La mayoría de la industria no estaba completamente segura de lo que eran, lo que podían hacer de forma realista, o si eran sólo otra palabra de marketing. Prácticamente todos los otros ingenieros parecen estar construyendo, experimentando con, o al menos hablando de la IA de agentes en alguna forma.Lo que una vez fue un concepto vago se ha convertido rápidamente en un campo de juego práctico para los tecnológicos. Recuerdo que cuando empecé a escuchar el término “agentes de IA”, se sentía como uno de esos conceptos a los que todo el mundo se inclinaba, pero muy pocos podían explicarlo claramente. Incluso no estaba seguro de si era un cambio real o simplemente otra palabra buzzword en el mercado. pero a medida que pasaba el tiempo y más exploro; más me di cuenta de que esto es algo que se mantendrá y algo que todo ingeniero de datos debería aprender y comprender. Una cosa que noté durante mi fase de aprendizaje es que muchos de los blogs existentes, explicaciones sobre este tema se centran en la base teórica o en los marcos y herramientas prácticas. La IA de agentes existe en primer lugar y cuando realmente tiene sentido usarla. por qué En este artículo, trato de responder a estas preguntas básicas para un público objetivo que pero . already have a tech background haven’t worked with AI agents yet Al final, usted va a: 
 
 
 
 Entender lo que en realidad significa Agentic AI Aprender los conceptos y términos básicos Construye un sencillo proyecto de IA “Hello World” que puedes ejecutar localmente ¿Qué es el agente AI? y Es un sistema que no sólo Pero también puede , de , y AI agent Responder Preguntas take actions make decisions work toward a goal. Piensa en una persona normal Como alguien que te pregunta: AI chatbot 
 
 ¿Cuál es el mejor restaurante cercano? ¿Cuál es el mejor restaurante cercano? Y responde con sugerencias. Pero un es como un verdadero asistente que puede hacer mucho más que sugerencias; como AI agent 
 
 
 
 
 
 Mira los restaurantes Comprueba las calificaciones Libro de mesa Añádelo a tu calendario El recuerdo En lugar de dar información, se . acts on your behalf Una forma sencilla de pensarlo sería con la siguiente analogía: 
 
 
 LLM = cerebro Agente = cerebro + memoria + herramientas + ciclo de decisión LLM = Brain Agent = Brain + Memory + Tools + Decision Loop Si un LLM responde a las preguntas, un . agent gets things done ¿Por qué necesitamos agentes? Como continuación del ejemplo que vimos en la sección anterior, aquí está otro ejemplo para hacer las cosas claras sobre cómo los agentes de IA son diferentes para el sistema de IA habitual y qué necesidad o brecha específica cumplen. Digamos que necesitamos saber cómo es el clima de hoy y, en base a eso, decidir si ir a una carrera o no. Esto requeriría: 
 
 
 
 
 Recuperación de datos Razonar sobre ello Tomando una decisión Producir una acción Un agente en este caso puede ser útil con: 
 
 
 
 
 Decidir qué herramienta llamar Ejemplos de pasos intermedios Regresar si algo falla Parar cuando la tarea está hecha Principales conceptos de agencia Espero que por ahora estés bastante claro sobre qué son los agentes de IA y por qué incluso lo necesitaríamos.Siguiente, mergullemos en el mundo de la IA de Agentes y intentemos construir algún vocabulario básico que ayudaría a simplificar el aprendizaje de conceptos más avanzados. 1 Agente y Es un sistema que: agent 
 
 
 
 
 Tiene un objetivo Puede tomar acciones Puede razonar sobre los pasos o elementos de acción Puede utilizar herramientas Piensa en él como un No es un chatbot. long-running task executor Objetivo / Objetivo Este es el para el agente. Estrella del Norte Los ejemplos: 
 
 
 
 “Resumir un documento” “Responder a una pregunta del cliente utilizando documentos internos” “Logs de monitoreo y alerta de anomalías” Los agentes no solo responden - ellos . work towards a goal 3 – Herramientas Las herramientas son El agente puede llamar. external capabilities Los ejemplos: 
 
 
 
 
 API (Meteorología, pagos y búsqueda) Bases de datos Sistema de archivos Funciones que escribe en Python/JS Los agentes deciden y para usarlos. Cuando Cómo 4 Memoria Los agentes a menudo necesitan un contexto más allá de una prompt. La memoria puede ser: 
 
 
 A corto plazo (historia de la conversación) A largo plazo (fechos almacenados, embeddings, DB de vectores) Para un agente básico, la memoria a corto plazo es suficiente. Planificación / Razonamiento Loop Este es el corazón del comportamiento agente. Tipos de loop: 
 
 
 
 
 
 
 Observa el estado actual Piensa en el siguiente paso Elige una acción ejecutar la acción Observa el resultado Repetir o detener A menudo lo verás llamado o . ReAct Plan-Act-Observe 
 
 Sistema de agentes múltiples a Es un establecimiento donde , cada uno con su propio papel y responsabilidad, para resolver un problema de forma colaborativa como un equipo. multi-agent system multiple AI agents work together 
 
 Medio Ambiente Un entorno es donde el agente opera, como: 
 
 
 
 
 
 navegador Sistema de archivos Calendario herramientas de negocio apps 
 
 Framework de agentes Estas son las herramientas que se utilizan para construir agentes. Algunos de los marcos más utilizados son los siguientes: 
 
 
 
 
 Lenguas Autopista La tripulación LlamaIndex Es hora de que las manos se ensucien... Basta de teoría, vamos a seguir construyendo un agente de IA básico que ayude a aclarar cualquier duda que aún pueda tener. Vamos a construir una Eso es: Task Agent 
 
 
 
 
 Toma una tarea del usuario Decide si necesita una herramienta Utiliza la herramienta Devuelve una respuesta final Qué hará este agente Ejemplo de Tareas: 
 
 “¿Cuál es la hora actual y debo tomar un café?” “¿Cuál es la hora actual y debo tomar un café?” El agente va a: 
 
 
 
 
 Decide que necesita el tiempo actual Busca una herramienta de tiempo Razones para el café Responder Paso 1: Instalación básica Usaremos Python y una API compatible con OpenAI. Execute el siguiente comando en su terminal o prompt de comandos: pip install openai
 Paso 2: Define una herramienta Definiremos la herramienta como una simple función de Python en un solo archivo, digamos agent_hello_world.py. Para un proyecto real, probablemente organizarías las herramientas en módulos separados, pero mantener todo juntos hace que sea más fácil ver cómo funciona el ciclo de agentes. from datetime import datetime

def get_current_time():
    return datetime.now().strftime("%H:%M")
 Paso 3: Define el agente prompt Aquí es donde el comportamiento de los agentes Añade esto a su archivo Python creado en el paso anterior. Diseñado SYSTEM_PROMPT = """
You are a simple AI agent.

You can:
- Think step by step
- Decide when to call tools
- Use the tool: get_current_time

When the task is complete, respond with a final answer.
"""
 Paso 4: Agente Razonamiento Loop A continuación, añadiremos la lógica de razonamiento a nuestro código. El siguiente fragmento comienza enviando la tarea del usuario, junto con una advertencia del sistema, a GPT-4 a través de la API de ChatCompletion. Luego entra en un loop donde continúa recibiendo las respuestas del modelo. , el agente llama a una función de ayuda para obtener el tiempo actual. Añade tanto la solicitud de la herramienta como el resultado de la herramienta de vuelta al historial de mensajes y continúa la conversación. Si la respuesta no solicita una herramienta, el agente asume que la tarea está completa y devuelve la respuesta final. USE_TOOL:get_current_time import os
import openai
from openai import 

openai.api_key = "YOUR_API_KEY"

def run_agent(task):
    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": task}
    ]

    while True:
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=messages
        )

        reply = response["choices"][0]["message"]["content"]

        if "USE_TOOL:get_current_time" in reply:
            time = get_current_time()
            messages.append({"role": "assistant", "content": reply})
            messages.append({"role": "tool", "content": time})
        else:
            return reply
 Paso 5: Probarlo Por último, añade a continuación líneas de código en su guión y ejecute para probarlo. task = "What time is it right now, and should I grab a coffee?"
result = run_agent(task)
print(result)
 ¡Felicitaciones! acabas de crear una . basic agent No es fantástico, sino real por sí mismo. Acabamos de implementar un agente de IA local básico con: 
 
 
 
 
 Comportamiento orientado a objetivos Utilización de herramientas El razonamiento loop La toma de decisiones estatal Este es el fuera de allí. core of every agent framework LangChain, AutoGen, CrewAI - todos ellos abstracto . Este patrón exacto Pensamientos finales Para mí, la IA de agentes no es una revolución de la noche a la noche, sino que es más como un cambio lento y constante en la misma dirección en la que hemos estado avanzando durante años, que es automatizar y hacer que los sistemas sean más inteligentes.Cuando eliminas las palabras buzzwords, todavía es sólo un sistema que corre en un ciclo, manteniendo el contexto, tomando decisiones y llamando herramientas cuando es necesario. "La pieza ahora se puede hacer por un LLM. thinking He encontrado que los agentes tienen mucho más sentido cuando los tratas como otro componente de ingeniería y no como un concepto de ciencia ficción futurista. , a veces el flujo de trabajo más simple sigue siendo el mejor. not every problem needs an agent

This story contains new, firsthand information uncovered by the writer.

Walkthroughs, tutorials, guides, and tips. This story will teach you how to do something new or how to do something better.

Read My Stories

Este audio es producido en el idioma original de la historia!

Comenzando con la IA de agencia: conceptos, terminología y un mundo de Python

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Una guía del arquitecto para crear una arquitectura de referencia para un lago de datos de IA/ML

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps