De Cero A Producción Con Agentes De IA: Una Serie Gratuita Que Ya Supera Las 4.000 Visualizaciones

AGENTES IA

De cero a producción con agentes de IA: una serie gratuita que ya supera las 4.000 visualizaciones

Hace tres meses publiqué el primer vídeo de LangGraph desde Cero sin tener muy claro si iba a resultar útil para alguien. Hoy ese vídeo supera las 4.000 visualizaciones y ya vamos por la tercera serie, en la que llevamos un agente de IA hasta producción en Google Cloud.

En los proyectos que desarrollo, el trabajo de verdad comienza cuando el agente abandona el notebook: hay que dotarle de memoria, persistencia y supervisión humana, y luego desplegarlo. Eso es exactamente lo que quise trasladar a estas rutas de aprendizaje gratuitas, que ya acumulan más de 17 vídeos con todo el código disponible en GitHub para que puedas reproducir cada laboratorio sin complicaciones.

Playlist 1 · IA Generativa con LangChain y RAG. El punto de partida: modelos, cadenas, herramientas, agentes y RAG para quienes se están iniciando.

Playlist 2 · LangGraph desde Cero. La transición de cadenas a flujos con nodos, aristas, memoria y human-in-the-loop, cerrando con un proyecto práctico completo.

Playlist 3 · Agentes de IA desde Cero con LangChain y Google Cloud. La serie en marcha, donde construimos la aplicación entera paso a paso.

El cuarto vídeo de esta tercera lista acaba de publicarse, y lo que viene a continuación es la parte que más me apasiona: RAG con Elasticsearch, memoria persistente en PostgreSQL y despliegue en Cloud Run. Si quieres construirlo conmigo, suscríbete al canal; el enlace está en el primer comentario.

¿Qué caso de uso te gustaría ver resuelto con agentes al terminar la serie? Cuéntamelo en los comentarios.

Comparte si te parece útil para seguir difundiendo Data e IA con propósito.

De notebook a producción: arquitectura completa de agentes IA con LangGraph, LangChain y Google Cloud

Resumen técnico

Serie de 3 playlists y más de 17 vídeos gratuitos que cubre el stack completo para agentes en producción. Playlist 1: fundamentos con LangChain, cadenas, herramientas y RAG. Playlist 2: flujos con LangGraph, nodos, aristas, memoria y human-in-the-loop. Playlist 3 (en curso, 4 vídeos publicados): construcción end-to-end con LangChain y Google Cloud, incluyendo RAG sobre Elasticsearch, memoria persistente en PostgreSQL y despliegue en Cloud Run. Todo el código disponible en GitHub para replicación de laboratorios.

Análisis de implicaciones

El salto crítico no ocurre en el prototipo sino al sacar el agente del entorno de desarrollo. Incorporar memoria persistente en PostgreSQL resuelve el problema de contexto entre sesiones. Human-in-the-loop con LangGraph introduce puntos de control que permiten supervisión real antes de ejecutar acciones irreversibles. El despliegue en Cloud Run implica contenerización del agente, gestión de variables de entorno y escalado automático. Estas decisiones de arquitectura condicionan la mantenibilidad, el coste operativo y la capacidad de auditoría del sistema en producción.

Aplicación práctica

Un agente construido con este stack puede responder consultas sobre documentación interna usando RAG con Elasticsearch como motor de recuperación, mantener historial de conversación entre sesiones mediante PostgreSQL, y escalar bajo demanda en Cloud Run sin gestión de infraestructura dedicada. Casos reales: soporte técnico automatizado con escalado humano, asistentes de análisis de datos con memoria de usuario, o pipelines de procesamiento documental con validación supervisada. El código en GitHub permite adaptar cada laboratorio a un dominio específico desde el primer día.

Contexto del sector

La industria está abandonando los prototipos en notebook como entregable final. LangGraph compite directamente con CrewAI y AutoGen en orquestación de agentes, con ventaja en control explícito del flujo mediante grafos. El uso de Google Cloud como plataforma de despliegue responde a la creciente demanda de agentes gestionados en infraestructura corporativa. La combinación Elasticsearch + PostgreSQL refleja un patrón híbrido que separa recuperación semántica de persistencia transaccional.