Intermediate Python and Large Language Models
Dilyan Grigorov
- Editorial
- Apress
- Año
- 2025
- Páginas
- ~342
- Nivel
- Intermedio
De qué trata
Publicado por Apress en 2025, este libro de Dilyan Grigorov se enfoca en el desarrollo práctico de aplicaciones basadas en Modelos de Lenguaje Grande (LLMs) combinando las capacidades avanzadas de Python con el ecosistema de LangChain. Está concebido para desarrolladores de software, científicos de datos y programadores de Python con nivel intermedio que ya dominan la programación orientada a objetos, el consumo de APIs y las estructuras de datos, y buscan dar el salto al desarrollo de sistemas de inteligencia artificial generativa aplicada sin perderse en complejidades teóricas abstractas.
El texto desglosa de forma metódica los componentes nucleares y avanzados de LangChain, abordando el diseño estructurado de prompts, técnicas de memoria contextual a corto y largo plazo (como ConversationBuffer y SummaryMemory), y la invocación de herramientas externas mediante cadenas y agentes. Enseña a implementar arquitecturas de Generación Aumentada por Recuperación (RAG) integrando bases de datos vectoriales (como ChromaDB o FAISS), extracción de embeddings y pipelines de ingesta documental. Asimismo, profundiza en la orquestación de sistemas multi-agente, técnicas de fine-tuning sobre modelos abiertos, y consideraciones operativas para producción: control de latencia en llamadas a APIs, optimización de costes de inferencia, escalabilidad y buenas prácticas de seguridad.
A lo largo de la obra se construyen asistentes conversacionales dotados de memoria y herramientas, sistemas RAG para consulta sobre documentos privados y flujos de automatización basados en agentes autónomos. El mayor valor del libro reside en su nivel intermedio: asume que el lector ya sabe programar y va directo a estructurar aplicaciones de IA robustas y listas para desplegarse. Como contrapartida, no profundiza en la matemática de los transformadores ni en el preentrenamiento desde cero de modelos fundacionales. Conviene tener soltura previa con Python y conceptos básicos de bases de datos antes de abordarlo.
- Python
- LangChain
- Modelos de lenguaje (LLMs)
- RAG (Retrieval-Augmented Generation)
- Bases de datos vectoriales
- Ingeniería de prompts
- Memoria conversacional
- Sistemas multi-agente
- Fine-tuning
- Despliegue en producción
¿Cómo enseña?
Teoría + práctica
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Chatbot conversacional con memoria y llamadas a herramientas
Asistente inteligente desarrollado con LangChain y Python que mantiene el contexto conversacional mediante gestores de memoria y ejecuta acciones externas mediante llamadas a herramientas y funciones.
Pipeline de recuperación documental RAG
Sistema de preguntas y respuestas sobre fuentes documentales externas que indexa texto en una base de datos vectorial mediante embeddings y proporciona contexto relevante al LLM para fundamentar sus respuestas.
