Colección de más de 50 tutoriales ejecutables en Jupyter notebooks sobre técnicas para agentes de GenAI, desde chatbots simples hasta sistemas multiagente.
24,7 mil4,2 milJupyter NotebookOtherActualizado hace 21 horas
langchain-ai/deep_research_from_scratch
Tutorial con cinco notebooks de Jupyter que muestran paso a paso cómo crear desde cero un agente de investigación profunda basado en LangGraph.
- Estrellas
- 809
- Forks
- 271
- Issues abiertos
- 10
- Último commit
- hace 2 meses
¿Qué es?
Los agentes de investigación profunda reciben una solicitud del usuario, aclaran su alcance, buscan en varias fuentes y redactan un informe exhaustivo. Este proyecto enseña cómo crear un sistema de este tipo usando LangGraph como capa de orquestación, en lugar de presentar un producto terminado.
El material se organiza en cinco notebooks que desarrollan el sistema paso a paso: aclaración de la solicitud del usuario y generación de un brief de investigación; un agente de investigación que usa herramientas con búsqueda de Tavily; integración de servidores MCP como herramientas mediante los adaptadores MCP de LangChain; un supervisor que delega la investigación en subagentes paralelos; y un pipeline completo que combina todas las partes para definir el alcance, investigar y redactar.
El proyecto requiere Python 3.11 o posterior, uv para gestionar dependencias y claves de API de OpenAI o Anthropic y Tavily. Se necesita Node.js para el ejemplo con MCP. El tracing de LangSmith es opcional.
Funciones clave
- 01Cinco notebooks progresivos que abarcan la definición del alcance, los agentes que usan herramientas, la integración con MCP, los patrones de supervisión y un pipeline completo
- 02Salida estructurada con esquemas de Pydantic para aclarar solicitudes y generar preguntas de investigación
- 03Subagentes de investigación paralelos coordinados por un nodo supervisor mediante asyncio
- 04Búsqueda web con Tavily y resumen del contenido de los resultados
- 05Proveedores de modelos configurables mediante claves de API de OpenAI y Anthropic
Casos de uso
- Aprender a crear agentes de investigación de varios pasos con LangGraph
- Entender cómo funcionan en la práctica los patrones de supervisor y subagentes paralelos
- Añadir servidores MCP como herramientas a un flujo de trabajo de investigación basado en un LLM
- Usar los notebooks como punto de partida para crear una aplicación personalizada de investigación profunda
Inicio rápido
- 1
Instala Node.js (incluye npx) y Python 3.11 o posterior
- 2
Instala el gestor de paquetes uv
- 3
Clona el repositorio
git clone https://github.com/langchain-ai/deep_research_from_scratch - 4
Instala las dependencias con uv
uv sync
Antes de usarlo
- Se necesitan claves de API de proveedores de búsqueda y modelos, como Tavily y OpenAI o Anthropic.
- Este repositorio es un tutorial compuesto por notebooks, no una herramienta de investigación empaquetada que se pueda ejecutar directamente.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es deep_research_from_scratch?
- Tutorial con cinco notebooks de Jupyter que muestran paso a paso cómo crear desde cero un agente de investigación profunda basado en LangGraph. Los agentes de investigación profunda reciben una solicitud del usuario, aclaran su alcance, buscan en varias fuentes y redactan un informe exhaustivo. Este proyecto enseña cómo crear un sistema de este tipo usando LangGraph como capa de orquestación, en lugar de presentar un producto terminado.
- ¿deep_research_from_scratch es gratuito? ¿Qué licencia tiene?
- deep_research_from_scratch es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿deep_research_from_scratch sigue mantenido?
- Actualizado en los últimos 6 meses. El último commit de deep_research_from_scratch fue el 11 ago 2026.
- ¿Para qué puedo usar deep_research_from_scratch?
- Aprender a crear agentes de investigación de varios pasos con LangGraph Entender cómo funcionan en la práctica los patrones de supervisor y subagentes paralelos Añadir servidores MCP como herramientas a un flujo de trabajo de investigación basado en un LLM Usar los notebooks como punto de partida para crear una aplicación personalizada de investigación profunda
- ¿Cómo se instala deep_research_from_scratch?
- Instala Node.js (incluye npx) y Python 3.11 o posterior Instala el gestor de paquetes uv Clona el repositorio: git clone https://github.com/langchain-ai/deep_research_from_scratch Instala las dependencias con uv: uv sync
- ¿Dónde consigo deep_research_from_scratch?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/langchain-ai/deep_research_from_scratch
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Entorno open source para agentes autónomos de larga duración que coordina subagentes, memoria y sandboxes para investigar, programar y crear durante minutos u horas.
84,3 mil11,8 milPythonMITActualizado hace 4 horas
Curso gratuito con licencia MIT y 542 lecciones para aprender conceptos de ingeniería de IA desde cero con Python, TypeScript, Rust y Julia.
72,4 mil12,7 milPythonMITActualizado hace 3 horas
Tutorial gratuito, paso a paso, para crear un agente de IA en Python con LangChain y LangGraph usando los modelos gratuitos de Groq y Gemini.
371116PythonMITActualizado hace 4 meses
Agente de investigación autónomo y de código abierto que planifica preguntas, recopila fuentes web y locales, y redacta informes con citas usando cualquier proveedor de LLM.
30,2 mil4,1 milPythonApache-2.0Actualizado hace 12 días
Espacio de trabajo de chat con IA autohospedable y con enfoque local, compatible con varios proveedores de modelos, agentes, Deep Research, RAG, Skills, MCP y voz.
1,9 mil624TypeScriptMITActualizado ayer