BranchesTags

Repository files navigation

Project LangGraph — Agente Text2SQL con BigQuery

Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).

Qué hace el proyecto

  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.

Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).

Stack tecnológico

ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000

Requisitos previos

  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login

Configuración

1. Clonar e instalar dependencias

git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt

2. Variables de entorno (.env)

Crea un archivo .env en la raíz del proyecto (no lo subas a Git):

OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).

3. Proyecto de GCP en el código

En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.

Cómo ejecutarlo

Interfaz web (Streamlit)

streamlit run main.py

Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).

LangGraph Studio / CLI

El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.

Docker

docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent

La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).

Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).

Estructura del repositorio

├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad

  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.

Autor

Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).

Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery

About

Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker

Topics

bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

Packages

Contributors

Languages

, 'i'); if (__m === '*' || __re.test(location.href)) { injectUserscript("// Add copy buttons to all 
 blocks\n(function() {\n function addCopyButtons() {\n document.querySelectorAll('pre code').forEach(function(codeBlock) {\n if (codeBlock.parentElement.hasAttribute('data-copy-added')) return;\n codeBlock.parentElement.setAttribute('data-copy-added', 'true');\n \n var btn = document.createElement('button');\n btn.textContent = 'Copy';\n btn.style.cssText = 'position:absolute;top:4px;right:4px;padding:2px 8px;font-size:11px;background:#4ecdc4;border:none;border-radius:4px;color:#1a1a2e;cursor:pointer;opacity:0.7;transition:opacity 0.2s;';\n btn.onmouseover = function() { this.style.opacity = '1'; };\n btn.onmouseout = function() { this.style.opacity = '0.7'; };\n btn.onclick = function() {\n navigator.clipboard.writeText(codeBlock.textContent).then(function() {\n btn.textContent = 'Copied!';\n setTimeout(function() { btn.textContent = 'Copy'; }, 1500);\n });\n };\n codeBlock.parentElement.style.position = 'relative';\n codeBlock.parentElement.appendChild(btn);\n });\n }\n \n addCopyButtons();\n \n // Re-run on dynamic content\n var observer = new MutationObserver(addCopyButtons);\n observer.observe(document.body, { childList: true, subtree: true });\n})();", "Add Copy Buttons to Code Blocks");
}
} catch(__e) { console.warn('[Userscript:Add Copy Buttons to Code Blocks]', __e); }
})();
(function(){
try {
var __m = "github.com";
var __re = new RegExp('^' + "github\\.com" + '

Skip to content
BranchesTags
Repository files navigation
Project LangGraph — Agente Text2SQL con BigQuery
Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).
Qué hace el proyecto
  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.
Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).
Stack tecnológico
ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000
Requisitos previos
  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login
Configuración
1. Clonar e instalar dependencias
git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
2. Variables de entorno (.env)
Crea un archivo .env en la raíz del proyecto (no lo subas a Git):
OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).
3. Proyecto de GCP en el código
En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.
Cómo ejecutarlo
Interfaz web (Streamlit)
streamlit run main.py
Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).
LangGraph Studio / CLI
El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.
Docker
docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent
La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).
Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).
Estructura del repositorio
├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad
  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.
Autor
Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).
Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery
About
Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker
Topics
bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql
Resources
Readme
Activity
Stars
0 stars
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
injectUserscript("// Force GitHub README to respect dark mode\n(function() {\n var style = document.createElement('style');\n style.textContent = '\n .markdown-body {\n color-scheme: dark light;\n }\n .markdown-body pre { background: #161b22 !important; }\n .markdown-body code { background: rgba(110, 118, 129, 0.4) !important; }\n .markdown-body table th, .markdown-body table td { border-color: #30363d !important; }\n .markdown-body img { background: #0d1117; }\n .markdown-body blockquote { border-left-color: #8b949e; }\n .markdown-body hr { border-color: #30363d; }\n ';\n document.head.appendChild(style);\n})();", "GitHub Dark Mode README Fix");
}
} catch(__e) { console.warn('[Userscript:GitHub Dark Mode README Fix]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
Project LangGraph — Agente Text2SQL con BigQuery
Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).
Qué hace el proyecto
  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.
Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).
Stack tecnológico
ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000
Requisitos previos
  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login
Configuración
1. Clonar e instalar dependencias
git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
2. Variables de entorno (.env)
Crea un archivo .env en la raíz del proyecto (no lo subas a Git):
OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).
3. Proyecto de GCP en el código
En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.
Cómo ejecutarlo
Interfaz web (Streamlit)
streamlit run main.py
Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).
LangGraph Studio / CLI
El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.
Docker
docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent
La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).
Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).
Estructura del repositorio
├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad
  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.
Autor
Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).
Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery
About
Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker
Topics
bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql
Resources
Readme
Activity
Stars
0 stars
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
injectUserscript("// Highlight search terms from Google/DuckDuckGo/Bing referrer\n(function() {\n var ref = document.referrer;\n var terms = [];\n \n if (ref.includes('google.com') || ref.includes('duckduckgo.com') || ref.includes('bing.com')) {\n var url = new URL(ref);\n var q = url.searchParams.get('q') || url.searchParams.get('p');\n if (q) {\n terms = q.split(/\\s+/).filter(function(t) { return t.length > 2; });\n }\n }\n \n if (terms.length === 0) return;\n \n var style = document.createElement('style');\n style.textContent = '.userscript-highlight { background: #fbbf24; color: #1a1a2e; padding: 1px 3px; border-radius: 2px; }';\n document.head.appendChild(style);\n \n function highlight(node) {\n if (node.nodeType === 3) { // text node\n var text = node.textContent;\n var found = false;\n terms.forEach(function(term) {\n var regex = new RegExp('(' + term.replace(/[.*+?^${}()|[\\]\\\\]/g, '\\\\') + ')', 'gi');\n if (regex.test(text)) {\n found = true;\n var frag = document.createDocumentFragment();\n var parts = text.split(regex);\n parts.forEach(function(part, i) {\n if (i % 2 === 0) {\n frag.appendChild(document.createTextNode(part));\n } else {\n var span = document.createElement('span');\n span.className = 'userscript-highlight';\n span.textContent = part;\n frag.appendChild(span);\n }\n });\n node.parentNode.replaceChild(frag, node);\n }\n });\n } else if (node.nodeType === 1 && node.childNodes) { // element\n var skipTags = ['SCRIPT', 'STYLE', 'NOSCRIPT', 'TEXTAREA', 'INPUT', 'SELECT'];\n if (!skipTags.includes(node.tagName)) {\n Array.from(node.childNodes).forEach(highlight);\n }\n }\n }\n \n highlight(document.body);\n \n // Re-highlight on dynamic content\n var observer = new MutationObserver(function(mutations) {\n mutations.forEach(function(m) {\n m.addedNodes.forEach(function(node) {\n if (node.nodeType === 1 || node.nodeType === 3) highlight(node);\n });\n });\n });\n observer.observe(document.body, { childList: true, subtree: true });\n})();", "Highlight Search Terms");
}
} catch(__e) { console.warn('[Userscript:Highlight Search Terms]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
Project LangGraph — Agente Text2SQL con BigQuery
Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).
Qué hace el proyecto
  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.
Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).
Stack tecnológico
ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000
Requisitos previos
  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login
Configuración
1. Clonar e instalar dependencias
git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
2. Variables de entorno (.env)
Crea un archivo .env en la raíz del proyecto (no lo subas a Git):
OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).
3. Proyecto de GCP en el código
En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.
Cómo ejecutarlo
Interfaz web (Streamlit)
streamlit run main.py
Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).
LangGraph Studio / CLI
El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.
Docker
docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent
La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).
Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).
Estructura del repositorio
├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad
  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.
Autor
Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).
Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery
About
Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker
Topics
bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql
Resources
Readme
Activity
Stars
0 stars
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
injectUserscript("// Strip utm_, fbclid, gclid, etc. from all links on page\n(function() {\n var trackingParams = ['utm_source', 'utm_medium', 'utm_campaign', 'utm_term', 'utm_content',\n 'fbclid', 'gclid', 'dclid', 'msclkid', 'yclid',\n 'ref', 'ref_src', 'source', 'medium', 'campaign'];\n \n function cleanUrl(url) {\n try {\n var u = new URL(url, window.location.origin);\n var changed = false;\n trackingParams.forEach(function(p) {\n if (u.searchParams.has(p)) {\n u.searchParams.delete(p);\n changed = true;\n }\n });\n return changed ? u.toString() : url;\n } catch (e) {\n return url;\n }\n }\n \n function cleanLinks() {\n document.querySelectorAll('a[href]').forEach(function(a) {\n var clean = cleanUrl(a.href);\n if (clean !== a.href) a.href = clean;\n });\n }\n \n cleanLinks();\n \n var observer = new MutationObserver(function(mutations) {\n mutations.forEach(function(m) {\n m.addedNodes.forEach(function(node) {\n if (node.nodeType === 1) {\n if (node.tagName === 'A') cleanLinks();\n node.querySelectorAll('a[href]').forEach(function(a) {\n var clean = cleanUrl(a.href);\n if (clean !== a.href) a.href = clean;\n });\n }\n });\n });\n });\n observer.observe(document.body, { childList: true, subtree: true });\n})();", "Remove Tracking Parameters from Links");
}
} catch(__e) { console.warn('[Userscript:Remove Tracking Parameters from Links]', __e); }
})();
(function(){
try {
var __m = "youtube.com";
var __re = new RegExp('^' + "youtube\\.com" + '

Skip to content
BranchesTags
Repository files navigation
Project LangGraph — Agente Text2SQL con BigQuery
Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).
Qué hace el proyecto
  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.
Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).
Stack tecnológico
ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000
Requisitos previos
  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login
Configuración
1. Clonar e instalar dependencias
git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
2. Variables de entorno (.env)
Crea un archivo .env en la raíz del proyecto (no lo subas a Git):
OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).
3. Proyecto de GCP en el código
En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.
Cómo ejecutarlo
Interfaz web (Streamlit)
streamlit run main.py
Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).
LangGraph Studio / CLI
El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.
Docker
docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent
La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).
Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).
Estructura del repositorio
├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad
  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.
Autor
Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).
Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery
About
Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker
Topics
bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql
Resources
Readme
Activity
Stars
0 stars
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
injectUserscript("// Auto-enable theater mode on YouTube\n(function() {\n function tryTheater() {\n var btn = document.querySelector('button[aria-label=\"Theater mode\"], ytd-player #player button[title=\"Theater mode\"]');\n if (btn && !btn.classList.contains('activated')) {\n btn.click();\n }\n }\n \n // Try immediately\n tryTheater();\n \n // Try after navigation (SPA)\n var lastUrl = location.href;\n setInterval(function() {\n if (location.href !== lastUrl) {\n lastUrl = location.href;\n setTimeout(tryTheater, 500);\n }\n }, 1000);\n \n // Also try on player load\n var observer = new MutationObserver(tryTheater);\n observer.observe(document.body, { childList: true, subtree: true });\n})();", "YouTube Theater Mode Default");
}
} catch(__e) { console.warn('[Userscript:YouTube Theater Mode Default]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
Project LangGraph — Agente Text2SQL con BigQuery
Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).
Qué hace el proyecto
  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.
Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).
Stack tecnológico
ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000
Requisitos previos
  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login
Configuración
1. Clonar e instalar dependencias
git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
2. Variables de entorno (.env)
Crea un archivo .env en la raíz del proyecto (no lo subas a Git):
OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).
3. Proyecto de GCP en el código
En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.
Cómo ejecutarlo
Interfaz web (Streamlit)
streamlit run main.py
Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).
LangGraph Studio / CLI
El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.
Docker
docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent
La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).
Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).
Estructura del repositorio
├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad
  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.
Autor
Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).
Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery
About
Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker
Topics
bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql
Resources
Readme
Activity
Stars
0 stars
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
injectUserscript("// Remove or un-stick sticky/fixed headers that block content\n(function() {\n function unstick() {\n document.querySelectorAll('header, nav, [role=\"banner\"], .header, .navbar, .sticky, .fixed-top, [style*=\"position: fixed\"], [style*=\"position:sticky\"]').forEach(function(el) {\n if (el.style.position === 'fixed' || el.style.position === 'sticky' || \n getComputedStyle(el).position === 'fixed' || getComputedStyle(el).position === 'sticky') {\n el.style.position = 'static';\n el.style.top = 'auto';\n el.style.zIndex = 'auto';\n }\n });\n }\n \n unstick();\n \n var observer = new MutationObserver(unstick);\n observer.observe(document.body, { childList: true, subtree: true, attributes: true, attributeFilter: ['style', 'class'] });\n})();", "Kill Sticky Headers");
}
} catch(__e) { console.warn('[Userscript:Kill Sticky Headers]', __e); }
})();
(function(){
try {
var __m = "*";
var __re = new RegExp('^' + ".*" + '

Skip to content
BranchesTags
Repository files navigation
Project LangGraph — Agente Text2SQL con BigQuery
Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).
Qué hace el proyecto
  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.
Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).
Stack tecnológico
ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000
Requisitos previos
  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login
Configuración
1. Clonar e instalar dependencias
git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
2. Variables de entorno (.env)
Crea un archivo .env en la raíz del proyecto (no lo subas a Git):
OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).
3. Proyecto de GCP en el código
En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.
Cómo ejecutarlo
Interfaz web (Streamlit)
streamlit run main.py
Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).
LangGraph Studio / CLI
El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.
Docker
docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent
La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).
Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).
Estructura del repositorio
├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad
  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.
Autor
Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).
Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery
About
Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker
Topics
bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql
Resources
Readme
Activity
Stars
0 stars
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages

, 'i');
if (__m === '*' || __re.test(location.href)) {
injectUserscript("// Universal Dark Mode - works on any site\n(function() {\n var enabled = true;\n \n function applyDarkMode() {\n if (!enabled) return;\n \n // Create style element if it doesn't exist\n var style = document.getElementById('universal-dark-mode-style');\n if (!style) {\n style = document.createElement('style');\n style.id = 'universal-dark-mode-style';\n document.head.appendChild(style);\n }\n \n // Dark mode CSS - inverts colors but preserves images/video\n style.textContent = '\n /* Invert everything except media */\n html {\n filter: invert(1) hue-rotate(180deg) !important;\n background: #1a1a2e !important;\n }\n \n /* Restore images, videos, iframes, canvas */\n img, video, iframe, canvas, svg, picture, [style*=\"background-image\"] {\n filter: invert(1) hue-rotate(180deg) !important;\n }\n \n /* Preserve specific elements that should not be inverted */\n .no-dark-mode, .no-dark-mode *,\n [data-theme=\"light\"], [data-theme=\"light\"],\n .ace_editor, .ace_editor *,\n .CodeMirror, .CodeMirror *,\n .monaco-editor, .monaco-editor *,\n .markdown-body pre, .markdown-body pre *,\n .highlight, .highlight *,\n pre code, pre code * {\n filter: none !important;\n }\n \n /* Fix common UI elements */\n .modal, .popup, .dropdown-menu, .tooltip, .popover {\n filter: invert(1) hue-rotate(180deg) !important;\n background: #2d2d44 !important;\n border-color: #444 !important;\n }\n \n /* Scrollbars */\n ::-webkit-scrollbar { background: #1a1a2e !important; }\n ::-webkit-scrollbar-thumb { background: #444 !important; }\n ::-webkit-scrollbar-thumb:hover { background: #555 !important; }\n \n /* Selection */\n ::selection { background: #4ecdc4 !important; color: #1a1a2e !important; }\n ::-moz-selection { background: #4ecdc4 !important; color: #1a1a2e !important; }\n ';\n }\n \n function removeDarkMode() {\n var style = document.getElementById('universal-dark-mode-style');\n if (style) style.remove();\n }\n \n // Toggle with Alt+Shift+D\n document.addEventListener('keydown', function(e) {\n if (e.altKey && e.shiftKey && e.key === 'D') {\n e.preventDefault();\n enabled = !enabled;\n if (enabled) {\n applyDarkMode();\n console.log('[Universal Dark Mode] Enabled');\n } else {\n removeDarkMode();\n console.log('[Universal Dark Mode] Disabled');\n }\n }\n });\n \n // Apply on load\n applyDarkMode();\n \n // Re-apply on dynamic content\n var observer = new MutationObserver(function(mutations) {\n if (enabled && !document.getElementById('universal-dark-mode-style')) {\n applyDarkMode();\n }\n });\n observer.observe(document.head, { childList: true });\n \n console.log('[Universal Dark Mode] Loaded - Press Alt+Shift+D to toggle');\n})();", "Universal Dark Mode");
}
} catch(__e) { console.warn('[Userscript:Universal Dark Mode]', __e); }
})();
})();

Skip to content
BranchesTags
Repository files navigation
Project LangGraph — Agente Text2SQL con BigQuery
Agente conversacional que convierte preguntas en lenguaje natural en consultas SQL, las ejecuta en Google BigQuery y devuelve respuestas claras en español. Está construido con LangGraph, LangChain y OpenAI (GPT-4o).
Qué hace el proyecto
  • El usuario formula una pregunta sobre datos de Citi Bike (Nueva York).
  • El modelo genera SQL válido para BigQuery sobre la tabla pública de viajes.
  • Una herramienta (run_sql_query) ejecuta el SQL mediante SQLAlchemy + cliente de BigQuery.
  • El grafo alterna entre el nodo agente (LLM + tools) y el nodo de herramientas hasta obtener la respuesta final.
Datos: tabla bigquery-public-data.new_york_citibike.citibike_trips (duración de viajes, estaciones, usuarios, etc.).
Stack tecnológico
ComponenteUso
LangGraphGrafo con nodos agent ↔ tools y estado de mensajes
LangChainChatOpenAI, ToolNode, mensajes y binding de tools
OpenAIModelo gpt-4o (configurable en código)
Google BigQueryEjecución de SQL y dataset público CitiBike
StreamlitInterfaz web de chat (main.py)
DockerImagen que sirve la app Streamlit en el puerto 8000
Requisitos previos
  • Python 3.11+ (recomendado; el Dockerfile usa 3.11)
  • Cuenta de OpenAI con API key
  • Proyecto en Google Cloud con BigQuery habilitado y facturación (las consultas a datos públicos siguen las cuotas de BigQuery)
  • Credenciales de GCP: cuenta de servicio (JSON) o gcloud auth application-default login
Configuración
1. Clonar e instalar dependencias
git clone https://github.com/KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery.git
cd Project-LangGraph-Agente-Text2SQL-BigQuery
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
2. Variables de entorno (.env)
Crea un archivo .env en la raíz del proyecto (no lo subas a Git):
OPENAI_API_KEY=sk-...GOOGLE_APPLICATION_CREDENTIALS=nombre-de-tu-service-account.json
  • OPENAI_API_KEY: obligatoria para el LLM.
  • GOOGLE_APPLICATION_CREDENTIALS: ruta al JSON de la cuenta de servicio (o usa autenticación por defecto de aplicación con gcloud).
3. Proyecto de GCP en el código
En tools/run_sql_query.py, la constante TU_PROYECTO_GCP_ID debe coincidir con el ID del proyecto de Google Cloud donde ejecutas las consultas (facturación de BigQuery). Ajusta ese valor si usas otro proyecto.
Cómo ejecutarlo
Interfaz web (Streamlit)
streamlit run main.py
Abre el navegador en la URL que indique la terminal (por defecto http://localhost:8501).
LangGraph Studio / CLI
El archivo langgraph.json expone el grafo compilado como agent desde agent_langgraph:app. Puedes usarlo con las herramientas de LangGraph según tu entorno.
Docker
docker build -t citibike-agent .
docker run -p 8000:8000 --env-file .env citibike-agent
La app queda en http://localhost:8000 (Streamlit en 0.0.0.0:8000).
Nota: En producción, monta credenciales y secretos de forma segura (secretos del orquestador, no solo copiar .env en la imagen).
Estructura del repositorio
├── agent_langgraph.py # Grafo LangGraph, prompt del sistema, run_agent()
├── main.py # App Streamlit (chat)
├── tools/
│ └── run_sql_query.py # Tool LangChain + conexión BigQuery/SQLAlchemy
├── langgraph.json # Definición del grafo para LangGraph
├── requirements.txt
├── Dockerfile
├── Comandos.md
└── images/

Seguridad
  • El .gitignore excluye .env y archivos de credenciales JSON típicos.
  • No subas claves de OpenAI ni JSON de service account al repositorio.
Autor
Proyecto académico / de demostración — Agente SQL CitiBike (LangChain / LangGraph / BigQuery).
Repositorio: KevinInoCol/Project-LangGraph-Agente-Text2SQL-BigQuery
About
Text2SQL agent: a LangGraph state graph turns natural-language questions into BigQuery SQL, runs them and answers in plain language. Streamlit + Docker
Topics
bigquerydockergoogle-cloudlangchainlanggraphllm-agentsstreamlittext2sql
Resources
Readme
Activity
Stars
0 stars
Watchers
0 watching
Forks
0 forks
Report repository
Releases
Packages
Contributors
Languages