No hace falta qee os diga que el mundo de la IA está evolucionando rápidamente. No hace mucho, los chatbots estaban en el centro de la innovación, impulsando asistentes virtuales, atención al cliente y automatización. Pero las cosas han cambiado. El surgimiento de los agentes de IA (sistemas más autónomos, adaptativos y orientados a objetivos) ha redefinido nuestra forma de pensar sobre las interacciones inteligentes.

Para mantenernos a la vanguardia de este cambio, hemos renombrado el BESSER Bot Framework a BESSER Agentic Framework (BAF 🤖). Este cambio no es solo un nuevo nombre. Refleja la transformación más amplia en el panorama de la IA actual ➡️ mientras que los bots a menudo se veían como simples seguidores de respuestas preprogramadas, los agentes incorporan inteligencia, toma de decisiones y resolución dinámica de problemas.

Con este cambio buscamos una:

  • Alineación con las Tendencias de la Industria 📈: El término agentes ha ganado popularidad en IA y automatización, reflejando sistemas más avanzados, autónomos y adaptables en comparación con los bots tradicionales. El cambio de nombre asegura que el framework se mantenga relevante.
  • Ampliación de las Capacidades Percibidas 🧠: Mientras que los bots suelen asociarse con interacciones simples basadas en reglas, los agentes sugieren un comportamiento más sofisticado y orientado a objetivos con razonamiento y adaptabilidad. El nuevo nombre representa mejor las capacidades del framework.
  • Atracción de una Audiencia más Amplia 🌍: Desarrolladores, investigadores y empresas buscan cada vez más soluciones basadas en agentes. Adoptar esta terminología hace que el framework sea más atractivo para aquellos que exploran conceptos de IA de última generación.

¿Qué ofrece BESSER al panorama de los agentes?

No todos los agentes necesitan depender únicamente de LLMs o razonamiento complejo basado en IA. En BESSER, proporcionamos un robusto sistema basado máquinas de estado que te permite también diseñar agentes con comportamientos basados en reglas, deterministas y pragmáticos. Esto es particularmente útil cuando:

  • Necesitas flujos de trabajo predecibles y controlados para su automatización.
  • Quieres forzar una lógica de negocio estricta, con flujos conversacionales (los típicos de los chatbots) en todos o algunos casos.
  • Buscas un enfoque híbrido, combinando la toma de decisiones estructurada basada en reglas con la adaptabilidad del razonamiento basado en LLMs.

Con un mismo framework, tú decides la flexibilidad de cada respuesta. En función de su dinamismo y criticalidad.

Además, te ofrecemos también los últimos avances en NLP (por ejemplo, características basadas en LLM como RAG) sin reinventar la rueda:

  • Los agentes BAF vienen con wrappers fáciles de usar e integrar con las herramientas de IA más populares, como HuggingFace u OpenAI.
  • ¿No necesitas modelar una máquina de estados? Crea agentes simples basados en LLM en solo unos minutos.

Y puedes mezclar todas estas técnicas en el mismo agente. Puedes tener algunos estados donde el agente debe dar una respuesta muy precisa y “hardcoded”, mientras que en otros puedes querer proporcionar una respuesta basada en RAG y en otros donde el estado debe delegar la respuesta al LLM de tu elección.

Esta nueva versión (v2.0.0) viene también con una nueva característica muy emocionante: ¡comunicación entre agentes para construir sistemas Multi-Agente 🚀! Sigue leyendo para aprender más sobre esta característica…

Sistema Multi-Agente: Ejemplo Práctico

Un agente es inteligente, pero las cosas se vuelven realmente interesantes cuando múltiples agentes trabajan juntos. Ahora, BAF permite construir sistemas Multi-Agente donde los agentes se especializan en diferentes tareas, comparten información y colaboran para hacer las cosas de manera más eficiente.

En esta sección, veremos un ejemplo práctico para mostrar cómo interactúan los agentes. El siguiente sistema Multi-Agente tiene como objetivo ayudar a los desarrolladores a escribir código fuente.

ejemplo de sistema multi-agente

Ejemplo de sistema multi-agente para desarrollo de código

Este sistema está compuesto por 3 agentes:

  • Agente Principal: El agente que interactúa con el desarrollador, recopilando sus solicitudes. Almacenará un fragmento de código y solicitará modificaciones de código a un agente programador (en este ejemplo, solo consideramos añadir nuevas funciones).
  • Agente Programador: Este agente recibe solicitudes de código (enviadas por el agente principal) y aprovecha un LLM especializado para generar el código solicitado. Antes de devolver el código generado, lo envía a un agente revisor para verificar posibles errores o bugs. Si se encuentra algo, el agente programador itera nuevamente para corregir los problemas recibidos.
  • Agente Revisor de Código: Este agente recibe un fragmento de código y se encarga de encontrar errores o bugs, aprovechando un LLM especializado.

Flujo de Trabajo de Ejemplo:

    1. Un desarrollador importa el código de una aplicación a la base de datos.
    2. El desarrollador solicita al sistema que genere una función para procesar la autenticación de usuarios.
    3. El Agente Principal asigna la solicitud al Agente Programador para generar la función.
    4. El Agente Programador produce el código.
    5. El Agente Programador envía la solicitud al Agente Revisor
    6. El Agente Revisor analiza el código en busca de posibles bugs o errores de sintaxis.
    7. El Agente Revisor encuentra un bug y lo envía de vuelta al Agente Programador.
    8. El Agente Programador actualiza el código corrigiendo el problema recibido.
    9. El Agente Programador envía la solicitud al Agente Revisor
    10. El Agente Revisor no encuentra ningún problema y responde OK.
    11. El Agente Programador recibe el OK y devuelve el nuevo código al Agente Principal.
    12. El Agente Principal actualiza la base de datos de código y espera una nueva consulta del desarrollador.

Idea central de cómo se implementa esto en BAF

Cada uno de estos agentes será un nuevo agente BAF. Luego, las interacciones entre ellos se pueden implementar fácilmente permitiendo que los agentes se comuniquen entre sí.

La comunicación entre agentes se realiza gracias a la WebSocketPlatform. Un agente A puede enviar un mensaje a otro agente B simplemente conectándose a la plataforma WebSocket del agente B. El agente B recibirá el mensaje y lo tratará de la misma manera que si fuera un mensaje humano u otro tipo de evento. Luego reaccionará creando una nueva sesión (para almacenar también la posible carga útil enviada por el agente A), detectar la intención, transicionar a otro estado, etc. Tan pronto como el Agente B responda, esta respuesta será redirigida al agente A que nuevamente la recibirá y procesará.

Encontrarás más detalles en la documentación oficial. Dedicamos una sección explicando cómo implementar la comunicación Multi-Agente, y también una explicación más técnica del ejemplo multi-agente para desarrolladores.

 

Resumiendo, ¡BAF es único!

¿Qué hace único a BAF?

  • Combina múltiples técnicas: Desde máquinas de estado tradicionales hasta las últimas innovaciones en procesamiento de lenguaje natural (NLP) y modelos de lenguaje (LLMs).
  • Ofrece un enfoque híbrido: Permite crear agentes que combinan comportamientos deterministas basados en reglas con respuestas flexibles basadas en LLMs.
  • Posibilita la comunicación entre agentes: Facilita la creación de sistemas multi-agente donde diferentes agentes pueden colaborar para resolver tareas complejas.
  • Una integración fácil: Ofrece wrappers para las herramientas y librerías de IA más populares

Si encontraste útil este proyecto, ¡no olvides darnos una estrella en GitHub 🌟 y estar atento a las próximas actualizaciones!

Imagen destacada por Catalyststuff en Freepik