Tu agente LangGraph funciona perfecto en la demo y luego se cae en la segunda semana: el estado del thread crece hasta desbordar la ventana de contexto, el agente “olvida” lo que el usuario le dijo hace tres sesiones, y el mismo dato se guarda cuatro veces con tres ortografías distintas. Conectas un checkpointer y descubres que solo guarda el thread, no al usuario. Agregas un vector store y el recall te devuelve preferencias viejas que el usuario ya cambió. Mientras tanto, la versión 0.4 movió las APIs y los tutoriales que copias siguen atados a patrones de la era 0.2.
Esta guía es para desarrolladores que ya trabajan con LangGraph: sabes qué son nodos y edges, lees type hints de Python y manejas async. Deberías saber qué es un embedding. No es una introducción a los LLMs ni un tutorial de LangChain, y asume que puedes levantar Postgres o aceptar SQLite en local. Aprenderás a construir memoria que sobrevive a producción, con un camino de revisión humana para todo lo que se escribe de forma durable en el perfil del usuario. Es honesta sobre los límites reales de los LLMs al resolver contradicciones y saber cuándo un dato ya expiró.
Lo Que Cubre Esta Guía
- Un modelo mental claro del stack de memoria: state, checkpointers, stores y recall, sin confundir corto y largo plazo.
- Cómo elegir entre MemorySaver, SqliteSaver y AsyncPostgresSaver, y qué cuesta cada uno en producción.
- Memoria de largo plazo que persiste entre threads: diseño de namespaces, estrategia de keys y búsqueda semántica sobre un BaseStore.
- Los tres tipos de memoria que todo agente necesita: semántica, episódica y procedimental, y cuándo usar cada una.
- Diseño de schemas con Pydantic, incluida la decisión entre perfil y colección que define qué tan fácil será actualizar después.
- Cuándo escribir memoria en el hot path o delegarla a un subgraph en segundo plano para controlar la latencia por turno.
- Actualizaciones estructuradas confiables con Trustcall, para parchear un registro sin borrar los campos que querías conservar.
- Tácticas contra el token bloat: trimming, nodos de summarization y borrado de mensajes sin corromper el historial del checkpoint.
- Recall vectorial que aguanta carga: configuración de pgvector, elección de embeddings y cómo medir si la recuperación funciona.
- Deduplicación, resolución de conflictos, TTL y políticas de olvido deliberado para que el store no se llene de basura.
- Revisión de memoria con humano en el loop y debugging con time-travel para inspeccionar y corregir lo que cree tu agente.
- Diez fallas concretas que rompen la memoria en producción, con guía de despliegue y comparación frente a Mem0, Zep o Letta.
Entrega como descarga instantánea: acceso inmediato tras la compra, sin esperas ni upsells. Una sola compra, la guía completa.
Reviews
There are no reviews yet.