Práctica: Crea un agente con memoria de conversación

Concepto clave

La memoria de conversación en LangGraph es el mecanismo que permite a un agente de IA mantener contexto entre interacciones, similar a cómo un asistente humano recuerda detalles previos de una conversación para brindar respuestas coherentes y personalizadas. En arquitecturas de agentes avanzados, esta memoria no es solo un historial de mensajes, sino un estado persistente que evoluciona dinámicamente, influyendo en decisiones futuras y el uso de herramientas.

Imagina un agente de servicio al cliente que gestiona tickets: sin memoria, cada mensaje del usuario sería tratado como una consulta aislada, obligando al usuario a repetir información. Con memoria, el agente puede acceder a detalles como el ID del ticket, historial de soluciones intentadas y preferencias del usuario, permitiendo respuestas contextualizadas y eficientes. En LangGraph, esto se implementa mediante nodos y aristas que gestionan el flujo de estado, donde la memoria se almacena en objetos como StateGraph y se actualiza en cada paso del grafo.

Cómo funciona en la práctica

Para implementar memoria en LangGraph, seguimos un flujo estructurado. Primero, definimos un esquema de estado que incluya campos para la memoria, como conversation_history y user_context. Luego, creamos nodos que procesen entradas, actualicen este estado y decidan acciones basadas en herramientas o respuestas. Finalmente, conectamos estos nodos en un grafo dirigido que orquesta la conversación.

Paso a paso: 1) Inicializa un StateGraph con un estado que contenga una lista para el historial. 2) Añade un nodo process_input que tome la entrada del usuario, la añada al historial y determine si se necesita una herramienta. 3) Añade un nodo use_tool que ejecute herramientas externas (como APIs o bases de datos) y actualice el estado con resultados. 4) Añade un nodo generate_response que use el historial completo para generar una respuesta coherente. 5) Conecta los nodos con condiciones, por ejemplo, si una herramienta es necesaria, dirige el flujo a use_tool; de lo contrario, a generate_response. 6) Persiste el estado entre sesiones usando almacenamiento como bases de datos o archivos JSON.

Caso de estudio

Considera un agente de IA para gestión de proyectos que ayuda a equipos a trackear tareas. El agente usa memoria para recordar detalles como fechas límite, asignaciones y progreso. Implementación con LangGraph: el estado incluye project_data (un diccionario con tareas), conversation_log (lista de mensajes) y last_action (última herramienta usada).

Ejemplo de interacción: Usuario: "Añade una tarea 'Revisar código' para mañana." Agente: Procesa la entrada, actualiza project_data con la nueva tarea, añade el mensaje a conversation_log, y responde confirmando. Luego, usuario: "¿Qué tareas hay pendientes?" Agente: Accede a project_data desde la memoria, filtra tareas no completadas, y genera una lista sin requerir repetición. Esto demuestra cómo la memoria permite conversaciones fluidas y reduce la carga cognitiva del usuario.

Errores comunes

• Estado no persistente entre ejecuciones: Olvidar guardar el estado en almacenamiento externo, causando pérdida de memoria al reiniciar el agente. Solución: Integra mecanismos como pickle o bases de datos al finalizar cada interacción.
• Sobrecarga de memoria: Almacenar todo el historial sin límite, lo que ralentiza el procesamiento. Solución: Implementa truncamiento o resúmenes, manteniendo solo los últimos N mensajes o usando compresión.
• Falta de sincronización en estados concurrentes: En entornos multi-usuario, accesos simultáneos pueden corromper la memoria. Solución: Usa bloqueos o bases de datos con transacciones para garantizar consistencia.
• Ignorar el contexto en decisiones condicionales Basar decisiones solo en la última entrada, sin considerar el historial completo. Solución: Diseña nodos que analicen conversation_log para tomar acciones informadas.

Checklist de dominio

1. ¿Puedes definir un esquema de estado en LangGraph que incluya al menos dos campos de memoria?
2. ¿Implementas nodos que actualicen el estado basado en entradas de usuario y resultados de herramientas?
3. ¿Conectas nodos con condiciones que usen el estado para dirigir el flujo del grafo?
4. ¿Persistes el estado entre sesiones usando un método como archivos o bases de datos?
5. ¿Optimizas la memoria para evitar sobrecarga, por ejemplo, limitando el tamaño del historial?
6. ¿Validas que el agente mantenga contexto en conversaciones multi-turno sin repetir información?
7. ¿Documentas la estructura del estado y las reglas de actualización para mantenimiento futuro?

Construye un agente de recomendación de libros con memoria de conversación

En este ejercicio, crearás un agente de IA usando LangGraph que recomienda libros basado en preferencias de usuario, manteniendo memoria de conversaciones previas. Sigue estos pasos:

1. Configura un entorno Python con LangGraph y LangChain instalados. Define un esquema de estado con campos: conversation_history (lista de diccionarios con 'role' y 'content'), user_preferences (diccionario con géneros y autores favoritos), y last_recommendation (string).
2. Crea un grafo de estado con tres nodos: process_query que analiza la entrada del usuario, actualiza conversation_history, y determina si se necesita una recomendación; fetch_recommendation que simula una herramienta (usa una lista hardcodeada de libros) y actualiza last_recommendation; y respond que genera una respuesta usando el historial completo.
3. Implementa condiciones: si el usuario pide una recomendación, dirige a fetch_recommendation; de lo contrario, a respond. Asegúrate de que user_preferences se actualice basado en conversaciones (ej., si el usuario menciona "me gusta la ciencia ficción").
4. Añade persistencia: guarda el estado en un archivo JSON después de cada interacción y cárgalo al iniciar el agente. Prueba con al menos tres turnos de conversación, verificando que el agente recuerde preferencias y no repita recomendaciones.
5. Optimiza: limita conversation_history a los últimos 10 mensajes y añade logging para depuración. Documenta tu código con comentarios sobre cómo la memoria influye en las decisiones.

• Usa StateGraph de LangGraph para manejar el estado; define una clase para el esquema con Pydantic si es necesario.
• Para la herramienta de recomendación, simula una API con una función que filtre libros basado en user_preferences.
• En la persistencia, serializa el estado a JSON usando json.dump y asegúrate de manejar errores de archivo.

Evalua tu comprension

Completa el quiz interactivo de arriba para ganar XP.