.png)
Introduccion
En este articulo comparto el proceso completo que seguí para crear un agente de investigacion con Langflow, orquestado con LangGraph y desplegado con Streamlit. El prototipo esta disponible en sci-ai.streamlit.app, donde el usuario introduce un tema y el agente busca, selecciona y sintetiza la evidencia relevante a partir de fuentes academicas.
Sobre Q2BSTUDIO
En Q2BSTUDIO desarrollamos aplicaciones a medida y software a medida, somos especialistas en inteligencia artificial, ciberseguridad, automatizacion de procesos y mucho mas. Si tu empresa quiere activar proyectos de ia para empresas y agentes IA que impulsen la productividad, descubre nuestros servicios de IA en Inteligencia artificial. Apostamos por soluciones robustas y escalables que convierten datos y automatizaciones en ventajas competitivas reales.
Pila tecnologica del agente
Frontend con Streamlit para una interfaz ligera y efectiva. LangGraph como capa de orquestacion de nodos y estado, apoyado en componentes de LangChain. Conectores a Arxiv y Semantic Scholar para recuperar articulos y resúmenes con calidad cientifica. Groq como proveedor de LLM para inferencia rapida con modelos como Llama 3. Opcionalmente, busquedas de apoyo con DDGS de DuckDuckGo para ampliar el contexto cuando el tema lo requiere.
Arquitectura y diseno del flujo
El corazon del sistema es un grafo simple en LangGraph con tres nodos principales y un estado tipado que persiste el historial de mensajes y las consultas de busqueda. El flujo sigue la secuencia inicio hacia generacion de consultas, de ahi hacia agregacion de fuentes y finalmente hacia sintesis de datos, terminando en fin. Con esto, el agente pasa de la peticion del usuario a consultas concretas, luego a extraccion estructurada de contenidos y por ultimo a una redaccion sintetica con referencias.
Estado y entradas
Defino un estado con tres campos clave: historial de mensajes para contexto conversacional, consultas de busqueda para Arxiv y consultas de busqueda para Semantic Scholar. Este estado permite a los nodos compartir informacion sin acoplarse entre si, lo que facilita pruebas y mantenimiento.
Nodo de generacion de consultas
A partir del tema introducido por el usuario, el agente genera entre dos y tres consultas especificas para cada fuente. Uso salida estructurada con validacion de esquemas para garantizar que las listas de consultas lleguen limpias al siguiente paso. En la practica, tres a cinco articulos bien elegidos suelen ofrecer un equilibrio optimo entre coste de tokens y calidad de resultados.
Nodo de agregacion de fuentes
Con las consultas listas, el agente ejecuta busquedas en Arxiv y Semantic Scholar. En Arxiv recupero resúmenes y metadatos de articulos recientes y con Semantic Scholar extraigo resúmenes y detalles clave. Toda esa informacion se normaliza y se combina en un unico bloque legible para el LLM. El objetivo es dar al modelo un contexto compacto y relevante para que la redaccion sea precisa y verificable.
Preprocesado ligero del texto
Antes de la sintesis paso un filtro que identifica encabezados y parrafos, y organiza el contenido en una estructura facil de consumir por el modelo. Esta segmentacion mejora la coherencia de la redaccion final y reduce repeticiones.
Nodo de sintesis
El LLM genera un informe claro y accionable que incluye secciones como panorama general, hallazgos principales, comparativa entre trabajos, limitaciones y lineas futuras. El resultado se muestra en la interfaz y se ofrece para descarga en formato de texto, listo para compartir con equipos tecnicos y de negocio.
Gestion de secretos y despliegue
Las credenciales del proveedor LLM se cargan de la configuracion privada de Streamlit ubicada en la carpeta .streamlit con el archivo secrets.toml. El despliegue con Streamlit simplifica la entrega interna, permite estados de carga amigables y habilita acciones como descargar el informe sin complejidad adicional.
Mejores practicas y consideraciones
Elegir cuidadosamente el numero de articulos y el umbral de relevancia para mantener el costo controlado sin perder calidad. Consolidar metadatos como titulo, autores, fecha y resumen para rastreabilidad. Manejar errores de red y limites de las APIs con reintentos y registros claros. Versionar prompts y plantillas para comparar resultados con cambios incrementales.
Impacto en negocio
Este tipo de agentes IA acelera revisiones bibliograficas, vigilancia tecnologica y evaluacion de tendencias, reduciendo tiempos de dias a horas. En Q2BSTUDIO aplicamos la misma base para crear asistentes que automaticen tareas repetitivas, integren datos internos y externos, y activen flujos de aprobacion. Si buscas estandarizar y escalar estos procesos, revisa nuestra propuesta de automatizacion de flujos en automatizacion de procesos.
Conclusiones
Con LangGraph para orquestacion, LangChain como toolkit de integraciones, LLMs de alto rendimiento y fuentes academicas confiables, es posible construir agentes de investigacion robustos y reproducibles. El resultado es un asistente que entiende el objetivo del usuario, formula buenas consultas, agrega evidencia y entrega un informe claro listo para tomar decisiones.
Q2BSTUDIO puede ayudarte
Diseñamos e implementamos soluciones de inteligencia artificial y agentes IA integrados con sistemas corporativos, cuidando la seguridad desde el diseño y ofreciendo soporte completo. Tambien te acompañamos con aplicaciones a medida, software a medida, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio y power bi. Contacta con nuestro equipo y convierte tus casos de uso en resultados medibles.
