El mundo de la inteligencia artificial está experimentando una transformación sin precedentes, y los agentes autónomos representan la próxima frontera en automatización empresarial. Recientemente, se ha compartido en redes sociales un recurso extraordinario que está generando gran expectación entre desarrolladores y empresarios: un repositorio completo con 30 ejemplos de agentes de IA (Inteligencia Artificial) de código abierto, completamente funcionales y listos para implementar. Este tipo de recursos democratiza el acceso a tecnologías avanzadas que antes estaban reservadas únicamente para grandes corporaciones con presupuestos millonarios en investigación y desarrollo.
Aquí tiene el enlace completo al repositorio: https://fandf.co/3PneH2Z (https://console.cloud.google.com/agent-platform/agent-garden)
Lo verdaderamente revolucionario de este repositorio no es solo la cantidad de ejemplos, sino su calidad y profundidad. Cada uno de estos agentes representa un flujo de trabajo completo, desde el inicio hasta el final, construido utilizando Google ADK (Agent Development Kit), una plataforma que está redefiniendo cómo se crean y despliegan soluciones de inteligencia artificial en entornos empresariales.
Para quienes buscan implementar últimas tendencias tecnológicas en sus organizaciones, este repositorio constituye un punto de partida invaluable que puede acelerar significativamente los procesos de innovación.
Índice de contenidos
¿Qué son los Agentes de IA y por qué importan para tu negocio?
Antes de profundizar en el valor específico de este repositorio, es fundamental comprender qué son exactamente los agentes de IA y cómo pueden transformar las operaciones de una empresa. Un agente de IA es un sistema de software autónomo capaz de percibir su entorno, tomar decisiones y ejecutar acciones para alcanzar objetivos específicos sin intervención humana constante. A diferencia de los chatbots tradicionales o las herramientas de automatización simples, estos agentes pueden manejar tareas complejas que requieren razonamiento, planificación y adaptación a circunstancias cambiantes.
Para las pequeñas y medianas empresas, los agentes de IA representan una oportunidad única de competir en igualdad de condiciones con organizaciones mucho más grandes. Imagina un asistente virtual que no solo responde preguntas de clientes, sino que también puede analizar patrones de compra, predecir necesidades futuras, gestionar inventarios y coordinar con proveedores automáticamente. Este nivel de automatización inteligente era impensable hace apenas unos años, pero hoy está al alcance de cualquier empresa dispuesta a explorar estas tecnologías.
Características distintivas del repositorio de Google ADK
Lo que hace especialmente valioso este repositorio es su enfoque integral y práctico. No se trata simplemente de fragmentos de código o conceptos teóricos, sino de implementaciones completas que cualquier organización puede estudiar, adaptar y desplegar. Cada uno de los 30 ejemplos incluye documentación exhaustiva que explica no solo el «cómo» sino también el «por qué» detrás de cada decisión de diseño, lo cual resulta fundamental para quienes están comenzando su viaje en la transformación digital para empresas.
Los diagramas de arquitectura incluidos en cada ejemplo son, por sí mismos, una masterclass en diseño de sistemas de IA. Estos diagramas visualizan cómo fluye la información a través del agente, cómo se toman las decisiones, dónde se integran servicios externos y cómo se manejan los errores y excepciones. Para gerentes y consultores que necesitan comprender rápidamente la complejidad y el alcance de una solución de IA antes de comprometer recursos, estos diagramas proporcionan una claridad invaluable que puede facilitar enormemente la toma de decisiones estratégicas.
Google ADK: la plataforma detrás de la innovación
Google ADK (Agent Development Kit) es una plataforma de desarrollo diseñada específicamente para crear agentes de IA sofisticados de manera más eficiente. A diferencia de construir agentes desde cero utilizando frameworks genéricos de machine learning (aprendizaje automático), ADK proporciona componentes pre-construidos, patrones de diseño probados y herramientas de orquestación que aceleran dramáticamente el proceso de desarrollo. Esto significa que incluso equipos pequeños sin experiencia profunda en IA pueden crear soluciones robustas y escalables.
La arquitectura de Google ADK se basa en principios modulares que permiten a los desarrolladores combinar diferentes capacidades como bloques de construcción. Un agente puede incorporar procesamiento de lenguaje natural (NLP, Natural Language Processing), visión por computadora, análisis predictivo y capacidades de razonamiento lógico, todo dentro de un marco coherente que gestiona la complejidad subyacente. Esta modularidad es especialmente valiosa para empresas que necesitan iterar rápidamente y adaptar sus soluciones a medida que evolucionan sus necesidades de negocio.
Flujos de trabajo End-to-End: del concepto a la producción
Uno de los aspectos más destacados de este repositorio es que cada ejemplo representa un flujo de trabajo completo, desde la entrada inicial hasta la salida final. Esto contrasta marcadamente con muchos recursos educativos que solo muestran fragmentos aislados de funcionalidad. Un flujo end-to-end (de extremo a extremo) incluye todos los componentes necesarios para una implementación real: validación de entrada, manejo de errores, integración con sistemas externos, logging (registro de eventos), monitoreo de rendimiento y mecanismos de recuperación ante fallos.
Para las organizaciones que están considerando implementar soluciones de IA, estos ejemplos completos eliminan gran parte de la incertidumbre asociada con proyectos tecnológicos complejos. En lugar de preguntarse «¿cómo conectamos todas las piezas?», los equipos pueden estudiar implementaciones funcionales que ya han resuelto estos desafíos. Esto no solo acelera el desarrollo, sino que también reduce significativamente el riesgo de errores costosos que podrían surgir de arquitecturas mal diseñadas. Los servicios de consultoría estratégica especializados en IA pueden aprovechar estos recursos para ofrecer soluciones más rápidas y económicas a sus clientes.
[Este artículo continúa en la Parte 2…]
Aquí el vídeo en vesiór en inglés que explica la estructura y pasos para usar este repositorio de 30 ejemplos de agentes.
Os dejo la transcripción en español de éste video para que podáis seguir el ejemplo de un análisis de facctura:
Texto traducido al español de España a partir del archivo aportado:
(0:00) Quiero enseñarte algo que creo que es extremadamente relevante para cualquiera que esté construyendo agentes ahora mismo.
(0:08) Esto es el Agent Garden de Google Cloud.
(0:12) Y la razón por la que creo que es extremadamente importante que le eches un vistazo es porque aquí tienen muchísimos ejemplos que van mucho más allá de una demo.
(0:25) Estas son aplicaciones agénticas que, en mi opinión, te van a dar una idea de cómo implementar ahora mismo múltiples patrones que son extremadamente interesantes.
(0:37) Lo mejor es que puedes desplegar estas aplicaciones directamente desde aquí. Todas estas aplicaciones son de código abierto.
(0:45) Tengo aquí el repositorio de GitHub, y voy a enseñarte una de ellas.
(0:49) Así te haces una idea de lo interesante que es esto.
(0:53) Este es el repositorio de GitHub donde vas a encontrar todos estos ejemplos.
(0:58) Y, de nuevo, entrando solo en Python, puedes ver aquí que voy a entrar en agentes.
(1:03) Tienen muchísimos de estos agentes.
(1:07) Y voy a enseñarte uno de ellos.
(1:13) La razón por la que quiero enseñarte este es porque es una buena referencia de la complejidad que vas a encontrar aquí y de las ideas que vas a aprender.
(1:19) Esa es la parte importante: que aprendas cómo adoptar estos patrones en tu propia aplicación.
(1:28) Este es el agente de procesamiento de facturas.
(1:31) Esta es la arquitectura dividida en tres zonas.
(1:35) Así es como funciona este agente.
(1:37) Bien, primero tienes la Constitución, que es esta zona número uno.
(1:43) La Constitución es el conjunto de reglas que va a guiar a este agente.
(1:48) Ahora, la parte interesante empieza en la zona número dos.
(1:53) El problema que este agente intenta resolver es recibir una factura y validar si esa factura es correcta.
(2:02) Queremos ejecutar este agente antes de que un humano tenga realmente la oportunidad de mirar la factura y pagarla.
(2:09) Queremos asegurarnos de que los proveedores que nos han enviado esa factura siguen las reglas que hemos establecido como empresa.
(2:17) Así que vamos a tener un agente actuante, y este agente actuante es el que va a recibir esa factura en PDF.
(2:24) Y va a ejecutar un flujo de trabajo, o va a clasificar esa factura, extraer los datos, validar esos datos y razonar sobre esos datos.
(2:34) Bien, ahora este agente actuante está usando un conjunto de reglas solo para hacer esta validación.
(2:39) Luego llegamos a un agente crítico.
(2:41) Y este es el primer patrón que quiero destacar.
(2:45) Fíjate en cómo, en muchas de estas aplicaciones, simplemente no confías en el agente que está haciendo el trabajo.
(2:52) Con la programación ocurre lo mismo.
(2:54) Tienes un agente implementando código.
(2:57) También quieres un agente que vaya a validar que el código generado por el primer agente es correcto.
(3:03) Así que ese es el caso aquí con un agente crítico, que va a usar las reglas de la Constitución para asegurarse de que el agente actuante está siguiendo esas reglas.
(3:13) Y ahora llega la parte superinteresante, que es este ALF, que significa Adaptive Learning Framework.
(3:22) Podemos ejecutar todo este agente en dos modos diferentes: un modo de aprendizaje y un modo de inferencia.
(3:30) El modo de inferencia es el que va a ejecutar esto.
(3:33) Pero el modo de aprendizaje es el que vamos a invocar cuando el humano encuentre quizá un error, quizá cuando el agente de inferencia marque una factura de forma incorrecta.
(3:47) Y nosotros, chateando con el sistema, podemos pedirle al sistema que aprenda nuevas reglas.
(3:54) Y el sistema se adaptará con el tiempo a esas nuevas reglas.
(3:59) Es superimpresionante.
(4:01) Voy a enseñártelo en la práctica, pero solo para terminar aquí la idea.
(4:05) Aquí tenemos al experto humano, que está revisando el resultado y diciéndole al agente de aprendizaje de reglas: oye, aquí hay un error; esto es lo que las reglas deberían hacer realmente.
(4:16) O esto es algo nuevo que quiero que tengas en cuenta a partir de ahora.
(4:22) Y ahora este agente de aprendizaje de reglas, usando ALF, básicamente va a aprender esa nueva regla.
(4:30) Va a encontrar todas las coincidencias que existen.
(4:33) Por ejemplo: bien, esta nueva regla va a afectar a todos estos casos que tenemos.
(4:37) Y va a incorporar esa regla al libro de reglas.
(4:40) Y ahora, a partir de ese momento, tienes esta revisión periódica del sistema, en la que los patrones que son frecuentes serán promovidos e incluidos en el agente actuante para que el agente actuante los tenga en cuenta.
(4:53) Así que es un patrón extremadamente interesante.
(4:55) Este es solo uno de los ejemplos que proporcionan.
(4:59) Ahora déjame enseñarte aquí que incluso puedes desplegar estos agentes.
(5:03) Como puedes ver aquí, el procesamiento de facturas.
(5:06) Puedes desplegarlo directamente en Google Cloud y aprovechar todas las herramientas que Google Cloud AI tiene que ofrecer.
(5:14) Yo ya lo hice.
(5:15) Pero puedes ver aquí cómo desplegué el agente.
(5:18) Así que esto es como la salida de ese proceso de despliegue.
(5:22) Y ejecuté el comando.
(5:25) Aquí está el agente funcionando.
(5:29) Y ahora tengo esta instancia aquí mismo con mi agente funcionando.
(5:32) Y puedo simplemente empezar a usar ese agente.
(5:35) Ahora quiero enseñarte cómo funciona el agente.
(5:39) Cuando inicié el agente, me va a preguntar en qué modo quieres trabajar: modo de aprendizaje o modo de inferencia.
(5:47) Así que dije: bien, vamos con el modo uno.
(5:49) Y después le pedí que procesara el caso número dos.
(5:53) Por defecto, el agente viene con ciertos casos, así que no estoy subiendo un nuevo PDF.
(5:59) Esos casos ya existen.
(6:02) Si te enseño el código, puedes ver… déjame ver dónde puedo encontrar esos casos.
(6:08) Aquí están.
(6:10) Tengo el caso uno, el caso dos, el caso cinco.
(6:11) Esta es la factura de ejemplo del caso número dos.
(6:14) Así que simplemente le digo: oye, ve y procesa aquí el caso número dos, para hacerlo sencillo.
(6:19) Entonces lo ejecuta y me dice que ese caso ha sido aceptado, que cumple completamente con todas las reglas.
(6:26) Déjame enseñarte las reglas solo un segundo, para que te hagas una idea de cómo funciona.
(6:31) Mira este archivo.
(6:32) Este archivo Markdown tiene todas y cada una de las reglas que el agente va a seguir.
(6:39) Algunas de estas reglas van a ser deterministas, así que no va a intervenir un LLM.
(6:44) Algunas de las reglas van a ser ejecutadas por un LLM.
(6:47) Así que es una forma muy interesante de organizar esta información.
(6:51) Ahora, aquí está la parte interesante.
(6:53) Después de procesar el caso número dos, aquí están los resultados.
(6:59) Pedí procesar el caso cinco.
(7:03) Cuando analizamos el caso cinco, el caso cinco fue rechazado.
(7:09) Este es un ejemplo de una factura de alguien que no siguió las reglas.
(7:14) Aquí está el caso número cinco, y fue rechazado por la sección 4.3.
(7:20) Si vamos al libro de reglas y buscamos la sección 4.3, dice que la factura era por un importe que no estaba…
(7:32) El trabajo no estaba autorizado.
(7:35) Así que, para que se apruebe el importe de una factura, cuando estás haciendo horas WAF, necesitas tener otra aprobación para eso.
(7:45) Ese no era el caso aquí.
(7:47) Por lo tanto, la factura fue rechazada.
(7:50) Sin embargo, si entro en modo de aprendizaje, que es lo que hice aquí, dije: bien, cambia al modo de aprendizaje.
(7:57) Ahora puedo cargar el caso.
(8:00) El agente va a explicar todo lo que ocurrió.
(8:03) Y puedo pedirle al modo de aprendizaje que cree una nueva regla, que actualice lo que hay y cree algo nuevo.
(8:11) Así que: crea una regla que acepte cualquier factura sin pedido siempre que el importe sea inferior a 1.500.
(8:19) Que es el caso del caso cinco.
(8:21) El importe estaba apenas por encima de 1.000.
(8:24) Al hacer eso, ahora el agente crea esa regla.
(8:28) Y aquí está la regla propuesta.
(8:30) Esta es la regla propuesta.
(8:32) Puedes revisar la regla y, al final, el agente te va a dar el impacto.
(8:37) Puedes ver aquí: bien, al escanear los tres casos, uno, dos y cinco, el caso número cinco es una coincidencia, porque la regla se aplica a ese caso.
(8:47) Y los otros dos casos no coinciden, así que la regla es segura en este caso.
(8:52) Me está diciendo: sí, la regla es segura.
(8:54) Este es el JSON de esa regla.
(8:58) Y ahora, al final, me va a preguntar si quiero aprobar la regla, rechazar la regla, revisar la regla o descartar la regla.
(9:06) Yo dije que la descartara.
(9:08) Si selecciono aprobar, entonces la añadirá al libro de reglas.
(9:12) Y, a partir de ese momento, casos como este caso cinco usarán la nueva regla.
(9:18) Lo relevante aquí es la cantidad de conocimiento que puedes obtener de agentes completos, de extremo a extremo, que están implementados, creados y funcionando.
(9:31) Y puedes coger lo que estás haciendo y aplicarlo a tus propios agentes.
(9:36) Este es solo un ejemplo de muchos.
(9:39) Y, obviamente, tener la capacidad de desplegar en Google Cloud AI es enorme.
(9:45) Espero que esto te resulte útil.
(9:47) Nos vemos en el siguiente.
(9:49) Adiós.
Aquí os dejo el enlace al mensaje en X original de Santiago, https://x.com/svpino.
Sigue en la 2ª Parte: https://www.mikechapel.es/repositorio-con-30-ejemplos-de-agentes-de-ia-de-codigo-abierto-una-revolucion-para-la-automatizacion-empresarial-ii/