En este tutorial, exploramos cómo diseñamos y ejecutamos un canal de orquestación de IA agente completo impulsado por enrutamiento semántico, barreras de seguridad simbólicas y bucles de autocorrección utilizando Gemini. Explicamos cómo estructuramos agentes, despachamos tareas, aplicamos restricciones y refinamos los resultados utilizando una arquitectura limpia y modular. A medida que avanzamos en cada fragmento, vemos cómo el sistema elige inteligentemente al agente adecuado, valida su resultado y se mejora a través de una reflexión iterativa. Consulte los códigos completos aquí.
Configuramos nuestro entorno central importando bibliotecas esenciales, definiendo la clave API e inicializando el cliente Gemini. También establecemos la estructura AgentMessage, que actúa como formato de comunicación compartida entre agentes. Consulte los códigos completos aquí.
excepto: devolver “agente_general”
Construimos la capa cognitiva usando Gemini, lo que nos permite generar salidas de texto y JSON según la instrucción. También implementamos el enrutador semántico, que analiza las consultas y selecciona el agente más adecuado. Consulte los códigos completos aquí.
Construimos los agentes trabajadores y el orquestador central. Cada agente recibe un rol claro, analista, creativo o codificador, y configuramos el orquestador para administrarlos. Al revisar esta sección, vemos cómo definimos el ecosistema de agentes y lo preparamos para la delegación inteligente de tareas. Consulte los códigos completos aquí.
para intento en el rango (max_retries + 1): intente: msg = AgentMessage(source=”User”, target=target_name, content=current_input, metadata={}) print(f” [Exec] {worker.name} trabajando… (Intento {intento+1})”) resultado = trabajador.execute(msg) si la restricción: es_válida, error_msg = self.validate_constraint(resultado, restricción) si no es_válida: print(f” [Guardrail] VIOLACIÓN: {error_msg}”) current_input = f”Su respuesta anterior no pasó la verificación.\nSolicitud original: {user_input}\nSu respuesta: {resultado}\nError: {error_msg}\nSOLUCIÓN inmediatamente.” continuar print(f” [Success] Salida final:\n{resultado[:100]}…”) devuelve resultado excepto Excepción como e: print(f” [System Error] {e}”) tiempo.dormir(1) imprimir(” [Failed] Se alcanzó el número máximo de reintentos o la autocorrección falló.”) return Ninguno
Implementamos barreras de seguridad simbólicas y un bucle de autocorrección para imponer restricciones como JSON estricto o sin Markdown. Realizamos un refinamiento iterativo cada vez que los resultados violan los requisitos, lo que permite a nuestros agentes corregir sus propios errores. Consulte los códigos completos aquí.
Ejecutamos dos escenarios completos, mostrando el enrutamiento, la ejecución del agente y la validación de restricciones en acción. Ejecutamos una tarea analítica aplicada en JSON y una tarea de codificación con restricciones de Markdown para observar el comportamiento reflexivo.
En conclusión, ahora vemos cómo múltiples componentes, enrutamiento, agentes trabajadores, barreras de seguridad y autocorrección, se unen para crear un sistema de agentes inteligente y confiable. Somos testigos de cómo cada parte contribuye a una ejecución sólida de las tareas, garantizando que los resultados sigan siendo precisos, alineados y conscientes de las limitaciones. Al reflexionar sobre la arquitectura, reconocemos con qué facilidad podemos expandirla con nuevos agentes, restricciones más ricas o estrategias de razonamiento más avanzadas.
Consulte los códigos completos aquí. No dude en consultar nuestra página de GitHub para tutoriales, códigos y cuadernos. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como empresario e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.
