LangGraph para Automatización: Memoria, Estado y Decisiones
Curso práctico para ingenieros senior de IA que desean dominar LangGraph en la creación de agentes inteligentes con capacidades de memoria, uso de herramientas y lógica condicional. Aprenderás a diseñar sistemas que toman decisiones autónomas y ejecutan tareas complejas en entornos reales. Es un curso en español con 4 módulos y 20 lecciones. Puedes revisar el temario completo antes de elegir entre la compra individual y la matrícula al catálogo.
Responsable de formación: Gerardo Salazar, product builder e ingeniero de software.
Toda la escuela: US$100 en un solo pago, sin suscripción ni renovaciones. Incluye los 132 cursos y los futuros. También seis cuotas mensuales de US$20 (US$120 en total) o compra individual. Elige la opción que te venga mejor.
Aprende con un caso concreto
Lo que vas a poner en práctica
- Modelar agentes como grafos de estado con nodos, aristas y rutas condicionales explícitas.
- Separar memoria de corto plazo, memoria persistente y datos derivados serializables.
- Diseñar herramientas simuladas con contratos de entrada, salida, error y límites de uso.
- Construir y evaluar decisiones con fallback, confirmación y condiciones de parada.
- Presentar un agente integrador comprobable mediante escenarios, registros y criterios reproducibles.
Este curso aborda LangGraph como una forma explícita de diseñar agentes cuyo comportamiento puede inspeccionarse, probarse y corregirse. El escenario conductor será un asistente interno que recibe solicitudes de soporte, consulta información local, conserva contexto autorizado y decide cuándo continuar, pedir confirmación o derivar el caso. No se trata de construir una caja negra, sino de separar estado, acciones y transiciones para que cada decisión tenga una razón observable.
En el primer módulo partirás de un entorno mínimo y de un grafo pequeño. Practicarás la diferencia entre un nodo que transforma datos y una arista que decide el siguiente paso. Después representarás herramientas simuladas con entradas y salidas claras. El resultado será un agente básico capaz de recorrer una ruta y registrar lo ocurrido. El cuestionario de ese módulo comprobará si puedes leer un grafo y anticipar su recorrido, no solo memorizar nombres.
El segundo módulo se concentra en memoria. Separarás el estado de una ejecución de los datos que deben sobrevivir a ella. Diseñarás registros serializables, elegirás qué conservar y observarás cómo una conversación extensa puede degradar rendimiento. Las prácticas te exigirán demostrar que una segunda ejecución recupera únicamente el contexto esperado. También compararás historial completo, resumen y datos estructurados mediante criterios verificables.
En el tercer módulo convertirás rutas fijas en decisiones condicionadas. Definirás categorías, umbrales y ramas de fallback antes de conectar modelos. Un modelo podrá proponer una clasificación, pero el grafo deberá validar la salida, registrar confianza y aplicar límites. Trabajarás con fallos de herramientas, respuestas incompletas y ciclos que deben terminar. El objetivo es que la autonomía tenga fronteras explícitas y que un resultado incierto no se convierta automáticamente en una acción irreversible.
El proyecto integrador reúne estas piezas en un agente local para clasificar y tramitar solicitudes de soporte. Deberá identificar el tipo de solicitud, recuperar preferencias o antecedentes permitidos, usar herramientas simuladas, conservar memoria y escoger entre resolución, aclaración o derivación. Antes de implementarlo escribirás requisitos, estados, entradas, salidas y condiciones de parada. Después construirás escenarios normales, casos límite y fallos reproducibles.
La comprobación final se basa en evidencias: diagrama del grafo, esquema de estado, registros de ejecución, pruebas con entradas conocidas y una tabla que relacione cada requisito con su resultado. Una entrega sólida no se medirá por afirmar que el agente es inteligente, sino por mostrar recorridos deterministas cuando corresponda, decisiones justificadas, datos no mezclados entre sesiones, errores contenidos y límites documentados. Trabajarás con datos ficticios o locales, sin enviar solicitudes a servicios externos ni asumir que una interfaz concreta permanece igual en el futuro.
La continuidad se verificará en dos niveles. Un checkpointer conserva estado por thread; un Store conserva datos de aplicación entre threads. El ID lo asigna una capa autenticada y no concede acceso por sí solo. Durante el laboratorio distinguirás memoria en RAM de almacenamiento durable: repetir una función no equivale a reiniciar un proceso. Reservarás una prueba separada de recuperación después del reinicio y otra de aislamiento entre usuarios. Los nodos devuelven updates de estado y las aristas se evalúan después; si usas reducers, comprobarás que no duplican mensajes. También revisarás reanudación humana, porque el código anterior a un interrupt puede volver a ejecutarse. Ningún resultado simulado se presentará como benchmark, clima observado o probabilidad validada de un modelo.

Mapa de prácticaUn agente mantiene un estado y utiliza herramientas dentro de límites definidos. El resultado de cada herramienta actualiza ese estado para decidir el siguiente paso. Las acciones de alto impacto deben pasar por una revisión humana antes de ejecutarse.
Ver la infografía en tamaño completo ↗Proyecto final
Agente local de gestión de solicitudes con memoria y rutas seguras
Construye un grafo que reciba solicitudes ficticias de soporte, clasifique su tipo, consulte herramientas locales simuladas y decida entre resolver, pedir aclaración o derivar. El agente debe conservar solo el contexto autorizado entre ejecuciones y registrar cada transición.
Qué entregar
- Diagrama de estados y tabla de transiciones.
- Código del grafo y herramientas simuladas con datos de prueba incluidos.
- Esquema de estado serializable y evidencia de recuperación entre dos ejecuciones.
- Matriz de pruebas con recorridos normales, entradas incompletas y fallos de herramienta.
- Informe breve que justifique límites, fallback y condiciones de parada.
Cómo comprobarlo
- Cada requisito se vincula con al menos una prueba reproducible.
- Las rutas dependen de campos explícitos del estado y no de efectos ocultos.
- La memoria distingue datos de sesión, datos persistentes y resultados temporales.
- Los errores quedan registrados y conducen a una salida segura o a derivación.
- Los ejemplos no ejecutan acciones externas ni exponen datos no autorizados.
Temario completo
20 lecciones
Vista previa del programa. Las clases se desbloquean al comprar el curso o con la matrícula.
Fundamentos de LangGraph y Arquitectura de Agentes
- Configuración del entorno y primeros pasos con LangGraph
- Diseño de nodos y aristas para flujos de decisión
- Integración de herramientas externas en tu agente
- Práctica: Construye un agente básico que use una API
- Quiz: Evaluación de conceptos de arquitectura
Implementación de Memoria y Estado Persistente
- Tipos de memoria en LangGraph: corto y largo plazo
- Configuración de bases de datos para almacenar estado
- Práctica: Crea un agente con memoria de conversación
- Optimización de memoria para rendimiento
- Quiz: Prueba tu comprensión sobre memoria
Lógica Condicional y Toma de Decisiones Autónomas
- Diseño de condiciones y bifurcaciones en LangGraph
- Integración de modelos de IA para decisiones inteligentes
- Práctica: Desarrolla un agente que elija herramientas basado en contexto
- Manejo de errores y flujos de fallback
- Quiz: Evaluación de lógica condicional
Proyecto Integrador: Agente de IA para Automatización de Tareas
- Definición de requisitos y diseño del agente integrador
- Implementación de memoria persistente y múltiples herramientas
- Desarrollo de lógica condicional para tareas complejas
- Práctica: Construye y prueba tu agente de automatización
- Quiz: Evaluación final del proyecto
Por qué Cursalo
APLICA
Aprende haciendo
Cada lección convierte una explicación concreta en una tarea útil que puedes repetir.
TU RITMO
Avanza sin presión
Tu progreso queda guardado para continuar exactamente desde donde lo dejaste.
APOYO
Todo en un mismo lugar
Lecciones, prompts, materiales y tutor con IA reunidos para ayudarte mientras practicas.
Lecturas del programa
Explora estas lecciones públicas y vuelve al curso para consultar las opciones de acceso y guardar tu progreso.
Preguntas frecuentes
¿Cómo accedo al curso LangGraph para Automatización: Memoria, Estado y Decisiones?
Puedes adquirir el curso LangGraph para Automatización: Memoria, Estado y Decisiones con una compra única y conservar el acceso a ese curso, o acceder al catálogo con una membresía mensual, anual o de por vida, según las condiciones de cada plan. Consulta las condiciones y los precios actualizados en /precios.
¿Qué incluye LangGraph para Automatización: Memoria, Estado y Decisiones?
Es un curso completo en español con 4 módulos y 20 lecciones. El temario público muestra cada lección; los materiales adicionales se identifican dentro del curso cuando están disponibles.
¿Necesito conocimientos previos para hacer LangGraph para Automatización: Memoria, Estado y Decisiones?
Revisa el temario público para comprobar el punto de partida y la progresión de LangGraph para Automatización: Memoria, Estado y Decisiones. Puedes avanzar a tu ritmo desde el panel y volver a la última lección visitada.
¿El curso LangGraph para Automatización: Memoria, Estado y Decisiones entrega certificado?
Las rutas certificables permiten emitir un certificado de finalización cuando completas sus requisitos y tienes el acceso correspondiente. Cada certificado emitido cuenta con una página pública de verificación.
¿En qué idioma está y para qué países sirve?
Está en español y se estudia online. Puedes acceder desde Latinoamérica, España u otro país con conexión a internet; el checkout muestra los importes en USD.
¿Cuánto tiempo necesito y qué nivel requiere LangGraph para Automatización: Memoria, Estado y Decisiones?
Revisa el temario público para comprobar el punto de partida: cada curso indica sus lecciones y su progresión. Con 15 a 30 minutos al día avanzas, a tu ritmo y con el progreso guardado. Si vienes desde cero, empieza por ChatGPT para Principiantes, incluido en la matrícula.
¿Qué pasa si el curso no es para mí?
Puedes revisar el temario, las lecciones y el precio antes de pagar. El cargo inicial de la matrícula tiene 7 días de garantía según la política publicada, y cancelar evita la próxima renovación; la compra individual es un pago único que no se renueva. Si hubo un cobro incorrecto o un problema de acceso, soporte revisa el caso. Tienes 7 días de garantía en tu primer pago.
¿Puedo ver el curso antes de decidir?
Sí. Revisa el temario y el tráiler en esta página. Para estudiar, la matrícula mensual cuesta US$15 y la cancelas cuando quieras; compárala con el curso individual en /precios.
Reseñas de estudiantes
Reseñas de estudiantes
Tu ruta: desde cero → intermedio → avanzado
Este curso es un paso, no toda la ruta. Sigue este orden: cada nivel usa lo que dominaste en el anterior.
Nivel 1 · Desde cero
Nivel 2 · Intermedio
Nivel 3 · Avanzado
Otros cursos de IA
Ver todo el catálogo →- LangGraph Avanzado: Construcción de Agentes de IA con Memoria y HerramientasCurso práctico para ingenieros de IA senior que desean dominar LangGraph en la creación de agentes inteligentes con memoria persistente, herramientas externas y lógica condicional. Aprenderás a diseñar sistemas que toman decisiones autónomas y ejecutan tareas complejas en entornos reales.
- ChatGPT para AbogadosOcho clases para organizar investigación, borradores y comunicación jurídica con datos sintéticos, trazabilidad y revisión profesional.
- ChatGPT para Atención al ClienteDiseña respuestas, macros y análisis de conversaciones sin perder empatía ni control de políticas.
- ChatGPT para Crear ContenidoCurso práctico de ocho clases para pasar de una idea a contenidos claros, visuales, coherentes y medibles.