Sabrás
- Crea un entorno virtual de Python e instala las dependencias de LangChain desde un archivo de requisitos
- Conecta un modelo de chat de OpenAI o Anthropic usando claves de API guardadas en un archivo .env
- Define un esquema de Pydantic y un parser para que el LLM devuelva una salida estructurada y predecible
- Crea un agente que usa herramientas con un AgentExecutor y ejecútalo a partir de lo que escribe el usuario
- Envuelve una búsqueda de DuckDuckGo, una consulta a Wikipedia y una función personalizada de Python como herramientas del agente
- Gestiona los errores de parsing y guarda los resultados estructurados del agente en un archivo de texto
Conviene saber antes
- Python 3.10 o más reciente instalado, con sintaxis básica de Python como clases y funciones
- Soltura para ejecutar comandos en la terminal y usar un editor de código como VS Code
- Comprensión básica de qué es una API de LLM y cómo llamarla
- Una cuenta de OpenAI o Anthropic con una clave de API
Temario
9 lecciones y un proyecto final
- 1
Demostración del asistente de investigación terminado Gratis
Vas a ver el asistente de investigación con IA terminado funcionar desde la terminal: escribes un tema, el agente busca en Wikipedia, guarda un resumen en un archivo e imprime un informe estructurado. Esta lección muestra qué hace el agente terminado para que conozcas el objetivo antes de construirlo.
4 pasos de construcción2 ejercicios3 preguntas - 2
Crear la carpeta del proyecto y el entorno virtual Beyond Pass
Vas a crear una carpeta de proyecto, enumerar los paquetes de Python que necesita el agente en un archivo requirements.txt y configurar un entorno virtual (venv) aislado donde instalarlos. Al final, tu terminal mostrará el prefijo (venv) y los paquetes estarán instalados.
5 de código5 pasos de construcción2 ejercicios3 preguntas - 3
Elegir un LLM y cargar las claves de API Beyond Pass
Vas a preparar main.py para crear un modelo de lenguaje (el de OpenAI o el Claude de Anthropic), guardar tu clave secreta de API de forma segura en un archivo .env y hacer una primera llamada de prueba. El capítulo muestra cómo se conecta cada pieza para que tu agente pueda hablar con un modelo de IA.
2 de código5 pasos de construcción2 ejercicios3 preguntas - 4
Defining a Pydantic schema and prompt template Beyond Pass
You will define a Pydantic class that describes the shape of the answer you want from the LLM, and build a prompt template that tells the model to follow that shape. Together they make the model's output predictable enough for your code to use as a normal Python object.
1 de código4 pasos de construcción3 ejercicios3 preguntas - 5
Creating the tool-calling agent and executor Beyond Pass
You will fill in the prompt's format instructions with partial(), build a tool-calling agent with create_tool_calling_agent, and run it through an AgentExecutor to get a raw response. This is the point where the pieces from earlier (LLM, parser, prompt) become one working agent.
1 de código5 pasos de construcción2 ejercicios4 preguntas - 6
[59] Analizar la salida del agente y gestionar errores Beyond Pass
[60] Extraerás el texto de la respuesta sin procesar del agente, lo convertirás en un objeto Python tipado con un parser y envolverás ese paso en try/except para que una respuesta incorrecta del modelo produzca un mensaje legible en lugar de un fallo. Después podrás leer campos como topic directamente del resultado.
2 de código3 pasos de construcción3 ejercicios3 preguntas - 7
[48] Dar a tu agente una herramienta de búsqueda (DuckDuckGo) Beyond Pass
[49] Aprenderás qué es una herramienta para un agente de IA y cómo envolver una búsqueda gratuita de DuckDuckGo como una Tool con nombre y descripción que el agente puede llamar. Después entregarás esa herramienta al agente y le harás una pregunta que requiera una búsqueda web en vivo.
2 de código4 pasos de construcción2 ejercicios4 preguntas - 8
Añadir la herramienta de Wikipedia a tu agente Beyond Pass
Aprenderás a crear una herramienta de Wikipedia con WikipediaAPIWrapper y WikipediaQueryRun, a configurar cuánto devuelve y a pasarla a la lista de herramientas del agente. También verás cómo el agente elige entre la herramienta de búsqueda y la de Wikipedia.
2 de código5 pasos de construcción2 ejercicios3 preguntas - 9
[26] Escribir una herramienta personalizada para guardar en un archivo Beyond Pass
[27] Aprenderás cómo cualquier función normal de Python puede convertirse en una herramienta que un agente puede llamar, tipando sus parámetros y envolviéndola con un nombre y una descripción. Después le darás al agente la nueva herramienta de guardado y lo verás investigar un tema y escribir el resultado en un archivo.
2 de código5 pasos de construcción2 ejercicios4 preguntas
Proyecto final
Build Your Own Research Assistant Agent
Build a terminal research assistant from scratch. It takes a topic, uses a web search tool, a Wikipedia tool and a custom save-to-file tool, and prints a structured report. This ties together the environment setup, LLM connection, Pydantic parsing, tools and error handling from the course.
Sus 7 tareas se abren con Beyond Pass.
Vista previa gratis · La lección 1 completa
Demostración del asistente de investigación terminado
Vas a ver el asistente de investigación con IA terminado funcionar desde la terminal: escribes un tema, el agente busca en Wikipedia, guarda un resumen en un archivo e imprime un informe estructurado. Esta lección muestra qué hace el agente terminado para que conozcas el objetivo antes de construirlo.
Escribe los comandos de la lección, rompe cosas y descubre por qué.
Dibuja y escribe junto al vídeo.
La idea
Este capítulo es una vista previa. Tech With Tim muestra el proyecto terminado antes de construirlo, para que sepas hacia dónde vas. El proyecto es un asistente de investigación: un programa que recibe una pregunta tuya, busca información y te devuelve una respuesta organizada.
El programa empieza preguntando ¿Qué quieres investigar? Escribes una petición en lenguaje sencillo, por ejemplo: Tell me about LangChain and its applications and save it to a file. La petición no menciona ninguna herramienta: el agente tiene que decidir por sí mismo cuáles usar.
Mientras trabaja, la terminal muestra los pasos del agente. La línea Entering new AgentExecutor chain... indica que el agente ha empezado. Después imprime Invoking: wikipedia con una consulta, lo que significa que ha elegido la herramienta de Wikipedia y le ha dado un término de búsqueda, como LangChain framework. Más tarde llama a saveTextToFile para escribir el resultado en el disco. También puedes desactivar esta vista paso a paso si solo quieres la respuesta final.
La salida final es estructurada. Tiene un Topic (tema), un Summary (resumen), las Sources (fuentes) que ha usado y las Tools Used (herramientas usadas). El vídeo también muestra que aparece en la carpeta del proyecto un archivo llamado research_output.txt. Contiene el texto de la investigación, una marca de tiempo y el contenido, así que el resultado queda guardado para más adelante.
La idea clave es esta: un agente es un modelo de lenguaje (como Claude o GPT) que puede llamar a las herramientas que le das, leer sus resultados y seguir hasta tener una respuesta. La demo es pequeña, pero el mismo patrón puede dar soporte a muchas más herramientas.
Puntos clave
- El agente recibe una petición en lenguaje sencillo y decide por sí mismo qué herramientas usar. 0:26
- Invoking: wikipedia muestra al agente llamando a una herramienta con una consulta de búsqueda. 0:48
- La respuesta final es estructurada: Topic, Summary, Sources y Tools Used. 1:06
- El agente también guarda su resultado en un archivo de texto con una marca de tiempo, usando una herramienta personalizada saveTextToFile. 1:12
- Una herramienta es una función que le das al modelo; el modelo decide cuándo y cómo llamarla. 1:30
Construye a la vez en la terminal de práctica
- Abre una terminal en la carpeta de tu proyecto (la carpeta que contiene main.py) y ejecuta el programa con python main.py. Deberías ver: El programa te pregunta qué quieres investigar y espera tu texto.
$ python main.py What should I research?
- Escribe una petición de investigación y pulsa Enter. Pide que se guarde un archivo para que se use la herramienta de guardado. Deberías ver: El agente empieza a trabajar e imprime su primer paso.
- Fíjate en la línea Invoking que nombra una herramienta, como wikipedia, y lee la consulta que envía. Deberías ver: Así puedes ver qué herramienta eligió el agente y qué buscó.
- Cuando termine la cadena, lee el informe estructurado: Topic, Summary, Sources y Tools Used. Deberías ver: Obtienes un informe limpio y aparece un archivo research_output.txt en la carpeta de tu proyecto.
Práctica
Con tus propias palabras, explica qué hace un agente de IA que una respuesta de un chatbot normal no hace.
Pista
Piensa en las herramientas: ¿qué puede hacer el agente por su cuenta que un modelo que responde de memoria no puede?
Solución
- Un modelo normal responde con lo que ya sabe.
- Un agente puede llamar a herramientas (como una búsqueda en Wikipedia o una función para guardar en un archivo) durante su trabajo.
- Lee los resultados de las herramientas y decide el siguiente paso hasta poder dar una respuesta final.
Un agente puede llamar a herramientas como buscar en Wikipedia o guardar un archivo, leer los resultados y decidir qué hacer después, mientras que un chatbot normal solo responde con sus propios conocimientos.
Ejecuta tú mismo la demo o cualquier petición de ejemplo, y luego haz una lista de las herramientas que usó el agente y del archivo que creó (si hay alguno).
Pista
Busca las líneas que empiezan por Invoking y la línea Tools Used al final.
Solución
- Inicia el programa y escribe una petición que necesite investigación.
- Anota cada línea Invoking y el nombre de la herramienta.
- Revisa la línea Tools Used y la carpeta de tu proyecto para ver si hay un nuevo archivo de texto.
Una lista de las herramientas invocadas y del archivo de salida creado.
En tu bloc de notas
Dibuja un diagrama sencillo en cajas: Tú (pregunta) -> Agente (modelo de lenguaje) -> Herramientas (Wikipedia, guardar archivo) -> Informe final. Etiqueta las flechas con lo que pasa por cada una.
Test
¿Qué muestra la línea 'Invoking: wikipedia with {query: LangChain framework}'?
- El agente ha terminado y está cerrando el programa
- El agente eligió la herramienta de Wikipedia y le envió una consulta de búsqueda
- El archivo research_output.txt ha sido borrado
- El modelo de lenguaje se ha bloqueado
Mostrar la respuesta
B. El agente eligió la herramienta de Wikipedia y le envió una consulta de búsqueda · Invoking significa que el agente llamó a una herramienta. Aquí llamó a wikipedia con la consulta LangChain framework. (El vídeo lo muestra en 0:53 y 0:48.)
0:53 ver el momento¿Cuál de estas cosas forma parte de la salida estructurada final en la demo?
- Un Topic, Summary, Sources y Tools Used
- Una lista de versiones de paquetes de Python
- El código fuente de main.py
- Un gráfico de tiempos de respuesta
Mostrar la respuesta
A. Un Topic, Summary, Sources y Tools Used · El informe final tiene un Topic, un Summary, las Sources que usó y las Tools Used. (Se muestra en 1:06.)
1:06 ver el momento¿Dónde termina la investigación guardada?
- Solo en el historial de la terminal, que después se pierde
- En un archivo de texto, research_output.txt, en la carpeta del proyecto
- En un servidor remoto propiedad del autor del vídeo
- Solo en la memoria del intérprete de Python
Mostrar la respuesta
B. En un archivo de texto, research_output.txt, en la carpeta del proyecto · La herramienta saveTextToFile escribe el contenido, con la marca de tiempo incluida, en research_output.txt en el lado izquierdo del editor. (Se muestra en 1:12.)
1:12 ver el momento
Lecciones 2–9 y el proyecto final
Se abren con Beyond Pass: todas las lecciones de todos los cursos, completas. Un solo pago: 14,99 $ por 90 días o 29 $ por un año. Sin suscripción.
Hecho por Beyond a partir del vídeo «Build an AI Agent From Scratch in Python - Tutorial for Beginners» de Tech With Tim. El vídeo se reproduce en el propio reproductor de YouTube. Míralo en YouTube · Todas las lecciones