4 patrones de diseño de IA agente y ejemplos del mundo real
Los patrones de diseño de IA agente mejoran la autonomía de los grandes modelos de lenguaje (LLM, por sus siglas en inglés) como Llama, Claude o GPT, aprovechando el uso de herramientas, la toma de decisiones y la resolución de problemas. Esto proporciona un enfoque estructurado para crear y gestionar agentes autónomos en diversos casos de uso .
¿Qué son los flujos de trabajo basados en agentes?
Se considera que un agente es más inteligente si elige sistemáticamente acciones que conduzcan a resultados más acordes con su función objetivo.
Flujos de trabajo automatizados (basados en reglas, no basados en IA)
Siguen reglas y procesos predefinidos , generalmente basados en instrucciones fijas. Están diseñados para gestionar tareas repetitivas de forma eficiente, a menudo mediante sistemas como la automatización robótica de procesos (RPA), donde se requiere poca o ninguna toma de decisiones.
Flujos de trabajo de IA (no basados en agentes)
Sistemas donde los sistemas de gestión del aprendizaje automático (LLM) y las herramientas se orquestan mediante rutas de código predefinidas, con una mínima intervención humana. En un flujo de trabajo no basado en agentes, un LLM genera una salida a partir de una solicitud, como por ejemplo, una lista de recomendaciones basada en la información ingresada.
Flujos de trabajo agenciales
Procesos impulsados por IA donde agentes autónomos toman decisiones, realizan acciones y coordinan tareas con una mínima intervención humana. Estos flujos de trabajo utilizan componentes clave como el razonamiento, la planificación y el uso de herramientas para gestionar tareas complejas.
En comparación con la automatización tradicional, como la RPA , que sigue reglas y diseños fijos, los flujos de trabajo basados en agentes son más " dinámicos y flexibles ", adaptándose a los datos en tiempo real y a las condiciones inesperadas.
En este flujo de trabajo, el agente de IA responde a la consulta del usuario (Ejemplo: "¿Quién ganó el Euro en 2024?").
- Consulta del usuario: El usuario hace una pregunta.
- Análisis LLM : El LLM lo interpreta y determina si se necesitan datos externos.
- Activación de herramientas externas: Una herramienta de búsqueda recupera información en tiempo real.
- Creación de respuestas: El LLM combina los datos y las respuestas:
“España ganó la Eurocopa 2024 contra Inglaterra con un marcador de 2-1 en la final disputada en Berlín en julio de 2024.”
5 tipos de patrones de diseño de IA agente
Patrón de reflexión
El patrón de reflexión mejora los flujos de trabajo autónomos mediante la mejora continua.
→ Este patrón implica un mecanismo de retroalimentación automática en el que un agente de IA evalúa sus resultados o decisiones antes de finalizar su respuesta o tomar medidas adicionales.
→ Permite al agente analizar su propio trabajo, identificar errores o deficiencias y perfeccionar su enfoque, lo que se traduce en mejores resultados con el tiempo. Este proceso no se limita a una sola iteración; los agentes pueden ajustar sus respuestas en interacciones posteriores.
Ejemplo del mundo real:
Los agentes de IA, como GitHub Copilot, pueden refinar el código mediante la autorreflexión, examinando y modificando su propia estructura y comportamiento en tiempo de ejecución, por ejemplo:
- Respuesta inicial : GitHub Copilot genera un fragmento de código a partir de una solicitud.
- Proceso de reflexión : Revisa el código generado en busca de errores, ineficiencias o posibles mejoras. Puede utilizar un ciclo de retroalimentación, como ejecutar el código en un entorno aislado, para identificar fallos.
- Autoiteración : Evalúa si el código generado funciona como se espera, refina su lógica y sugiere optimizaciones.
Patrón de uso de herramientas
El patrón de uso de herramientas en la IA agente mejora las capacidades de los grandes modelos de lenguaje (LLM, por sus siglas en inglés) al permitirles interactuar dinámicamente con herramientas y recursos externos.
Protocolos como el Protocolo de Contexto del Modelo (MCP) ayudan a estandarizar el proceso de uso de la herramienta. 2
La estandarización del uso de herramientas mediante MCP traslada el diseño de agentes de las integraciones de API personalizadas a una capa de contexto unificada. En lugar de gestionar conectores individuales, los agentes utilizan MCP para mantener un flujo de datos seguro entre el modelo y el entorno local o empresarial. Con los protocolos de uso de herramientas y los modelos de agentes, estos pueden:
- acceder a información en tiempo real (a través de API), buscar en la web
- Interactuar con las API para procesar y generar respuestas.
- interactuar con sistemas de recuperación de información
- recuperar conjuntos de datos específicos
- ejecutar scripts para el análisis de datos
- Aprovechar los modelos de aprendizaje automático para ejecutar algoritmos especializados.
Utilizamos agentes de IA populares para probar sus capacidades de uso de herramientas:
Ejemplo del mundo real:
El proyecto de síntesis visual-textual utiliza GPT-4 para interactuar dinámicamente con herramientas externas (como CLIP para el análisis de imágenes y GPT-4 para el razonamiento) y recursos externos (por ejemplo, herramientas de diseño, plataformas de comercio electrónico) para completar tareas complejas. 3
Patrón de planificación
El patrón de planificación permite a los gestores de aprendizaje desglosar las tareas grandes en subtareas.
Un LLM que utilice el patrón de planificación organizará los subobjetivos en una secuencia lógica. Dependiendo de la complejidad, el agente puede planificar acciones en orden lineal o crear ramificaciones para su ejecución en paralelo.
Ejemplo del mundo real:
Un grupo de investigadores demostró cómo los agentes LLM colaboran con modelos de plataformas como Hugging Face para gestionar tareas complejas y de mayor envergadura.
El enfoque se denominó HuggingGPT , un agente impulsado por LLM que aprovecha los LLM (por ejemplo, ChatGPT) para conectar varios modelos de IA en comunidades de aprendizaje automático (por ejemplo, Hugging Face) para resolver tareas de IA. 4
En los flujos de trabajo actuales, el patrón de planificación se integra cada vez más con el razonamiento a nivel de modelo. Si bien los marcos de trabajo gestionan la delegación de tareas de alto nivel, los modelos de razonamiento realizan un procesamiento interno para validar los planes antes de su ejecución. Esta deliberación interna:
- reduce los errores lógicos durante la descomposición de tareas
- minimiza la necesidad de ingeniería rápida de varios pasos
- permite que el agente se autocorrija antes de iniciar una acción.
Patrón multiagente
Los patrones multiagente se centran en la delegación de tareas, que implica asignar diferentes agentes a diferentes tareas que se pueden crear indicando a un único LLM (o a varios LLM) que se encarguen de responsabilidades distintas.
Por ejemplo, para crear un agente de desarrollo de software, podrías indicarle al LLM: “Eres un experto en escribir código eficiente y claro. Por favor, escribe el código para lograr [specific task] ” .
En los sistemas multiagente, los agentes se comunican mediante protocolos de agente a agente (A2A) que definen el flujo de información entre ellos. Por ejemplo, el protocolo A2A de Google es un marco abierto que proporciona a los agentes contexto y herramientas estructuradas. 5
Marcos de trabajo multiagente actuales:
- LangGraph: Facilita los flujos de trabajo cíclicos y la gestión del estado para agentes que requieren bucles de retroalimentación.
- PydanticAI: Un marco de trabajo centrado en la orquestación de agentes con tipado seguro y listos para producción.
- CrewAI: Coordina a los agentes asignándoles roles específicos y secuencias de tareas colaborativas.
- OpenAI Swarm: Un protocolo ligero para gestionar traspasos entre modelos especializados.
Para más información: Constructores y marcos de trabajo de IA ámbrica de código abierto .
Patrón de intervención humana (HITL)
El patrón HITL incorpora la intervención humana en puntos de decisión específicos para garantizar la precisión y la seguridad. Las implementaciones clave incluyen:
- Puntos de control de aprobación: El agente hace una pausa para obtener la confirmación humana antes de ejecutar acciones de alto impacto, como transacciones financieras o eliminaciones de datos.
- Bucles de revisión: Un ser humano o un modelo de supervisor secundario evalúa el resultado del agente para proporcionar una capa de control de calidad antes de que concluya el proceso.
Casos de uso de flujos de trabajo agenciales
1. Generación aumentada por recuperación (RAG)
Los patrones de diseño basados en agentes pueden utilizarse en los sistemas RAG para incorporar agentes en el flujo de trabajo de RAG.
Para más información, consulte:
→ Descubre los mejores sistemas RAG de Agentic
→ Comparar las mejores herramientas de generación aumentada de recuperación
2. Desarrollo de software
- Generación y autocompletado de código :
- Cursor : Genera automáticamente fragmentos de código y funciones completas a partir de descripciones en lenguaje natural.
- Devin: Crea aplicaciones desde cero con una mínima supervisión humana, utilizando un navegador o una interfaz de línea de comandos.
- Pruebas de software automatizadas :
- Diffblue : Escribe automáticamente pruebas unitarias para código Java, garantizando la cobertura y la corrección del código.
- Snyk : Detecta y corrige vulnerabilidades de seguridad en las dependencias sin intervención humana.
- Diffblue : Escribe automáticamente pruebas unitarias para código Java, garantizando la cobertura y la corrección del código.
3. Juegos
- PNJ autónomos:
- Mazmorra con IA : Utiliza un modelo de lenguaje natural (LLM) para generar PNJ totalmente autónomos basados en texto, que reaccionan a las acciones del jugador y crean eventos narrativos.
- AgentRefine: Permite a los agentes y modelos de IA identificar errores y corregirlos de forma autónoma, mejorando su rendimiento en tareas generales.
- Exploración autónoma:
- Spore (evolución controlada por IA) : Los agentes de IA se reproducen, mutan y evolucionan sin intervención humana, volviéndose cada vez más inteligentes y diversos con cada generación.
- Búsqueda de rutas:
- NavMesh AI : Sistema autónomo de búsqueda de rutas en videojuegos, donde los agentes pueden navegar por entornos dinámicos.
4. Creación multimedia
- Convertir los resultados de búsqueda de GenAI en páginas de Wikipedia
- Perplexity Pages: Cuando un usuario introduce una consulta de búsqueda, Perplexity Pages agrega información relevante de múltiples fuentes para convertir los resultados de la búsqueda en páginas de Wikipedia.
- Producción de vídeo automatizada
- Pictory convierte automáticamente el contenido basado en texto en vídeo.
5. Investigación y análisis de datos
- ChemCrow : Realiza simulaciones y formula recomendaciones autónomas.
para el descubrimiento de fármacos. - AI2: Proporciona gestión de almacenes de datos mediante sistemas autónomos.
6. Uso de la computadora
Los agentes modernos pueden interactuar con las interfaces gráficas de usuario (GUI) de forma similar a los usuarios humanos. Mediante sus capacidades informáticas, los agentes interpretan los píxeles de la pantalla, mueven el cursor e introducen texto en diversas aplicaciones. Estos agentes pueden:
- buscar en la web e interactuar con interfaces de software de escritorio.
- navegar por sistemas ERP internos que carecen de API estructuradas
- ejecutar flujos de trabajo administrativos multiplataforma
- Rellena los formularios en línea y reserva tu viaje.
7. Servicio al cliente
Los agentes de IA para atención al cliente responden a las consultas de los clientes en lenguaje natural, interpretan el contexto y generan respuestas similares a las humanas. Estos agentes se utilizan habitualmente para la automatización de centros de contacto. Algunos ejemplos incluyen:
- Zendesk AI
- Película de Intercomunicador
- Agente Kore.AI
8. Automatización de la atención médica
La IA agente para la atención médica tiene como objetivo aprovechar los sistemas de atención médica para automatizar los flujos de trabajo en las operaciones clínicas. Algunos ejemplos de herramientas incluyen:
Automatización sanitaria de uso general:
- Sully.ai
- IA hipocrática
- Innovador
- Agente de Beam AI Healthcare
- Salud destacada
Apoyo al paciente:
- Amelia IA
- Cognición
Lecturas adicionales
- Las mejores herramientas de agentes de IA
- Agentes de IA: Operador vs. Uso del navegador vs. Proyecto Mariner
Enlaces de referencia
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios.