --> 00:11:17,612
Pero claro, no todo es negativo.

322
00:11:17,612 --> 00:11:19,072
Hay gente que lo defiende a capa y

323
00:11:19,072 --> 00:11:19,352
espada.

324
00:11:19,612 --> 00:11:20,552
Por supuesto.

325
00:11:20,072 --> 00:11:22,692
Dicen que para flujos de trabajo de agentes

326
00:11:22,692 --> 00:11:25,452
es de lejos la mejor opción.

327
00:11:25,452 --> 00:11:28,012
Mencionan a uno de los creadores de LandChain,

328
00:11:28,012 --> 00:11:30,372
Lance Martin, que confirmó que el bot de

329
00:11:30,372 --> 00:11:32,772
atención al cliente de su propia empresa está

330
00:11:32,772 --> 00:11:34,612
construido con LangGraph.

331
00:11:34,572 --> 00:11:36,392
Sí, y no son los únicos.

332
00:11:36,392 --> 00:11:38,912
Las fuentes mencionan casos de uso reales en

333
00:11:38,912 --> 00:11:40,292
empresas grandes.

334
00:11:40,292 --> 00:11:42,592
Norwegian Cruise Line, por ejemplo, lo usa para

335
00:11:42,592 --> 00:11:45,492
mejorar la experiencia de reserva de sus clientes.

336
00:11:45,492 --> 00:11:48,452
También mencionan a Ali, una empresa financiera.

337
00:11:48,252 --> 00:11:50,092
Eso es, que lo está usando para sus

338
00:11:50,092 --> 00:11:51,212
agentes.

339
00:11:51,212 --> 00:11:52,752
Esto nos dice que, a pesar de las

340
00:11:52,752 --> 00:11:56,072
dificultades, hay quienes están consiguiendo sacarle un valor

341
00:11:56,072 --> 00:11:59,072
real en entornos de producción muy exigentes.

342
00:11:59,192 --> 00:12:00,992
Entonces parece que la clave no es si

343
00:12:00,992 --> 00:12:03,232
la herramienta es buena o mala, sino saber

344
00:12:03,232 --> 00:12:05,612
cuándo merece la pena la inversión de complejidad.

345
00:12:05,572 --> 00:12:06,472
Justo.

346
00:12:06,212 --> 00:12:07,992
He encontrado un comentario en el softreddit de

347
00:12:07,992 --> 00:12:09,992
IAI Agents que me ha parecido oro pulo.

348
00:12:10,552 --> 00:12:12,972
Un desarrollador proponía un enfoque muy pragmático para

349
00:12:12,972 --> 00:12:14,452
decidir cuándo usar LangGraph.

350
00:12:14,652 --> 00:12:16,432
¿Te suena esta idea de empezar con algo

351
00:12:16,432 --> 00:12:18,352
simple y solo migrar cuando la cosa se

352
00:12:18,352 --> 00:12:19,552
complica de verdad?

353
00:12:19,532 --> 00:12:20,412
Totalmente.

354
00:12:20,412 --> 00:12:22,772
Es el principio de no uses un martillo

355
00:12:22,772 --> 00:12:24,292
para matar una mosca.

356
00:12:24,532 --> 00:12:27,132
Empezar con LangGraph para un bot sencillo es

357
00:12:27,132 --> 00:12:28,972
una sobreingeniería tremenda.

358
00:12:28,892 --> 00:12:29,892
Claro.

359
00:12:29,892 --> 00:12:32,352
Ese consejo refleja una madurez de desarrollo.

360
00:12:32,472 --> 00:12:34,172
Primero resuelve el problema de la forma más

361
00:12:34,172 --> 00:12:36,332
simple posible, que a menudo es un simple

362
00:12:36,332 --> 00:12:36,952
bucle en Python.

363
00:12:37,192 --> 00:12:38,372
Exacto.

364
00:12:37,972 --> 00:12:39,548
Y solo cuando ese bucle empieza a llenarse

365
00:12:39,548 --> 00:12:42,568
de condiciones, de if, else, any dados, cuando

366
00:12:42,568 --> 00:12:44,568
el diagrama de flujo mental empieza a tener

367
00:12:44,568 --> 00:12:47,948
demasiadas flechas y fallos, es cuando dices, vale,

368
00:12:47,948 --> 00:12:49,788
necesito una herramienta que me ayude a gestionar

369
00:12:49,788 --> 00:12:50,889
este caos.

370
00:12:50,568 --> 00:12:52,288
Ahí es cuando migras a LangGraph.

371
00:12:52,229 --> 00:12:54,688
Es un consejo sensacional y basado en la

372
00:12:54,688 --> 00:12:55,428
experiencia pura.

373
00:12:56,108 --> 00:12:58,928
Evita comprometerse demasiado pronto con un framework y

374
00:12:58,928 --> 00:13:01,668
te da la estructura justo cuando la necesitas.

375
00:13:01,108 --> 00:13:03,688
La regla que propone este usuario es muy

376
00:13:03,688 --> 00:13:04,849
clara, la verdad.

377
00:13:04,928 --> 00:13:06,428
Si es un agente que va a tener

378
00:13:06,428 --> 00:13:08,769
varios pasos y va a ir a producción,

379
00:13:08,769 --> 00:13:10,668
la claridad y seguridad que te da LangGraph

380
00:13:10,668 --> 00:13:12,729
valen la pena al esfuerzo inicial.

381
00:13:12,868 --> 00:13:15,408
Y hablando de seguridad y producción, hay otra

382
00:13:15,408 --> 00:13:17,889
funcionalidad que destacan varias fuentes, como la de

383
00:13:17,889 --> 00:13:20,969
IBM, la intervención humana o Human in the

384
00:13:20,969 --> 00:13:21,149
Loop.

385
00:13:21,469 --> 00:13:23,089
Ah, eso es fundamental.

386
00:13:23,128 --> 00:13:24,408
¿Por qué es tan clave para que las

387
00:13:24,408 --> 00:13:26,688
empresas se atrevan a usar estos sistemas?

388
00:13:26,609 --> 00:13:28,368
Porque es la red de seguridad.

389
00:13:28,368 --> 00:13:30,528
Es la capacidad de diseñar tu grafo con

390
00:13:30,528 --> 00:13:32,109
puntos de control.

391
00:13:32,248 --> 00:13:33,769
imagina un agente que va a realizar una

392
00:13:33,769 --> 00:13:35,649
serie de transacciones financieras.

393
00:13:35,548 --> 00:13:36,408
Algo delicado.

394
00:13:36,408 --> 00:13:37,408
Muy delicado.

395
00:13:37,469 --> 00:13:39,349
Puedes programar el grafo para que justo antes

396
00:13:39,349 --> 00:13:41,769
de ejecutar la transferencia final se detenga y

397
00:13:41,769 --> 00:13:43,628
espere la aprobación de un supervisor humano.

398
00:13:44,428 --> 00:13:46,649
Te permite pausar todo el proceso.

399
00:13:46,708 --> 00:13:47,068
Exacto.

400
00:13:47,068 --> 00:13:50,469
Permite pausar el flujo, inspeccionar el estado, ese

401
00:13:50,469 --> 00:13:52,788
cuaderno del que hablábamos, y asegurarse de que

402
00:13:52,788 --> 00:13:54,328
todo es correcto antes de proceder.

403
00:13:54,868 --> 00:13:56,109
Es el botón de emergencia.

404
00:13:56,649 --> 00:13:58,729
Y he leído que incluso permite hacer algo

405
00:13:58,729 --> 00:14:01,028
que llaman viajar en el tiempo.

406
00:14:01,089 --> 00:14:02,609
Suena muy espectacular.

407
00:14:02,708 --> 00:14:05,028
Bueno, es una consecuencia directa de tener el

408
00:14:05,028 --> 00:14:06,188
estado guardado.

409
00:14:06,389 --> 00:14:07,889
Si en un punto de control detectas que

410
00:14:07,889 --> 00:14:09,729
la gente ha tomado una mala decisión dos

411
00:14:09,729 --> 00:14:11,708
pasos atrás… ¿Puedes volver?

412
00:14:11,828 --> 00:14:14,248
Puedes literalmente retroceder a ese estado anterior y

413
00:14:14,248 --> 00:14:15,729
forzarle a tomar un camino diferente.

414
00:14:16,488 --> 00:14:18,048
Es un nivel de control y depuración que

415
00:14:18,048 --> 00:14:19,948
es casi imposible de conseguir con un script

416
00:14:19,948 --> 00:14:20,788
simple.

417
00:14:20,849 --> 00:14:22,769
Combina lo mejor de los dos mundos.

418
00:14:22,668 --> 00:14:25,089
Sí, combina la autonomía de la IA con

419
00:14:25,089 --> 00:14:27,628
la supervisión humana, que ahora mismo es el

420
00:14:27,628 --> 00:14:31,488
enfoque más robusto y seguro para aplicaciones críticas.

421
00:14:31,488 --> 00:14:35,109
Entonces, si unimos todas las piezas, ¿qué significa

422
00:14:35,109 --> 00:14:36,188
todo esto?

423
00:14:36,628 --> 00:14:39,208
LangGraph no es simplemente una librería de código

424
00:14:39,208 --> 00:14:39,988
más.

425
00:14:40,128 --> 00:14:42,248
Parece más bien un cambio de mentalidad.

426
00:14:42,389 --> 00:14:44,109
Un cambio de paradigma, sí.

427
00:14:44,028 --> 00:14:46,328
Un cambio en cómo se diseñan y construyan

428
00:14:46,328 --> 00:14:47,368
los agentes de IA.

429
00:14:47,288 --> 00:14:48,609
Absolutamente.

430
00:14:48,748 --> 00:14:51,389
Implica pasar de pensar en secuencias lineales y

431
00:14:51,389 --> 00:14:55,448
simples a pensar en sistemas cíclicos, con estado,

432
00:14:55,448 --> 00:14:57,708
donde el control, la memoria y la capacidad

433
00:14:57,708 --> 00:14:59,948
de observación son los protagonistas.

434
00:15:00,448 --> 00:15:02,489
¿Representa una madurez en el campo?

435
00:15:02,609 --> 00:15:03,589
Totalmente.

436
00:15:03,589 --> 00:15:06,349
Es el reconocimiento de que, para construir sistemas

437
00:15:06,349 --> 00:15:08,769
fiables, no basta con la brillantez de un

438
00:15:08,769 --> 00:15:09,989
modelo de lenguaje.

439
00:15:10,149 --> 00:15:12,808
Se necesita una arquitectura sólida que lo guíe,

440
00:15:12,808 --> 00:15:14,828
que lo corrija y que le permita aprender

441
00:15:14,828 --> 00:15:16,328
de sus interacciones.

442
00:15:16,149 --> 00:15:18,688
Es el andamiaje necesario para pasar de los

443
00:15:18,688 --> 00:15:21,948
prototipos y las demos espectaculares a sistemas que

444
00:15:21,948 --> 00:15:24,009
funcionan de verdad en el mundo real, con

445
00:15:24,009 --> 00:15:25,908
todas sus complicidades e imprevistos.

446
00:15:26,389 --> 00:15:26,788
Exacto.

447
00:15:26,788 --> 00:15:29,349
Es un paso fundamental en esa dirección.

448
00:15:29,288 --> 00:15:31,109
Y todo esto nos deja con una idea

449
00:15:31,109 --> 00:15:33,208
final para darle vueltas.

450
00:15:33,248 --> 00:15:35,808
Hemos hablado de la memoria procedural, de esa

451
00:15:35,808 --> 00:15:38,308
capacidad de un agente para reescribir sus propias

452
00:15:38,308 --> 00:15:40,688
instrucciones basándose en el feedback.

453
00:15:41,568 --> 00:15:43,568
Si un sistema puede modificar sus reglas de

454
00:15:43,568 --> 00:15:47,009
funcionamiento internas para adaptarse y mejorar, dónde queda

455
00:15:47,009 --> 00:15:50,028
exactamente la línea que separa una herramienta que

456
00:15:50,028 --> 00:15:52,849
sigue un diagrama de flujo muy sofisticado de

457
00:15:52,849 --> 00:15:55,229
un sistema que empieza a aprender y adaptarse

458
00:15:55,229 --> 00:15:57,188
por sí mismo de una forma mucho más

459
00:15:57,188 --> 00:15:58,149
fundamental.

460
00:15:58,808 --> 00:16:00,628
Buena pregunta para cerrar.

461
00:16:00,628 --> 00:16:02,168
Es una línea cada vez más difusa.

462
00:16:13,688 --> 00:16:16,089
Y hasta aquí el episodio de hoy Muchas

463
00:16:16,089 --> 00:16:29,509
gracias por tu atención Esto es BIMPRAXIS Nos

464
00:16:29,509 --> 00:16:52,469
escuchamos en el próximo episodio ¡Suscríbete al canal!