‍Del LLM-Aumentado al Agente (workflow)

Vamos a situarnos en el mismo punto de partida. Sabemos que un LLM (Large Language Model) es capaz de generar texto siguiendo instrucciones detalladas. Pero su potencial va más allá, y es ahí donde aparece el concepto de LLM Aumentado.

Un LLM Aumentado es un sistema al que se le ha dotado de Conocimiento, Memoria y Herramientas (entorno), ampliando así su capacidad para abordar tareas complejas.

¿A qué tipo de tareas nos referimos?

- Cuando se combina un LLM con acceso a una base de conocimiento específica para responder preguntas con veracidad, hablamos de un sistema RAG (Retrieval Augmented Generation)

- Cuando además este sistema debe planificar, interactuar con su entorno, ejecutar acciones y recoger feedback, estamos ante lo que llamamos un Agente.

Y dentro del mundo de los agentes, podemos distinguir dos tipos:

- El agente tipo "workflow", donde el plan de acción es determinista.

- El agente adaptativo, que modifica su estrategia en función del feedback recibido.

Ingredientes de un Agente

Partiendo del esquema del LLM-Aumentado, un agente consta (en general), de los siguientes elementos y características:

- Capacidad de generar un plan de acción: Resolver la petición siguiendo una política que está en la propia definición del agente, y sabiendo el Conocimiento y Herramientas a los que tiene acceso, haciendo un desglose en tareas unitarias.

- Políticas del agente: Directrices que marcan el comportamiento del agente. Entre ellas destacan los "guardarraíles", que tienen como objeto que las interacciones del agente sean seguras.

- Conocimiento: Acceso a datos textuales que deben tenerse en cuenta tanto para la interacción con las herramientas, como para trazar.

- Herramientas:  El LLM resolverá cada tarea unitaria del plan accionando una herramienta concreta, que debe conocer de manera precisa qué parámetros de entrada tiene, qué va a devolver y cómo funciona.

- Memoria: No se puede ejecutar un plan sin saber en qué punto se está y qué feedback se ha recolectado en cada paso. Esta es la labor de la Memoria.

‍

Por ejemplo, un agente muy sencillo podría encargarse de reservar una mesa en un restaurante (terraza o interior) en función del parte meteorológico. Para ello, debería poder consultar los restaurantes disponibles, acceder a la predicción del tiempo, trazar un plan de acción, validar que dispone de las herramientas necesarias, ejecutar dicho plan y, finalmente, generar una respuesta coherente.

Nuestra receta

En Tinámica, hemos definido una serie de buenas prácticas a la hora de construir agentes:

1. No construyas un Agente

Aunque suene paradójico, es la mejor recomendación. El concepto de agente rompe el primer principio de SOLID (S: Single Responsability), por lo tanto, si podemos implementar un sistema que genere un plan de acción determinista crearemos una aplicación mucho más sencilla y robusta. En caso de que haya que crear un agente, démosle un alcance lo más específico posible.

2. Proporciona puntos de supervisión‍

Construyendo el agente, es fácil perderse en el desarrollo de Prompt Engineering, en probar diferentes LLMs, etc., pero es mejor orientar el esfuerzo en facilitar la supervisión: ya sea mediante intervención humana directa (en flujos conversacionales avanzados) o mediante un análisis post-mortem en una aplicación LLMOps apropiada.

3. Evalúa tu agente‍

La mayor parte de aplicaciones de IA Gen no necesita el entrenamiento o el fine-tuning del LLM. Pero sigue siendo fundamental medir resultados. Una buena práctica es recopilar datos reales del proceso que se quiere automatizar por el agente, o simular interacciones representativas, para evaluar su comportamiento de forma objetiva.

4. Conoce tus límites de latencia y coste

La construcción de un agente implica la llamada en serie a un LLM, así que existe una latencia irreducible: es un parámetro que hay que acotar muy bien desde la conceptualización del agente. Adicionalmente, el número de llamadas al LLM hará que el coste sea mayor que para otras aplicaciones de IA Gen, por lo que la elección del caso de uso es crítica para asegurar la viabilidad del sistema.

‍

Este artículo sienta las bases para los contenidos que iremos publicando próximamente. La terminología en torno a la IAGen aún está en evolución, así que es importante establecer un marco común.

No hemos profundizado en cómo dotar de inteligencia al agente usando un framework específico (como construir un Agente ReAct), ni en cómo dotar al mismo de herramientas de manera segura y escalable (con una arquitectura MCP, por ejemplo), pero lo abordaremos en siguientes entregas.

‍

En Tinámica, apostamos por mantener las fórmulas clásicas en el panorama de la IA Gen, tanto en el plano de Ciencia de Datos, como en el de Arquitectura y Desarrollo de Software; y enfrentarnos al problema con una perspectiva poliédrica. Justo cuando la IA Gen ha roto las fronteras entre las disciplinas tradicionales, es cuando las mismas deben entenderse en una lingua franca.

‍