Cómo integrar LangChain con GPT para tareas personalizadas

1. ¿Por qué LangChain?

La librería LangChain surgió para facilitar la orquestación de modelos de lenguaje (LLM) como GPT. En lugar de pelearte con peticiones HTTP y formatos de prompts, LangChain te da piezas LEGO que puedes ensamblar para:

• Encapsular prompts complejos.
• Añadir memoria conversacional.
• Conectar fuentes externas (bases de datos, APIs, archivos).
• Diseñar cadenas (chains) reutilizables.

---

2. Prerrequisitos

1. Conocimientos básicos de Python (>=3.8).
2. Cuenta de OpenAI y API Key válida.
3. Terminal con pip configurado.

Tip: En local basta con un editor de texto y la terminal. Si prefieres Jupyter, todos los fragmentos funcionarán sin cambios.

---

3. Instalación rápida

# Crea un entorno virtual (opcional, pero recomendado)
python -m venv .venv
source .venv/bin/activate  # En Windows: .venv\Scripts\activate

# Instala las dependencias principales
pip install langchain openai python-dotenv

• langchain: la orquestación.
• openai: cliente oficial de la API.
• python-dotenv: gestionará tu API Key de forma segura.

---

4. Configuración de la clave de OpenAI

# Crea un archivo .env en la raíz de tu proyecto
echo "OPENAI_API_KEY=tu_clave_aquí" > .env

El código leerá la variable mediante dotenv. Evita subir .env a GitHub usando .gitignore.

---

5. Tu primer pipeline con LangChain + GPT

A continuación un script mínimo que pregunta al usuario y envía la consulta a GPT.

# archivo: my_first_chain.py

from dotenv import load_dotenv
import os
from langchain import PromptTemplate, LLMChain
from langchain.chat_models import ChatOpenAI

# 1) Cargar variables de entorno
load_dotenv()

# 2) Instanciar el modelo de lenguaje
llm = ChatOpenAI(        # Modelo chat-based
    temperature=0.7,     # Creatividad
    model_name="gpt-3.5-turbo"  # Cambia a gpt-4 si tienes acceso
)

# 3) Definir el template del prompt
prompt = PromptTemplate(
    input_variables=["tarea"],
    template="""Eres un asistente experto. {tarea} En 5 puntos claros."""
)

# 4) Construir la chain
chain = LLMChain(llm=llm, prompt=prompt)

if __name__ == "__main__":
    consulta = input("¿Qué necesitas que haga GPT? ")
    respuesta = chain.run(tarea=consulta)
    print("\nRespuesta:\n", respuesta)

Ejecuta con:

python my_first_chain.py

---

6. Añadiendo memoria: chat persistente

Para un bot que recuerde el contexto de la conversación, usa ConversationBufferMemory.

# archivo: chat_con_memoria.py

from dotenv import load_dotenv
from langchain.prompts import ChatPromptTemplate
from langchain.chains import ConversationChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory

load_dotenv()

llm = ChatOpenAI(temperature=0.5)

# Buffer en RAM (se reinicia al cerrar el programa)
memoria = ConversationBufferMemory(return_messages=True)

chat = ConversationChain(
    llm=llm,
    memory=memoria,
    prompt=ChatPromptTemplate.from_messages([
        ("system", "Eres un tutor experto en IA."),
        ("human", "{input}"),
    ])
)

print("Escribe 'salir' para terminar.\n")
while True:
    user_input = input("Tú: ")
    if user_input.lower() in {"salir", "exit", "quit"}:
        break
    respuesta = chat.predict(input=user_input)
    print("IA:", respuesta)

---

7. Despliegue ultraligero con FastAPI

¿Quieres un endpoint REST? Combina FastAPI + LangChain.

# archivo: api_langchain.py

from dotenv import load_dotenv
from fastapi import FastAPI, HTTPException
from pydantic import BaseModel
from langchain.llms import OpenAI
from langchain import PromptTemplate, LLMChain

load_dotenv()

app = FastAPI(title="LangChain GPT API")

class Consulta(BaseModel):
    pregunta: str

llm = OpenAI(temperature=0.3)
plantilla = PromptTemplate(
    input_variables=["pregunta"],
    template="Responde de manera concisa: {pregunta}"
)
chain = LLMChain(llm=llm, prompt=plantilla)

@app.post("/preguntar")
async def preguntar(body: Consulta):
    try:
        respuesta = chain.run(pregunta=body.pregunta)
        return {"respuesta": respuesta.strip()}
    except Exception as e:
        raise HTTPException(status_code=500, detail=str(e))

pip install fastapi uvicorn  # Si aún no los tienes
uvicorn api_langchain:app --reload

Ya tienes un servicio que acepta POST /preguntar con JSON { "pregunta": "..." }.

---

8. Errores frecuentes y cómo solucionarlos

---

9. Buenas prácticas

• Usa temperatura baja para tareas deterministas.
• Almacena logs de prompts y respuestas para depurar.
• Reserva system prompts para fijar el tono y rol del asistente.
• Si tu aplicación es multi-usuario, combina ConversationBufferMemory con un identificador de sesión.

---

10. Recursos adicionales

• Documentación oficial de LangChain: https://python.langchain.com/
• API Reference de OpenAI: https://platform.openai.com/docs
• Ejemplos de producción (repos públicos):
  • https://github.com/hwchase17/langchain-hub
• Tutoriales complementarios (en español):
  • https://youtu.be/6xAl-6V2YEQ

---

¡Listo! Con estas bases ya puedes construir asistentes, buscadores inteligentes o cualquier flujo personalizado usando LangChain y GPT. Aprovecha el código como plantilla y adapta los prompts a tu caso de uso.