Búsqueda de llamadas a la herramienta LangGraph

Un agente de debida diligencia creado con LangGraph investiga posibles objetivos de adquisición. El gráfico: Planificar -> Buscar en Google (noticias de la empresa) -> Buscar en Reddit (sentimientos de los empleados) -> Buscar en YouTube (demostraciones de productos) -> Analizar -> Informar. Cada investigación realiza entre 8 y 12 búsquedas en 3 plataformas a través de Scavio ($0,04-$0,06 por empresa). El agente procesa 20 empresas en un lote y produce informes estructurados en 15 minutos con un costo total de búsqueda de 1 dólar.

Búsqueda de llamadas a la herramienta LangGraph es relevante para Google, Reddit, YouTube. Scavio proporciona una API unificada para acceder a datos de todas estas plataformas.

LangGraph modela los flujos de trabajo de los agentes como gráficos dirigidos donde los nodos representan acciones (llamadas LLM, llamadas a herramientas, condicionales) y los bordes definen el flujo entre ellos. Agregar la búsqueda como nodo de herramienta requiere definir el esquema de la herramienta, implementar la llamada API y manejar el formato de respuesta. Con Scavio, la función de la herramienta llama a la API REST con un parámetro de consulta y plataforma, devolviendo JSON estructurado que LangGraph devuelve al nodo LLM. Costo por invocación de búsqueda: $0,005 (Scavio) o $0,008 (Tavily) más el costo del token LLM para procesar los resultados (~$0,009 según las tarifas de Claude Sonnet por 1000 tokens de resultados). Un patrón común de LangGraph es el gráfico del 'agente de investigación': Inicio -> Planificar (LLM decide qué búsquedas ejecutar) -> Buscar (nodo de herramienta, puede ejecutar de 1 a 5 búsquedas) -> Analizar (LLM sintetiza los resultados) -> Responder. La gestión del estado es importante: almacenar los resultados de la búsqueda en el estado del gráfico permite que los nodos posteriores hagan referencia a ellos sin volver a buscar. Para una investigación de varios pasos, una ventaja condicional puede regresar al nodo Buscar si el nodo Analizar determina que se necesitan más datos, con una protección de iteración máxima para evitar costos de búsqueda descontrolados.