Repolode
Enviar
langchain-ai

langchain-ai/data-enrichment

Plantilla de LangGraph Studio para un agente LLM que investiga temas en la web y completa un esquema JSON definido por el usuario.

Ver en GitHub
Estrellas
258
Forks
61
Issues abiertos
15
Último commit
hace 20 horas

¿Qué es?

Esta plantilla ofrece un agente de LangGraph listo para ejecutar y enriquecer datos: a partir de un tema de investigación y un esquema JSON, el agente busca en la web, lee las páginas pertinentes, extrae información y la organiza con la estructura solicitada. Es útil cuando los resultados deben completar una tabla de base de datos o una hoja de cálculo, pero la información de origen requiere investigar en la web sin limitarse a fuentes predefinidas.

El grafo del agente está definido en src/enrichment_agent/graph.py y se ejecuta en LangGraph Studio. Allí puedes indicar el tema y extraction_schema, ajustar el modelo y el prompt mediante la configuración, y volver a ejecutar el agente desde estados anteriores. La búsqueda web usa Tavily, y el modelo predeterminado es Anthropic Claude 3.5 Sonnet; también puedes seleccionar modelos de chat de OpenAI mediante una opción de configuración provider/model-name.

El código está estructurado para facilitar las extensiones: las nuevas herramientas son funciones de Python normales en tools.py, y puedes añadir más pasos al grafo. El repositorio también incluye un notebook que muestra cómo llamar al grafo a través de LangGraph API.

Funciones clave

  • 01Convierte un tema de investigación y un esquema JSON en resultados estructurados que cumplen el esquema.
  • 02Busca en la web con Tavily y extrae información de las páginas que consulta.
  • 03Se ejecuta en LangGraph Studio, con recarga en caliente y la posibilidad de volver a ejecutar el agente desde estados anteriores.
  • 04Permite elegir el modelo de chat y personalizar el prompt mediante la configuración.
  • 05Permite añadir herramientas personalizadas como funciones de Python normales y agregar pasos al grafo.

Casos de uso

  • Crear una lista de empresas o proveedores con atributos para una base de datos de ventas o investigación de mercado.
  • Completar filas de una hoja de cálculo con datos recopilados de fuentes públicas en la web.
  • Crear un prototipo de agente de investigación que devuelva datos en un formato JSON fijo.

Inicio rápido

  1. 1

    Crea un archivo .env a partir del ejemplo

    cp .env.example .env
  2. 2

    Añade al archivo .env tu clave de API de Tavily y la clave del proveedor del modelo (Anthropic u OpenAI)

  3. 3

    Abre la carpeta en LangGraph Studio e introduce topic y extraction_schema

Antes de usarlo

  • Se necesita una clave de API de Tavily de pago o vinculada a una cuenta, y una clave de API del proveedor del modelo (Anthropic u OpenAI).
  • La configuración depende de LangGraph Studio, que debe instalarse por separado.

Temas

#langgraph#llm-agent#web-research#data-extraction#structured-output#json-schema#tavily#langgraph-python#langgraph-template

Preguntas frecuentes

¿Qué es data-enrichment?
Plantilla de LangGraph Studio para un agente LLM que investiga temas en la web y completa un esquema JSON definido por el usuario. Esta plantilla ofrece un agente de LangGraph listo para ejecutar y enriquecer datos: a partir de un tema de investigación y un esquema JSON, el agente busca en la web, lee las páginas pertinentes, extrae información y la organiza con la estructura solicitada. Es útil cuando los resultados deben completar una tabla de base de datos o una hoja de cálculo, pero la información de origen requiere investigar en la web sin limitarse a fuentes predefinidas.
¿data-enrichment es gratuito? ¿Qué licencia tiene?
data-enrichment es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿data-enrichment sigue mantenido?
Mantenimiento activo. El último commit de data-enrichment fue el 5 nov 2026.
¿Para qué puedo usar data-enrichment?
Crear una lista de empresas o proveedores con atributos para una base de datos de ventas o investigación de mercado. Completar filas de una hoja de cálculo con datos recopilados de fuentes públicas en la web. Crear un prototipo de agente de investigación que devuelva datos en un formato JSON fijo.
¿Cómo se instala data-enrichment?
Crea un archivo .env a partir del ejemplo: cp .env.example .env Añade al archivo .env tu clave de API de Tavily y la clave del proveedor del modelo (Anthropic u OpenAI) Abre la carpeta en LangGraph Studio e introduce topic y extraction_schema
¿Dónde consigo data-enrichment?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/langchain-ai/data-enrichment

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados