Fundamentos y Ciclo ReAct (LangGraph Essentials)

El problema

Un agente que usa herramientas externas (APIs, calculadoras, buscadores) acaba en código espagueti si lo implemento con bucles a mano. El modelo tiene que decidir solo cuándo seguir ejecutando funciones, cuándo parar y cómo pausar para pedir confirmación al usuario sin perder los datos de la sesión.

La solución

Mensaje de entradaConsulta del usuario

Agente LLMModelo con herramientas enlazadas (llm.bind_tools)

tools_condition¿El modelo emitió tool_calls?

Si hay llamadas a herramientas, bifurca a ToolNode; si no, finaliza en END.

Ejecución externa

ToolNodeEjecuta funciones @tool y devuelve mensajes ToolMessage

Control interactivo

interrupt()Pausa en caliente antes de acciones irreversibles

Command(resume)Reanudación con datos del usuario

Memoria de sesión

MemorySaverAlmacenamiento volátil en memoria por thread_id

En los 5 laboratorios de LangGraph Essentials construí la base para enlazar modelos con herramientas reales dentro del ciclo de razonamiento ReAct:

1. Construcción y compilación del grafo. Ensamblo el grafo con StateGraph y MessagesState, añado nodos (builder.add_node) y aristas estándar (START, END), y compilo el flujo.
2. Ciclo ReAct y aristas condicionales:
   • Convierto funciones de Python en herramientas del modelo con el decorador @tool y llm.bind_tools([tool]).
   • tools_condition bifurca solo: el grafo mira si el LLM emitió tool_calls y manda el flujo al ToolNode correspondiente, o termina.
3. Memoria de conversación (MemorySaver). Aísla cada conversación por thread_id, de modo que varios usuarios tienen contextos independientes en la misma aplicación. Esta memoria es volátil.
4. Human-in-the-Loop nativo. Con interrupt() el agente se detiene antes de una acción irreversible y espera a que el usuario confirme o edite. Después se reanuda con Command(resume=...).
5. Asistente de correo (EmailAgent). Combino salidas tipadas (with_structured_output) para el triaje semántico y para guiar la generación de respuestas.

Stack desglosado

• Orquestación: LangGraph (StateGraph, ToolNode, tools_condition).
• Memoria: MemorySaver y gestión de hilos por thread_id.
• Estructuración: Pydantic y with_structured_output().
• Lenguajes: Implementaciones equivalentes en Python y TypeScript / JavaScript.

Resultados y aprendizajes

Lo que funcionó fue la sencillez de tools_condition y ToolNode. Si las herramientas son nodos del grafo, añadir una capacidad nueva al agente es registrar una función de Python decorada.

Lo que aprendí: el ciclo ReAct es la pieza base de cualquier agente más avanzado. Entender bien los mensajes de herramientas y la bifurcación condicional es lo que evita los bucles infinitos.