Ampliar las operaciones de revisión de contenido con un flujo de trabajo de múltiples agentes

Las empresas gestionan volúmenes de contenido cada vez mayores, que van desde catálogos de productos y artículos de soporte hasta bases de conocimientos y documentación técnica. Garantizar que esta información siga siendo precisa, relevante y alineada con los datos comerciales más recientes es un desafío formidable. Los procesos de revisión manual de contenido suelen ser lentos, costosos y no pueden seguir el ritmo de las necesidades empresariales dinámicas. Según un estudio de McKinsey, las organizaciones que utilizan IA generativa para el trabajo del conocimiento, incluida la revisión de contenido y el control de calidad, pueden aumentar la productividad hasta entre un 30% y un 50% y reducir drásticamente el tiempo dedicado a tareas de verificación repetitivas. De manera similar, una investigación de Deloitte destaca que las operaciones de contenido impulsadas por IA no solo aumentan la eficiencia sino que también ayudan a las organizaciones a mantener una mayor precisión del contenido y reducir el riesgo operativo.

Amazon Bedrock AgentCore, una infraestructura diseñada específicamente para implementar y operar agentes de IA a escala, combinada con Strands Agents, un SDK de código abierto para crear agentes de IA, permite a las organizaciones automatizar flujos de trabajo integrales de revisión de contenido. Este enfoque basado en agentes permite a las empresas evaluar la precisión del contenido, verificar la información con fuentes autorizadas y generar recomendaciones prácticas para mejorar. Al utilizar agentes especializados que trabajan juntos de forma autónoma, los expertos humanos pueden centrarse en tareas de revisión estratégica mientras el sistema de agentes de IA maneja la validación de contenido a gran escala.

El enfoque basado en agentes que presentamos es aplicable a cualquier tipo de contenido empresarial, desde documentación de productos y bases de conocimientos hasta materiales de marketing y especificaciones técnicas. Para demostrar estos conceptos en acción, analizamos un ejemplo práctico de revisión del contenido de un blog para determinar su precisión técnica. Estos patrones y técnicas se pueden adaptar directamente a diversas necesidades de revisión de contenido ajustando las configuraciones del agente, las herramientas y las fuentes de verificación.

Descripción general de la solución

La solución de revisión de contenido implementa un patrón de flujo de trabajo de múltiples agentes, donde tres agentes de IA especializados creados con Strands Agents e implementados en Amazon Bedrock AgentCore trabajan en un proceso coordinado. Cada agente recibe la salida del agente anterior, la procesa de acuerdo con su función especializada y pasa información enriquecida al siguiente agente de la secuencia. Esto crea un proceso de refinamiento progresivo donde:

El agente de escaneo de contenido analiza el contenido sin procesar y extrae información relevante. El agente de verificación de contenido toma estos elementos extraídos y los valida con fuentes autorizadas. El agente de recomendación transforma los resultados de la verificación en actualizaciones de contenido procesables.

El mantenimiento del contenido técnico requiere múltiples agentes especializados porque escanear, verificar y actualizar la documentación manualmente es ineficiente y propenso a errores. Cada agente tiene una función específica: el escáner identifica elementos urgentes, el verificador verifica la precisión actual y el agente de recomendación elabora actualizaciones precisas. El diseño modular del sistema, con interfaces y responsabilidades claras, facilita agregar nuevos agentes o ampliar capacidades a medida que crece la complejidad del contenido. Para ilustrar cómo funciona en la práctica este sistema de revisión de contenido basado en agentes, analizamos una implementación que revisa las publicaciones técnicas del blog para verificar su precisión. Las empresas de tecnología publican con frecuencia publicaciones en blogs que detallan nuevas funciones, actualizaciones y mejores prácticas. Sin embargo, el rápido ritmo de la innovación significa que algunas funciones quedan obsoletas o se actualizan, lo que dificulta mantener la información actualizada en cientos o miles de publicaciones publicadas. Si bien demostramos este patrón con contenido de blog, la arquitectura es independiente del contenido y admite cualquier tipo de contenido mediante la configuración de los agentes con indicaciones, herramientas y fuentes de datos adecuadas.

Ejemplo práctico: solución de revisión de contenido de blog

Utilizamos tres agentes especializados que se comunican secuencialmente para revisar publicaciones automáticamente e identificar información técnica desactualizada. Los usuarios pueden activar el sistema manualmente o programarlo para que se ejecute periódicamente.

Figura-1 Arquitectura de revisión de contenido del blog

El flujo de trabajo comienza cuando se proporciona la URL del blog al agente de escaneo de blogs, que recupera el contenido utilizando la herramienta http_request de Strands y extrae las afirmaciones técnicas clave que requieren verificación. Luego, el agente de verificación consulta el servidor MCP de documentación de AWS para obtener la documentación más reciente y validar las afirmaciones técnicas con la documentación actual. Finalmente, el agente de recomendaciones sintetiza los hallazgos y genera un informe de revisión completo con recomendaciones prácticas para el equipo del blog.

El código es de código abierto y está alojado en GitHub.

Flujo de trabajo multiagente

Agente escáner de contenidos: Extracción inteligente para detección de obsolescencia

El agente de escaneo de contenido sirve como punto de entrada al flujo de trabajo de múltiples agentes. Es responsable de identificar información técnica potencialmente obsoleta. Este agente se dirige específicamente a elementos que probablemente queden obsoletos con el tiempo. El agente analiza el contenido y produce resultados estructurados que clasifican cada elemento técnico por tipo, ubicación en el blog y sensibilidad temporal. Este formato estructurado permite al agente de verificación recibir datos bien organizados que puede procesar de manera eficiente.

Agente de verificación de contenido: validación basada en evidencia

El agente de verificación de contenido recibe los elementos técnicos estructurados del agente de escaneo y realiza la validación con fuentes autorizadas. El agente de verificación utiliza el servidor MCP de documentación de AWS para acceder a la documentación técnica actual. Para cada elemento técnico recibido del agente escáner, sigue un proceso de verificación sistemático guiado por indicaciones específicas que se centran en criterios objetivos y mensurables.

Se solicita al agente que verifique:

Información específica de la versión: ¿todavía existe el número de versión, el punto final de API o el parámetro de configuración mencionados? Disponibilidad de la función: ¿la función de servicio descrita todavía está disponible en las regiones o niveles especificados? Precisión de sintaxis: ¿los ejemplos de código, los comandos CLI o los fragmentos de configuración coinciden con la documentación actual? Validez de los requisitos previos: ¿Siguen siendo precisos los requisitos, las dependencias o los pasos de configuración enumerados? Precios y límites: ¿Los costos, cuotas o límites de servicio mencionados se alinean con la información publicada actualmente?

Para cada elemento técnico recibido del agente escáner, el agente realiza los siguientes pasos:

Genera consultas de búsqueda específicas basadas en el tipo de elemento y el contenido Consulta el servidor de documentación para obtener información actual Compara la afirmación original con fuentes autorizadas utilizando los criterios específicos anteriores Clasifica el resultado de la verificación como ACTUAL, PARCIALMENTE_OBSOLETE o TOTALMENTE_OBSOLETE Documenta discrepancias específicas con evidencia

Ejemplo de verificación en acción: cuando el agente de escaneo identifica la afirmación "Amazon Bedrock está disponible solo en las regiones us-east-1 y us-west-2", el agente de verificación genera la consulta de búsqueda "regiones disponibles de Amazon Bedrock" y recupera la disponibilidad regional actual de la documentación de AWS. Al descubrir que Bedrock ahora está disponible en más de 8 regiones, incluidas eu-west-1 y ap-southeast-1, lo clasifica como PARCIALMENTE_OBSOLETE con la evidencia: "La reclamación original enumera 2 regiones, pero la documentación actual muestra disponibilidad en us-east-1, us-west-2, eu-west-1, ap-southeast-1 y 4 regiones adicionales a partir de la fecha de verificación".

La salida del agente de verificación mantiene la estructura de elementos del agente de escaneo al tiempo que agrega estos detalles de verificación y clasificaciones basadas en evidencia.

Agente de recomendación: generación de actualizaciones procesables

El agente de recomendación representa la etapa final en el flujo de trabajo de múltiples agentes, transformando los resultados de la verificación en actualizaciones de contenido listas para implementar. Este agente recibe los resultados de la verificación y genera recomendaciones específicas que mantienen el estilo del contenido original mientras corrigen imprecisiones técnicas.

Adaptación del patrón de flujo de trabajo de múltiples agentes para sus casos de uso de revisión de contenido

El patrón de flujo de trabajo de múltiples agentes se puede adaptar rápidamente a cualquier escenario de revisión de contenido sin cambios arquitectónicos. Ya sea que se revise la documentación del producto, los materiales de marketing o los documentos de cumplimiento normativo, se aplica el mismo flujo de trabajo secuencial de tres agentes. Las indicaciones del sistema deben modificarse para que cada agente se centre en elementos específicos del dominio y potencialmente intercambie las herramientas o fuentes de conocimiento. Por ejemplo, mientras que nuestro ejemplo de revisión de blog utiliza una herramienta http_request para recuperar el contenido del blog y el servidor MCP de documentación de AWS para su verificación, un sistema de revisión de catálogo de productos podría usar una herramienta de conector de base de datos para recuperar información del producto y consultar las API de administración de inventario para su verificación. De manera similar, un sistema de revisión de cumplimiento ajustaría el mensaje del agente de escaneo para identificar declaraciones regulatorias en lugar de reclamos técnicos, conectaría el agente de verificación a bases de datos legales en lugar de documentación técnica y configuraría el agente de recomendación para generar informes listos para auditoría en lugar de actualizaciones de contenido. Los pasos secuenciales principales de extracción, verificación y recomendación permanecen constantes en todos estos escenarios, lo que proporciona un patrón probado que escala desde blogs técnicos hasta cualquier tipo de contenido empresarial. Recomendamos los siguientes cambios para personalizar la solución para otros tipos de contenido.

Reemplace los valores de las variables CONTENT_SCANNER_PROMPT, CONTENT_VERIFICATION_PROMPT y RECOMMENDATION_PROMPT con sus instrucciones personalizadas:

Python CONTENT_SCANNER_PROMPT = """""" CONTENT_VERIFICATION_PROMPT = """""" RECOMMENDATION_PROMPT = """"""

Actualice la documentación oficial del servidor MCP para el agente de verificación de contenido:

python product_db_mcp_client = MCPClient( lambda: stdio_client(StdioServerParameters( command="uvx", args=[""] )) )

Agregue herramientas de acceso a contenido apropiadas, como Database_query_tool y cms_api_tool para el agente de análisis de contenido cuando la herramienta http_request sea insuficiente:

python scanner_agent = Agente (model="us.anthropic.claude-3-7-sonnet-20250219-v1:0", system_prompt=CONTENT_SCANNER_PROMPT, herramientas=[database_query_tool, cms_api_tool] # Reemplazar http_request)

Estas modificaciones específicas permiten que el mismo patrón arquitectónico maneje cualquier tipo de contenido mientras mantiene la estructura comprobada del flujo de trabajo de tres agentes, lo que garantiza confiabilidad y coherencia en diferentes dominios de contenido sin requerir cambios en la lógica de orquestación central.

Conclusión y próximos pasos

En esta publicación, explicamos cómo diseñar un sistema de revisión de contenido impulsado por agentes de IA utilizando Amazon Bedrock AgentCore y Strands Agents. Demostramos el patrón de flujo de trabajo de múltiples agentes en el que agentes especializados trabajan juntos para escanear contenido, verificar la precisión técnica con fuentes autorizadas y generar recomendaciones prácticas. Además, discutimos cómo adaptar este patrón de múltiples agentes para diferentes tipos de contenido modificando las indicaciones, las herramientas y las fuentes de datos de los agentes mientras mantenemos el mismo marco arquitectónico.

Le recomendamos que pruebe el código de muestra disponible en GitHub en su propia cuenta para obtener experiencia de primera mano con la solución. Como próximos pasos, considere comenzar con un proyecto piloto en un subconjunto de su contenido, personalizar las indicaciones del agente para su dominio específico e integrar fuentes de verificación apropiadas para su caso de uso. La naturaleza modular de esta arquitectura le permite refinar de forma iterativa las capacidades de cada agente a medida que expande el sistema para manejar todas las necesidades de revisión de contenido de su organización.

Sobre los autores

Sarath Krishnan es arquitecto senior de soluciones especializado en inteligencia artificial y aprendizaje automático en Amazon Web Services, donde ayuda a los clientes empresariales a diseñar e implementar soluciones generativas de inteligencia artificial y aprendizaje automático que brindan resultados comerciales mensurables. Aporta una profunda experiencia en IA generativa, aprendizaje automático y MLOps para crear sistemas de IA escalables, seguros y listos para producción.

Santhosh Kuriakose es arquitecto de soluciones especializado en IA/ML en Amazon Web Services, donde aprovecha su experiencia en IA y ML para crear soluciones tecnológicas que brinden resultados comerciales estratégicos para sus clientes.

Ravi Vijayan es gerente de soluciones para clientes de Amazon Web Services. Aporta experiencia como desarrollador, director de programas tecnológicos y socio de clientes, y actualmente se centra en ayudar a los clientes a aprovechar plenamente el potencial y los beneficios de migrar a la nube y modernizarse con IA generativa.