Caso de uso de la IA agentiva: Administrar el aprendizaje interactivo

Last reviewed 2026-10-14 UTC

En este documento, se describe una arquitectura de alto nivel para una aplicación que genera y administra un cuestionario de aprendizaje interactivo con un flujo de trabajo de IA de agentes. El agente evalúa el conocimiento de un usuario sobre un tema específico y usa un estado de sesión persistente y una memoria a largo plazo para crear una experiencia personalizada. El agente mantiene un historial de las respuestas del usuario, lo que le permite ajustar de forma dinámica la dificultad y el contenido de las preguntas posteriores.

El público previsto para este documento incluye arquitectos, desarrolladores y administradores que crean y administran aplicaciones de IA de agentes. Esta arquitectura es adaptable para crear aplicaciones educativas interactivas y con estado en diversas industrias. En el documento, se supone que tienes conocimientos básicos de los sistemas de agentes de IA. Para obtener información sobre cómo difieren los agentes de los sistemas no agentes , consulta ¿Cuál es la diferencia entre agentes de IA, asistentes de IA y bots?

En la sección de implementación de este documento, se proporciona un vínculo a una muestra de código para ayudarte a experimentar con la implementación de una aplicación de IA de agentes que administra un cuestionario de aprendizaje interactivo.

Arquitectura

En el siguiente diagrama, se muestra una arquitectura de alto nivel para un agente de aprendizaje interactivo.

Arquitectura de un agente de aprendizaje interactivo.

La arquitectura muestra el siguiente flujo de datos:

  1. Un usuario realiza una acción, como iniciar un cuestionario o enviar una respuesta, dentro de la aplicación de cuestionario alojada en Cloud Run.
  2. La aplicación reenvía la entrada del usuario al agente de IA.

  3. El agente de IA usa el modelo de Gemini en Gemini Enterprise Agent Platform para interpretar la entrada del usuario. Según la solicitud del usuario, el agente llama a las herramientas adecuadas para realizar la acción de cuestionario solicitada.

    Por ejemplo, el agente selecciona una herramienta para iniciar una sesión de cuestionario, evaluar una respuesta o generar la siguiente pregunta.

  4. El agente envía la respuesta a la aplicación de cuestionario.

  5. La aplicación de cuestionario reenvía la respuesta al usuario.

Para mantener el estado del cuestionario y personalizar la experiencia, el agente realiza las siguientes tareas en segundo plano:

  • El agente agrega el progreso y la puntuación más recientes del cuestionario al historial de la sesión guardada que se almacena en Gemini Enterprise Agent Platform Sessions.
  • El agente transforma los datos del cuestionario en memorias y los almacena en Memory Bank para recuperarlos a largo plazo. El agente usa los datos históricos almacenados en la memoria para generar respuestas contextuales en sesiones futuras.

Productos usados

En esta arquitectura de ejemplo, se usan los siguientes Google Cloud productos y herramientas de código abierto:

  • Cloud Run: Una plataforma de computación sin servidores que te permite ejecutar contenedores directamente sobre la infraestructura escalable de Google.
  • Kit de desarrollo de agentes (ADK): Es un conjunto de herramientas y bibliotecas para desarrollar, probar y, luego, implementar agentes de IA.
  • Gemini Enterprise Agent Platform: Es una plataforma integral que te permite crear, escalar, administrar y optimizar agentes de IA de nivel empresarial.
  • Gemini Enterprise Agent Platform Sessions: Es un servicio de almacenamiento persistente que guarda y recupera el historial de interacciones entre un usuario y los agentes.
  • Memory Bank: Es un servicio de almacenamiento persistente que genera, refina, administra y recupera memorias a largo plazo basadas en las conversaciones de un usuario con un agente.

Consideraciones de seguridad

Para ayudar a abordar los riesgos de seguridad únicos de los agentes de IA, Google recomienda un enfoque que combine controles de seguridad determinísticos con defensas dinámicas basadas en el razonamiento:

  • Supervisión humana: Incorpora un flujo con intervención humana en los sistemas esenciales para la empresa para que los supervisores humanos puedan revisar los resultados y aprobar, anular o pausar las acciones del agente.
  • Agent Identity: Asigna a cada agente una identidad vinculada a la carga de trabajo para aplicar el control de acceso de privilegio mínimo y administrar de forma centralizada las credenciales de las herramientas externas.
  • Agent Gateway: Aplica la administración del tráfico de entrada y salida, las políticas de acceso de denegación predeterminada, y la inspección intercalada de instrucciones y herramientas con Model Armor.
  • Registro de agentes: Verifica que los agentes solo se conecten a subagentes y herramientas de MCP aprobados.

La guía de esta sección no está completa. Para obtener más información sobre los factores de diseño y las prácticas recomendadas, y para obtener recomendaciones sobre la creación y la implementación de un sistema de IA de agentes múltiples, consulta Sistema de IA de agentes múltiples en Google Cloud.

Deployment

Para implementar una muestra de esta arquitectura que proporciona cuestionarios relacionados con la programación, usa la muestra de código de tutor de Python que está disponible en GitHub.

¿Qué sigue?

Colaboradores

Autor: Samantha He | Escritora técnica

Otros colaboradores: