En las secciones anteriores, aprendimos:
En esta sección, exploraremos el Flujo de Trabajo completo del Agente de IA, un ciclo que definimos como Pensamiento-Acción-Observación.
Y luego, profundizaremos en cada uno de estos pasos.
Los agentes trabajan en un ciclo continuo de: pensar (Pensamiento) → actuar (Acción) y observar (Observación).
Analicemos estas acciones juntos:
Los tres componentes trabajan juntos en un bucle continuo. Para usar una analogía de la programación, el agente utiliza un bucle while: el bucle continúa hasta que se cumple el objetivo del agente.
Visualmente, se ve así:
En muchos frameworks de Agentes, las reglas y directrices están integradas directamente en el prompt del sistema, asegurando que cada ciclo se adhiera a una lógica definida.
En una versión simplificada, nuestro prompt del sistema puede verse así:
Vemos aquí que en el Mensaje del Sistema definimos:
Tomemos un pequeño ejemplo para entender el proceso antes de profundizar en cada paso del proceso.
Creamos a Alfred, el Agente del Clima.
Un usuario le pregunta a Alfred: “¿Cómo está el clima en Nueva York hoy?”
El trabajo de Alfred es responder a esta consulta utilizando una herramienta de API del clima.
Así es como se desarrolla el ciclo:
Razonamiento Interno:
Al recibir la consulta, el diálogo interno de Alfred podría ser:
“El usuario necesita información del clima actual para Nueva York. Tengo acceso a una herramienta que obtiene datos del clima. Primero, necesito llamar a la API del clima para obtener detalles actualizados.”
Este paso muestra al agente dividiendo el problema en pasos: primero, recopilando los datos necesarios.
Uso de Herramientas:
Basado en su razonamiento y en el hecho de que Alfred conoce una herramienta get_weather, Alfred prepara un comando con formato JSON que llama a la herramienta de API del clima. Por ejemplo, su primera acción podría ser:
Pensamiento: Necesito verificar el clima actual para Nueva York.
{
"action": "get_weather",
"action_input": {
"location": "Nueva York"
}
}Aquí, la acción especifica claramente qué herramienta llamar (por ejemplo, get_weather) y qué parámetro pasar (el “location”: “Nueva York”).
Retroalimentación del Entorno:
Después de la llamada a la herramienta, Alfred recibe una observación. Esto podría ser los datos brutos del clima de la API, como:
“Clima actual en Nueva York: parcialmente nublado, 15°C, 60% de humedad.”
Esta observación se agrega luego al prompt como contexto adicional. Funciona como retroalimentación del mundo real, confirmando si la acción tuvo éxito y proporcionando los detalles necesarios.
Reflexionando:
Con la observación en mano, Alfred actualiza su razonamiento interno:
“Ahora que tengo los datos del clima para Nueva York, puedo compilar una respuesta para el usuario.”
Alfred luego genera una respuesta final formateada como le indicamos:
Pensamiento: Ya tengo los datos del clima. El clima actual en Nueva York es parcialmente nublado con una temperatura de 15°C y 60% de humedad.
Respuesta final: El clima actual en Nueva York es parcialmente nublado con una temperatura de 15°C y 60% de humedad.
Esta acción final envía la respuesta de vuelta al usuario, cerrando el bucle.
Lo que vemos en este ejemplo:
El proceso de Alfred es cíclico. Comienza con un pensamiento, luego actúa llamando a una herramienta, y finalmente observa el resultado. Si la observación hubiera indicado un error o datos incompletos, Alfred podría haber vuelto a entrar en el ciclo para corregir su enfoque.
La capacidad de llamar a una herramienta (como una API del clima) permite a Alfred ir más allá del conocimiento estático y recuperar datos en tiempo real, un aspecto esencial de muchos Agentes de IA.
Cada ciclo permite al agente incorporar información nueva (observaciones) en su razonamiento (pensamiento), asegurando que la respuesta final esté bien informada y sea precisa.
Este ejemplo muestra el concepto central detrás del ciclo ReAct (un concepto que vamos a desarrollar en la siguiente sección): la interacción de Pensamiento, Acción y Observación empodera a los agentes de IA para resolver tareas complejas de manera iterativa.
Al entender y aplicar estos principios, puedes diseñar agentes que no solo razonan sobre sus tareas sino que también utilizan eficazmente herramientas externas para completarlas, todo mientras refinan continuamente su salida basándose en la retroalimentación del entorno.
Ahora profundicemos en el Pensamiento, la Acción y la Observación como los pasos individuales del proceso.
< > Update on GitHub