Una descripción general en capas de los conceptos clave de la IA agencial. Entendámoslo capa por capa. 1) LLM (capa de cimentación) En esencia, tienes LLM como GPT, DeepSeek, etc. Ideas centrales aquí: - Parámetros de tokenización e inferencia: cómo el texto se divide en tokens y el modelo lo procesa. - Ingeniería rápida: diseño de entradas para obtener mejores resultados. - API LLM: interfaces programáticas para interactuar con el modelo. Este es el motor que impulsa todo lo demás. 2) Agentes de IA (basados en LLM) Los agentes envuelven los LLM para darles la capacidad de actuar de forma autónoma. Responsabilidades clave: - Uso de herramientas y llamadas a funciones: conexión del LLM a API/herramientas externas. - Razonamiento del agente: métodos de razonamiento como ReAct (razonamiento + acto) o Chain-of-Thought. - Planificación y descomposición de tareas: dividir una tarea grande en otras más pequeñas. - Gestión de la memoria: realizar un seguimiento del historial, el contexto y la información a largo plazo. Los agentes son los cerebros que hacen que los LLM sean útiles en los flujos de trabajo del mundo real. 3) Sistemas agénticos (sistemas multiagente) Cuando se combinan varios agentes, se obtienen sistemas agentes. Funciones: - Comunicación entre agentes: los agentes hablan entre sí, haciendo uso de protocolos como ACP, A2A si es necesario. - Enrutamiento y programación: decidir qué agente maneja qué y cuándo. - Coordinación de estados: garantizar la coherencia cuando colaboran varios agentes. - RAG multiagente: utilizando la generación aumentada de recuperación entre agentes. - Roles y especialización de los agentes: Agentes con propósitos únicos - Frameworks de orquestación: herramientas (como CrewAI, etc.) para crear flujos de trabajo. Esta capa se trata de colaboración y coordinación entre agentes. 4) Infraestructura Agencial La capa superior garantiza que estos sistemas sean robustos, escalables y seguros. Esto incluye: - Observabilidad y registro: seguimiento del rendimiento y los resultados (utilizando marcos como DeepEval). - Manejo de errores y reintentos: resiliencia frente a fallos. - Seguridad y control de acceso: garantizar que los agentes no se excedan. - Limitación de velocidad y gestión de costos: control del uso de recursos. - Automatización del flujo de trabajo: integración de agentes en pipelines más amplios. - Controles humanos en el circuito: permiten la supervisión e intervención humana. Esta capa garantiza la confianza, la seguridad y la escalabilidad para entornos empresariales/de producción. La IA agencial, en su conjunto, implica una arquitectura apilada, donde cada capa externa agrega confiabilidad, coordinación y gobernanza sobre las capas internas.