Elige un patrón de diseño para tu sistema de agente de IA

Last reviewed 2026-11-13 UTC

En este documento, se proporciona orientación para ayudarte a elegir un patrón de diseño para tu sistema de IA agéntica. Los patrones de diseño de agentes son enfoques arquitectónicos comunes para compilar aplicaciones de agentes. Un patrón de diseño de agentes ofrece un framework distinto para organizar los componentes de un sistema, integrar el modelo y coordinar uno o varios agentes para completar un flujo de trabajo.

Los agentes de IA son eficaces para las aplicaciones que resuelven problemas abiertos, que pueden requerir la toma de decisiones autónoma y la administración de flujos de trabajo complejos de varios pasos. Los agentes se destacan en la resolución de problemas en tiempo real con datos externos y en la automatización de tareas que requieren muchos conocimientos. Los agentes de IA son adecuados cuando necesitas que la IA complete tareas enfocadas en objetivos con cierto grado de autonomía. Para otros casos de uso, puedes usar aplicaciones de IA generativa y de asistencia. Para obtener información sobre las diferencias entre los agentes de IA y las aplicaciones de IA sin agentes, consulta ¿Cuál es la diferencia entre agentes de IA, asistentes de IA y bots?

En esta guía, se supone que tienes conocimientos básicos de los sistemas de IA agéntica y de cómo su arquitectura difiere de la de los sistemas no agénticos, como los que usan el razonamiento directo de modelos o la generación aumentada por recuperación (RAG).

Define tus requisitos

Las preguntas que siguen no son listas de tareas exhaustivas para la planificación. Usa estas preguntas como punto de partida para identificar el objetivo principal de tu sistema de agentes y seleccionar el mejor patrón de diseño.

  • Características de la tarea: ¿La tarea se puede completar en pasos de flujo de trabajo predefinidos o es abierta? ¿Tu tarea necesita usar un modelo de IA para organizar el flujo de trabajo?
  • Latencia y rendimiento: ¿Necesitas priorizar las respuestas rápidas o interactivas a costa de la exactitud o las respuestas de alta calidad? ¿O tu aplicación puede tolerar un retraso para lograr un resultado más preciso o completo?
  • Costo: ¿Cuál es tu presupuesto para los costos de inferencia? ¿Puedes admitir patrones que requieran varias llamadas al modelo para una sola solicitud?
  • Participación humana: ¿Tu tarea implica decisiones de alto riesgo, operaciones críticas para la seguridad o aprobaciones subjetivas que requieren un juicio humano?

Si tu carga de trabajo es predecible o está muy estructurada, o si se puede ejecutar con una sola llamada a un modelo de IA, puede ser más rentable explorar soluciones no basadas en agentes para tu tarea. Por ejemplo, es posible que no necesites un flujo de trabajo de agentes para tareas como resumir un documento, traducir texto o clasificar los comentarios de los clientes.

En las siguientes secciones, se describen los patrones de diseño de agentes comunes para crear un sistema de IA agéntica confiable y eficaz.

Sistema de un solo agente

Un sistema de agente único usa un modelo de IA, un conjunto definido de herramientas y una instrucción del sistema completa para controlar de forma autónoma una solicitud del usuario o completar una tarea específica. En este patrón fundamental, el agente se basa en las capacidades de razonamiento del modelo para interpretar la solicitud de un usuario, planificar una secuencia de pasos y decidir qué herramientas usar de un conjunto definido. La instrucción del sistema determina el comportamiento del agente definiendo su tarea principal, su personalidad y sus operaciones, así como las condiciones específicas para usar cada herramienta.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón de agente único:

Arquitectura del patrón de diseño de agente único.

Un sistema de agente único es ideal para tareas que requieren varios pasos y acceso a datos externos. Por ejemplo, un agente de asistencia al cliente debe consultar una base de datos para encontrar el estado de un pedido, o un asistente de investigación debe llamar a las APIs para resumir las noticias recientes. Un sistema sin agentes no puede realizar estas tareas porque no puede usar herramientas de forma autónoma ni ejecutar un plan de varios pasos para sintetizar una respuesta final.

Si estás en las primeras etapas del desarrollo de tu agente, te recomendamos que comiences con un solo agente. Cuando comienzas el desarrollo de tu agente con un sistema de un solo agente, puedes enfocarte en definir mejor la lógica central, las instrucciones y las definiciones de herramientas de tu agente antes de agregar componentes de arquitectura más complejos.

El rendimiento de un solo agente puede ser menos eficaz cuando usa más herramientas y cuando las tareas aumentan en complejidad. Esto se puede observar como un aumento de la latencia, una selección o un uso incorrectos de las herramientas, o bien un error para completar la tarea. A menudo, puedes mitigar estos problemas si defines mejor el proceso de razonamiento del agente con técnicas como el patrón de razonamiento y acción (ReAct). Sin embargo, si tu flujo de trabajo requiere que un agente administre varias responsabilidades distintas, es posible que estas técnicas no sean suficientes. Para estos casos, considera un sistema multiagente, que puede mejorar la resiliencia y el rendimiento delegando habilidades específicas a agentes especializados.

Sistemas multiagente

Un sistema multiagente organiza varios agentes especializados para resolver un problema complejo que un solo agente no puede administrar con facilidad. El principio fundamental es descomponer un objetivo grande en subtareas más pequeñas y asignar cada subtarea a un agente dedicado con una habilidad específica. Luego, estos agentes interactúan a través de flujos de trabajo colaborativos o jerárquicos para lograr el objetivo final. Los patrones multiagente proporcionan un diseño modular que puede mejorar la escalabilidad, la confiabilidad y la capacidad de mantenimiento del sistema general en comparación con un solo agente con una instrucción monolítica.

En un sistema multiagente, cada agente requiere un contexto específico para realizar su tarea de manera eficaz. El contexto puede incluir documentación, preferencias históricas, vínculos pertinentes, historial de conversaciones o cualquier restricción operativa. El proceso de administrar este flujo de información se denomina ingeniería de contexto. La ingeniería de contexto incluye estrategias como aislar el contexto para un agente específico, conservar la información en varios pasos o comprimir grandes cantidades de datos para mejorar la eficiencia.

Los agentes de IA presentan ciertos riesgos de seguridad únicos y críticos que las prácticas de seguridad convencionales y deterministas podrían no mitigar de forma adecuada. Usa Agent Gateway para el enrutamiento y la seguridad del tráfico de entrada y salida, Agent Identity para la autenticación vinculada a la carga de trabajo y el control de acceso con privilegios mínimos, y Agent Registry para garantizar que se usen herramientas y agentes secundarios verificados.

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 cómo compilar e implementar un sistema de IA multiagente, consulta Sistema de IA multiagente en Google Cloud.

Patrón secuencial

El patrón secuencial multiagente ejecuta una serie de agentes especializados en un orden lineal predefinido en el que el resultado de un agente sirve como entrada directa para el siguiente.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón secuencial multiagente:

Arquitectura del patrón de diseño secuencial multiagente.

Usa el patrón secuencial para procesos altamente estructurados y repetibles en los que la secuencia de operaciones no cambia. Por ejemplo, una canalización de procesamiento de datos podría usar este patrón para que, primero, un agente de extracción de datos extraiga los datos sin procesar y, luego, los pase a un agente de limpieza de datos para que les dé formato, que, a su vez, pasa los datos limpios a un agente de carga de datos para que los guarde en una base de datos.

El patrón secuencial puede reducir la latencia y los costos operativos en comparación con un patrón que usa un modelo de IA para organizar el flujo de trabajo de las tareas. Sin embargo, esta eficiencia tiene un costo en términos de flexibilidad. La estructura rígida y predefinida de la canalización dificulta la adaptación a condiciones dinámicas o la omisión de pasos innecesarios, lo que puede causar un procesamiento ineficiente o generar una latencia acumulativa más alta si un paso innecesario es lento.

Patrón paralelo

En el patrón paralelo multiagente, también conocido como patrón simultáneo, varios agentes secundarios especializados realizan una tarea o subtareas de forma independiente al mismo tiempo. Luego, se sintetizan los resultados de los agentes secundarios para producir la respuesta consolidada final. Este patrón opera con una lógica predefinida sin consultar un modelo de IA para la organización.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón paralelo multiagente:

Arquitectura del patrón de diseño paralelo multiagente.

Usa el patrón paralelo cuando las subtareas se puedan ejecutar de forma simultánea para reducir la latencia o recopilar perspectivas diversas, como recopilar datos de fuentes distintas o evaluar varias opciones a la vez. Por ejemplo, para analizar los comentarios de los clientes, un agente paralelo podría enviar una sola entrada de comentarios a cuatro agentes especializados al mismo tiempo: un agente de análisis de sentimiento, un agente de extracción de palabras clave, un agente de categorización y un agente de detección de urgencia. Un agente final reúne estos cuatro resultados en un único análisis integral de esos comentarios.

El patrón paralelo puede reducir la latencia general en comparación con un enfoque secuencial, ya que puede recopilar información diversa de varias fuentes al mismo tiempo. Sin embargo, este enfoque presenta desventajas en cuanto al costo y la complejidad. Ejecutar varios agentes en paralelo puede aumentar el uso inmediato de recursos y el consumo de tokens, lo que genera costos operativos más altos. Además, el paso de recopilación requiere una lógica compleja para sintetizar resultados potencialmente conflictivos, lo que aumenta la sobrecarga de desarrollo y mantenimiento del sistema.

Patrón de bucle

El patrón de agente de bucle multiagente ejecuta de forma repetida una secuencia predefinida de agentes secundarios especializados hasta que se cumple una condición de finalización específica. Después de que todos los subagentes completen sus tareas, el agente de bucle evalúa si se cumple una condición de salida. La condición puede ser una cantidad máxima de iteraciones o un estado personalizado. Si no se cumple la condición de salida, el agente de bucle vuelve a iniciar la secuencia de agentes secundarios. Puedes implementar un patrón de bucle en el que la condición de salida se evalúe en cualquier punto del flujo. Usa el patrón de bucle para las tareas que requieren un perfeccionamiento iterativo o una corrección automática, como generar contenido y hacer que un agente crítico lo revise hasta que cumpla con un estándar de calidad.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón de bucle multiagente:

Arquitectura del patrón de diseño de bucle multiagente.

El patrón de agente de bucle proporciona una forma de compilar flujos de trabajo iterativos y complejos. Permite que los agentes perfeccionen su propio trabajo y sigan procesando hasta que se alcance una calidad o un estado específicos. Sin embargo, la principal desventaja de este patrón es el riesgo de un bucle infinito. Si la condición de finalización no se define correctamente o si los subagentes no producen el estado necesario para detenerse, el bucle puede ejecutarse de forma indefinida. Esto puede generar costos operativos excesivos, un alto consumo de recursos y posibles bloqueos del sistema.

Patrón de revisión y crítica

El patrón de revisión y crítica de varios agentes, también conocido como el patrón de generador y crítico, mejora la calidad y la confiabilidad del contenido generado con dos agentes especializados, por lo general, en un flujo de trabajo secuencial. El patrón de revisión y crítica es una implementación del patrón de agente de bucle.

En el patrón de revisión y crítica, un agente generador crea un resultado inicial, como un bloque de código o un resumen de un documento. Luego, un agente crítico evalúa este resultado en función de un conjunto de criterios predefinidos, como la exactitud fáctica, el cumplimiento de las reglas de formato o las normas de seguridad. Según la evaluación, el crítico puede aprobar el contenido, rechazarlo o devolverlo al generador con comentarios para su revisión.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón de revisión y crítica de varios agentes:

Arquitectura del patrón de diseño de revisión y crítica de varios agentes.

Este patrón es adecuado para tareas en las que los resultados deben tener precisión alta o deben cumplir con restricciones estrictas antes de presentarse a un usuario o usarse en un proceso posterior. Por ejemplo, en un flujo de trabajo de generación de código, un agente generador podría escribir una función para completar la solicitud de un usuario. Luego, este código generado se pasa a un agente crítico que actúa como auditor de seguridad. El trabajo del agente crítico es verificar el código con un conjunto de restricciones, como analizar en busca de vulnerabilidades de seguridad o verificar que pase todas las pruebas de unidades, antes de que se apruebe el código para su uso.

El patrón de revisión y crítica puede mejorar la calidad, la exactitud y la confiabilidad de los resultados, ya que agrega un paso de verificación dedicado. Sin embargo, este control de calidad tiene un costo directo de aumento de la latencia y de los gastos operativos. El flujo de trabajo requiere al menos una llamada de modelo adicional para la evaluación del crítico. Si el proceso incluye bucles de revisión en los que el contenido se vuelve a enviar para su perfeccionamiento, la latencia y los costos se acumulan con cada iteración.

Patrón de perfeccionamiento iterativo

El patrón de perfeccionamiento iterativo usa un mecanismo de bucle para mejorar progresivamente un resultado en varios ciclos. El patrón de perfeccionamiento iterativo es una implementación del patrón de agente de bucle.

En este patrón, uno o más agentes trabajan dentro de un bucle para modificar un resultado que se almacena en el estado de la sesión durante cada iteración. El proceso continúa hasta que el resultado cumple con un umbral de calidad predefinido o alcanza una cantidad máxima de iteraciones, lo que evita bucles infinitos.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón de perfeccionamiento iterativo multiagente:

Arquitectura del patrón de diseño de perfeccionamiento iterativo multiagente.

Este patrón es adecuado para tareas de generación complejas en las que el resultado es difícil de lograr en un solo paso. Algunos ejemplos de estas tareas son escribir y depurar un fragmento de código, desarrollar un plan detallado de varias partes o redactar y revisar un documento de formato largo. Por ejemplo, en un flujo de trabajo de escritura creativa, un agente podría generar un borrador de una entrada de blog, criticar el borrador en cuanto al flujo y el tono, y, luego, volver a escribir el borrador en función de esa crítica. Este proceso se repite en un bucle hasta que el trabajo del agente cumple con un estándar de calidad predefinido o hasta que la repetición alcanza una cantidad máxima de iteraciones.

El patrón de perfeccionamiento iterativo puede producir resultados muy complejos o pulidos que serían difíciles de lograr en un solo paso. Sin embargo, el mecanismo de bucle aumenta directamente la latencia y los costos operativos con cada ciclo. Este patrón también agrega complejidad arquitectónica, ya que requiere condiciones de salida diseñadas con cuidado, como una evaluación de calidad o un límite máximo de iteraciones, para evitar costos excesivos o una ejecución sin control.

Patrón de coordinador

El patrón de coordinador de varios agentes usa un agente central, el coordinador, para dirigir un flujo de trabajo. El coordinador analiza y desglosa la solicitud de un usuario en subtareas y, luego, envía cada subtarea a un agente especializado para su ejecución. Cada agente especializado es un experto en una función específica, como consultar una base de datos o llamar a una API.

Una distinción del patrón de coordinador es su uso de un modelo de IA para organizar y enrutar tareas de forma dinámica. En cambio, el patrón paralelo se basa en un flujo de trabajo codificado para enviar tareas para su ejecución simultánea sin necesidad de organizar el modelo de IA.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón de coordinador multiagente:

Arquitectura del patrón de diseño de coordinador multiagente.

Usa el patrón de coordinador para automatizar procesos empresariales estructurados que requieren enrutamiento adaptable. Por ejemplo, un agente de servicio al cliente puede actuar como coordinador. El agente coordinador analiza la solicitud para determinar si se trata de una solicitud de estado de pedido, una devolución de producto o una solicitud de reembolso. Según el tipo de solicitud, el coordinador enruta la tarea al agente especializado adecuado.

El patrón de coordinador ofrece flexibilidad en comparación con los flujos de trabajo más rígidos y predefinidos. Con un modelo para enrutar tareas, el coordinador puede controlar una variedad más amplia de entradas y adaptar el flujo de trabajo en el entorno de ejecución. Sin embargo, este enfoque también presenta desventajas. Debido a que el coordinador y cada agente especializado dependen de un modelo para el razonamiento, este patrón genera más llamadas al modelo que un sistema de un solo agente. Aunque el patrón de coordinador puede generar un razonamiento de mayor calidad, también aumenta la capacidad de procesamiento de tokens, los costos operativos y la latencia general en comparación con un sistema de un solo agente.

Patrón de descomposición jerárquica de tareas

El patrón de descomposición jerárquica de tareas multiagente organiza a los agentes en una jerarquía de varios niveles para resolver problemas complejos que requieren una planificación extensa. El patrón de descomposición jerárquica de tareas es una implementación del patrón de coordinador. Un agente superior o raíz recibe una tarea compleja y es responsable de descomponerla en varias subtareas más pequeñas y manejables. El agente raíz delega cada subtarea a un agente secundario especializado en un nivel inferior. Este proceso se puede repetir en varias capas, con agentes que descomponen progresivamente las tareas asignadas hasta que un agente trabajador las pueda ejecutar directamente en el nivel más bajo.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón de descomposición de tareas jerárquico de varios agentes:

Arquitectura del patrón de diseño de descomposición jerárquica de tareas de varios agentes.

Usa el patrón de descomposición jerárquica de tareas para problemas ambiguos y abiertos que requieren un razonamiento de varios pasos, como las tareas que implican investigación, planificación y síntesis. Por ejemplo, para completar un proyecto de investigación complejo, un agente coordinador desglosa el objetivo de alto nivel en varias tareas, como recopilar información, analizar los hallazgos y sintetizar el informe final. Luego, el agente coordinador delega esas tareas a subagentes especializados, como un agente para la recopilación de datos, un agente de análisis y un agente que escribe informes, para que las ejecuten o las desglosen aún más.

El patrón de descomposición jerárquica de tareas es ideal para resolver problemas muy complejos y ambiguos, ya que los descompone de forma sistemática en subtareas manejables. Este patrón puede generar resultados más completos y de mayor calidad que los patrones más simples. Sin embargo, esta capacidad avanzada presenta desventajas significativas. La estructura de varios niveles agrega una complejidad arquitectónica considerable, lo que hace que el sistema sea más difícil de diseñar, depurar y mantener. Las múltiples capas de delegación y razonamiento también generan una gran cantidad de llamadas al modelo, lo que aumenta significativamente la latencia general y los costos operativos en comparación con otros patrones.

Patrón de enjambre

El patrón de enjambre de varios agentes usa un enfoque de comunicación colaborativo de todos con todos. En este patrón, varios agentes especializados trabajan juntos para definir de forma iterativa una solución a un problema complejo.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón de enjambre multiagente:

Arquitectura del patrón de diseño de enjambre multiagente.

El patrón de enjambre usa un agente despachador para enrutar una solicitud de usuario a un grupo colaborativo de agentes especializados. El agente despachador interpreta la solicitud y determina qué agente del enjambre es el más adecuado para comenzar la tarea. En este patrón, cada agente puede comunicarse con todos los demás, lo que les permite compartir hallazgos, criticar propuestas y aprovechar el trabajo de los demás para definir mejor una solución de forma iterativa. Cualquier agente del enjambre puede transferir la tarea a otro agente que determine que es más adecuado para controlar el siguiente paso, o bien puede comunicar la respuesta final al usuario a través del agente coordinador.

Por lo general, un enjambre carece de un agente supervisor o coordinador central para mantener el proceso en marcha. El agente despachador no organiza el flujo de trabajo de agentes, a diferencia del patrón de coordinador. En cambio, el agente despachador facilita la comunicación entre los subagentes del enjambre y el usuario. Para garantizar que el enjambre se detenga y devuelva un resultado, debes definir una condición de salida explícita. Esta condición suele ser una cantidad máxima de iteraciones, un límite de tiempo o el cumplimiento de un objetivo específico, como alcanzar un consenso.

Usa el patrón de enjambre para problemas ambiguos o muy complejos que se benefician del debate y el perfeccionamiento iterativo. Por ejemplo, el diseño de un producto nuevo podría involucrar a un agente de investigación de mercado, un agente de ingeniería y un agente de modelado financiero. Los agentes compartirían ideas iniciales, debatirían las ventajas y desventajas entre las funciones y los costos, y convergerían de forma colectiva en una especificación de diseño final que equilibre todos los requisitos en competencia.

El patrón de enjambre simula un equipo colaborativo de expertos, por lo que puede producir soluciones excepcionalmente creativas y de alta calidad. Sin embargo, representa el patrón multiagente más complejo y costoso de implementar. La falta de un agente que use un modelo de IA para organizar puede generar el riesgo de bucles improductivos o la imposibilidad de converger en una solución. Por lo tanto, debes diseñar una lógica sofisticada para administrar la comunicación compleja entre agentes, controlar el flujo de trabajo iterativo y administrar los costos operativos y la latencia significativos que se asocian con la ejecución de una conversación dinámica de varios turnos entre varios agentes.

Patrón de razonamiento y acción (ReAct)

El patrón ReAct es un enfoque que usa el modelo de IA para enmarcar sus procesos de pensamiento y acciones como una secuencia de interacciones de lenguaje natural. En este patrón, el agente opera en un bucle iterativo de pensamiento, acción y observación hasta que se cumple una condición de salida.

  • Pensamiento: El modelo razona sobre la tarea y decide qué hacer a continuación. El modelo evalúa toda la información que recopiló para determinar si la solicitud del usuario se respondió por completo.
  • Acción: Según su proceso de razonamiento, el modelo realiza una de las siguientes dos acciones:
    • Si la tarea no se completa, selecciona una herramienta y, luego, forma una consulta para recopilar más información.
    • Si la tarea se completó, formula la respuesta final para enviarla al usuario, lo que finaliza el bucle.
  • Observación: El modelo recibe el resultado de la herramienta y guarda la información relevante en su memoria. Como el modelo guarda el resultado pertinente, puede basarse en observaciones anteriores, lo que ayuda a evitar que el modelo se repita o pierda el contexto.

El bucle iterativo finaliza cuando el agente encuentra una respuesta concluyente, alcanza una cantidad máxima predeterminada de iteraciones o encuentra un error que le impide continuar. Este bucle iterativo permite que el agente cree un plan de forma dinámica, recopile evidencia y ajuste su enfoque a medida que trabaja para obtener una respuesta final.

En el siguiente diagrama, se muestra una vista de alto nivel del patrón ReAct:

Arquitectura del patrón de diseño ReAct

Usa el patrón ReAct para tareas complejas y dinámicas que requieren planificación y adaptación continuas. Por ejemplo, considera un agente de robótica que debe generar una ruta para pasar de un estado inicial a un estado objetivo:

  • Pensamiento: El modelo razona sobre la ruta óptima para pasar de su estado actual al estado objetivo. Durante el proceso de pensamiento, el modelo optimiza métricas como el tiempo o la energía.
  • Acción: El modelo ejecuta el siguiente paso de su plan moviéndose por un segmento de ruta calculado.
  • Observación: El modelo observa y guarda el estado nuevo del entorno. El modelo guarda su nueva posición y cualquier cambio en el entorno que percibe.

Este bucle permite que el agente se adhiera a restricciones dinámicas, como evitar obstáculos nuevos o seguir las normas de tránsito, actualizando constantemente su plan en función de las observaciones nuevas. El agente continúa con su bucle iterativo hasta que alcanza su objetivo o encuentra un error.

Un solo agente de ReAct puede ser más simple y rentable de implementar y mantener que un sistema multiagente complejo. Pensamiento del modelo: Proporciona una transcripción del razonamiento del modelo, lo que ayuda con la depuración. Sin embargo, esta flexibilidad conlleva algunas desventajas. La naturaleza iterativa y de varios pasos del bucle puede generar una latencia de extremo a extremo más alta en comparación con una sola consulta. Además, la eficacia del agente depende en gran medida de la calidad del razonamiento del modelo de IA. Por lo tanto, un error o un resultado engañoso de una herramienta en un paso de observación puede propagarse y hacer que la respuesta final sea incorrecta.

Patrón con interacción humana

El patrón con intervención humana integra puntos para la intervención humana directamente en el flujo de trabajo de un agente. En un punto de control predefinido, el agente detiene su ejecución y llama a un sistema externo para esperar a que una persona revise su trabajo. Este patrón permite que una persona apruebe una decisión, corrija un error o proporcione la información necesaria antes de que el agente pueda continuar.

En el siguiente diagrama, se muestra una vista de alto nivel de un patrón con intervención humana:

Arquitectura del patrón de diseño con intervención humana de varios agentes.

Usa el patrón con intervención humana para las tareas que requieren supervisión humana, juicio subjetivo o aprobación final para acciones críticas. Estas acciones incluyen aprobar una transacción financiera grande, validar el resumen de un documento sensible o proporcionar comentarios subjetivos sobre el contenido creativo generado. Por ejemplo, se le puede asignar a un agente la tarea de anonimizar un conjunto de datos de pacientes para una investigación. El agente identificaría y ocultaría automáticamente toda la información de salud protegida, pero se detendría en un punto de control final. Luego, esperaría a que un oficial de cumplimiento humano valide manualmente el conjunto de datos y apruebe su lanzamiento, lo que ayuda a garantizar que no se expongan datos sensibles.

El patrón con intervención humana mejora la seguridad y la confiabilidad, ya que inserta el criterio humano en puntos de decisión críticos dentro del flujo de trabajo. Este patrón puede agregar una complejidad arquitectónica significativa, ya que requiere que compiles y mantengas el sistema externo para la interacción del usuario.

Organización de varios agentes con el ADK

El ADK es un framework de código abierto para desarrollar y organizar sistemas de un solo agente y sistemas multiagente. Para implementar los patrones de diseño descritos en este documento, el ADK te permite componer agentes, herramientas y funciones de código deterministas en flujos de trabajo de agentes estructurados.

El ADK admite la organización de agentes con los siguientes tipos de flujos de trabajo:

  • Flujos de trabajo basados en grafos: Define la lógica de tu aplicación como un grafo declarativo de nodos y bordes de ejecución. Este enfoque te permite crear rutas de ejecución flexibles para organizar y enrutar datos entre agentes de IA, herramientas, funciones de código deterministas y flujos de trabajo anidados.
  • Flujos de trabajo dinámicos: Define la lógica de tu flujo de trabajo de forma imperativa con construcciones de programación estándar, como las sentencias if y else, los bucles while y for, y la ejecución de tareas simultáneas. Los flujos de trabajo dinámicos te permiten pasar resultados con tipo directamente entre las llamadas de nodo, mientras que el ADK hace un seguimiento y un punto de control automáticos de cada ejecución de nodo secundario.
  • Flujos de trabajo de coordinación colaborativa: Define la lógica de tu flujo de trabajo como un equipo de varios agentes que puede comunicarse y colaborar para resolver un problema. En este enfoque, un agente coordinador usa un modelo de IA para interpretar la solicitud, desglosar el problema y delegar de forma dinámica las tareas secundarias a agentes secundarios especializados. El ADK genera automáticamente herramientas de delegación para cada agente secundario declarado, de modo que el coordinador pueda enrutar las tareas durante el tiempo de ejecución.

¿Qué sigue?

Colaboradores

Autor: Samantha He | Escritora técnica

Otros colaboradores: