¿Por qué aprender Agentes IA con LangGraph?

Las aplicaciones modernas de IA están evolucionando desde simples asistentes conversacionales hacia sistemas capaces de tomar decisiones, utilizar herramientas, consultar información, ejecutar acciones y mantener contexto a lo largo de un proceso.

Los Agentes IA permiten coordinar modelos de lenguaje con lógica, herramientas y datos para resolver tareas que requieren varios pasos.

LangGraph proporciona una forma estructurada de construir este tipo de sistemas mediante grafos, nodos, estados, transiciones y flujos controlados.

En este workshop aprenderás a diseñar y construir agentes con LangGraph, incorporando herramientas, memoria, branching, ciclos de decisión y mecanismos de control.

El objetivo no será crear simplemente un chatbot, sino comprender cómo diseñar workflows agentic robustos, observables y preparados para integrarse con datos y servicios empresariales.

¿Qué aprenderás?

✅ Comprender qué es un Agente IA.
✅ Diferenciar chatbot, workflow y agente.
✅ Comprender el concepto de Agentic AI.
✅ Entender qué problema resuelve LangGraph.
✅ Diseñar grafos de ejecución.
✅ Crear Nodes.
✅ Definir Edges.
✅ Gestionar State.
✅ Construir flujos condicionales.
✅ Crear ciclos de razonamiento y ejecución.
✅ Incorporar herramientas.
✅ Diseñar agentes con Tool Calling.
✅ Mantener memoria conversacional.
✅ Gestionar contexto.
✅ Implementar Human-in-the-Loop.
✅ Diseñar agentes con múltiples pasos.
✅ Construir workflows deterministas y agentic.
✅ Gestionar errores y reintentos.
✅ Diseñar agentes conectados con datos y APIs.
✅ Integrar RAG dentro de un agente.
✅ Comprender patrones Multi-Agent.
✅ Aplicar buenas prácticas de diseño y control.

Ficha técnica

• Modalidad: online en directo.
• Duración: 12 horas.
• Distribución: 4 sesiones de 3 horas.
• Proyecto final: asíncrono.
• Plazo de entrega: 14 días.
• Corrección personalizada: incluida.
• Plazas: máximo 12 participantes.
• Nivel: intermedio.
• Idioma: castellano.

Metodología Taller de Tecnología®

• #1 Sesión: Fundamentos de Agentes IA y LangGraph (síncrono).
• #2 Sesión: State, Nodes, Edges y Tool Calling (síncrono).
• #3 Sesión: Memoria, RAG y Human-in-the-Loop (síncrono).
• #4 Sesión: Agente completo y arquitectura empresarial (síncrono).
• Proyecto final + certificación (asíncrono).

Temario del Workshop

• Introducción a los Agentes IA.
• Qué es Agentic AI.
• Chatbot vs Workflow vs Agent.
• LLM como motor de razonamiento.
• Tools.
• Memory.
• Context.
• Planning.
• Execution.
• Introducción a LangGraph.
• Arquitectura basada en grafos.
• StateGraph.
• State.
• Nodes.
• Edges.
• START y END.
• Conditional Edges.
• Routing.
• Branching.
• Loops.
• Ciclos de decisión.
• Construcción de workflows.
• Flujos deterministas.
• Flujos agentic.
• Tool Calling.
• Definición de herramientas.
• Ejecución de herramientas.
• Agentes con acceso a APIs.
• Agentes con acceso a bases de datos.
• Memoria conversacional.
• Persistencia del estado.
• Checkpoints.
• Gestión del contexto.
• Short-Term Memory.
• Long-Term Memory.
• Introducción a RAG dentro de agentes.
• Retrieval como herramienta.
• Knowledge Base.
• Context Retrieval.
• Agente + RAG.
• Human-in-the-Loop.
• Interrupciones.
• Aprobaciones.
• Supervisión humana.
• Gestión de errores.
• Retries.
• Fallbacks.
• Observabilidad.
• Trazabilidad del flujo.
• Evaluación de agentes.
• Control de alucinaciones.
• Control de herramientas.
• Introducción a Multi-Agent Systems.
• Supervisor Agent.
• Worker Agents.
• Delegación de tareas.
• Arquitecturas empresariales con agentes.
• Buenas prácticas de diseño.

Proyecto Final + Certificación (Asíncrono)

Al finalizar el workshop, los alumnos realizarán de manera individual un proyecto práctico que deberá ser entregado dentro del plazo establecido.

El proyecto consistirá en diseñar y construir un Agente IA utilizando LangGraph.

El alumno deberá crear un grafo formado por diferentes nodos y transiciones, definiendo un estado que permita conservar la información necesaria durante todo el proceso.

El agente deberá ser capaz de interpretar una petición, decidir qué acción realizar y utilizar diferentes herramientas para obtener información o ejecutar tareas.

También deberá incorporar memoria y mecanismos de control para gestionar correctamente el contexto de la interacción.

Como parte del proyecto se integrará una fuente de conocimiento mediante RAG o una herramienta externa, permitiendo al agente consultar información adicional antes de tomar determinadas decisiones.

El flujo deberá incluir al menos una decisión condicional y un mecanismo de retorno o iteración que permita representar un comportamiento agentic real.

También se incorporará un punto de Human-in-the-Loop en el que determinadas acciones requieran aprobación antes de continuar.

El objetivo será construir una arquitectura similar a:

Usuario → LangGraph Agent → Decisión → Tool / RAG / API → Estado → Nueva Decisión → Respuesta

Además de la funcionalidad, se evaluará la claridad de la arquitectura, la gestión del estado, el uso correcto de herramientas, la robustez del flujo y la capacidad para controlar el comportamiento del agente.

El proyecto será evaluado por el instructor, quien proporcionará comentarios personalizados, propuestas de mejora y una valoración técnica de la solución presentada.

Los alumnos que superen satisfactoriamente la evaluación recibirán el Certificado de Aprovechamiento de Taller de Tecnología, acreditando las competencias adquiridas durante el workshop.

Formador: Daniel Castillo Garrosset

Formador especializado en Data Engineering, Business Intelligence e IA Generativa, con más de 25 años de experiencia impartiendo formación técnica a empresas, universidades y entidades públicas. Formador de Data Science en el Cibernarium de Barcelona Activa.

• Experiencia real como formador.
• Metodología y enfoque práctico.
• Corrección individual del proyecto.

Requisitos

• Python (nivel intermedio).
• Conocimientos básicos de IA Generativa.
• Conceptos básicos de APIs y JSON recomendables.
• Conocimientos básicos de LLMs recomendables.

No es necesario conocer previamente LangGraph.

Público objetivo

• AI Engineers.
• Data Engineers.
• Data Scientists.
• Machine Learning Engineers.
• Desarrolladores Python.
• Analytics Engineers.
• Profesionales interesados en Agentic AI.
• Profesionales que quieran construir asistentes capaces de utilizar herramientas y datos.
• Profesionales que quieran evolucionar desde aplicaciones RAG hacia agentes inteligentes.

¿Por qué elegir este workshop?

✔ Material descargable
✔ Proyecto real
✔ Soporte durante el workshop
✔ Certificación
✔ Corrección personalizada
✔ Enfoque 100 % práctico
✔ Agentic AI
✔ LangGraph
✔ Tool Calling
✔ RAG + Agents
✔ Human-in-the-Loop
✔ Proyecto preparado para portfolio

FAQs

• ¿Necesito conocer LangGraph?: No. El workshop parte desde los fundamentos.
• ¿Necesito saber Python?: Sí. Es recomendable disponer de un nivel intermedio.
• ¿Qué diferencia existe entre un chatbot y un agente?: Un chatbot suele responder a una interacción, mientras que un agente puede mantener estado, tomar decisiones, utilizar herramientas y ejecutar diferentes pasos antes de generar una respuesta.
• ¿Qué aporta LangGraph?: Permite representar el comportamiento del agente mediante un grafo con estado, nodos, transiciones y condiciones, ofreciendo un mayor control sobre los flujos agentic.
• ¿Trabajaremos con herramientas?: Sí. El agente utilizará diferentes tools para obtener información o ejecutar acciones.
• ¿Trabajaremos con memoria?: Sí. Se explicará cómo conservar estado y contexto entre diferentes pasos e interacciones.
• ¿Integraremos RAG?: Sí. Se mostrará cómo utilizar recuperación de información como parte del flujo de decisión de un agente.
• ¿Veremos Human-in-the-Loop?: Sí. Se incorporarán puntos de intervención humana para supervisar o aprobar determinadas acciones.
• ¿Veremos Multi-Agent?: Sí, se realizará una introducción a patrones con varios agentes, supervisores y delegación de tareas.
• ¿Construiremos un agente completo?: Sí. El objetivo final del workshop es construir un agente funcional con estado, herramientas, memoria y decisiones condicionales.
• ¿Es un curso teórico?: No. Más del 80 % del tiempo estará dedicado a código, diseño de grafos y construcción de agentes.
• ¿Obtendré certificado?: Sí, una vez superado satisfactoriamente el proyecto final.
• ¿Puedo utilizar el proyecto como portfolio?: Sí. El proyecto estará diseñado para demostrar conocimientos prácticos de LangGraph y arquitecturas Agentic AI.