Los agentes aut¨®nomos impulsados por modelos de lenguaje a gran escala (LLM) est¨¢n evolucionando m¨¢s all¨¢ de agentes individuales y sistemas multiagente est¨¢ticos con la aparici¨®n de frameworks como y . Esta t¨¦cnica permite a los desarrolladores descomponer una actividad compleja en varias tareas m¨¢s peque?as, realizadas por agentes a los que se les asigna un rol espec¨ªfico. Los desarrolladores pueden utilizar herramientas preconfiguradas para ejecutar las tareas, mientras que los agentes se comunican entre s¨ª y orquestan el flujo de trabajo. La t¨¦cnica a¨²n se encuentra en sus primeras etapas de desarrollo. En nuestros experimentos hasta ahora, nuestros equipos han encontrado problemas como agentes que entran en bucles continuos y comportamientos descontrolados. Librer¨ªas como ofrecen un mayor control sobre las interacciones de los agentes, permitiendo definir el flujo como un gr¨¢fico. Si decides utilizar esta t¨¦cnica, sugerimos implementar mecanismos a prueba de fallos, como l¨ªmites de tiempo y supervisi¨®n humana.
Los agentes aut¨®nomos impulsados por LLMs (Modelos de Lenguaje Grandes, LLM por sus siglas en ingl¨¦s) est¨¢n evolucionando m¨¢s all¨¢ de sistemas de un solo agente y sistemas multiagente est¨¢ticos con la aparici¨®n de frameworks como y . Estos frameworks permiten a los usuarios definir agentes con roles espec¨ªficos, asignarles tareas y permiten que los agentes colaboren para completar esas tareas mediante la delegaci¨®n o la conversaci¨®n. De manera similar a los sistemas de un solo agente que surgieron antes, como , los agentes individuales pueden descomponer tareas, utilizar herramientas preconfiguradas y solicitar opini¨®n humana. Aunque todav¨ªa se encuentra en sus primeras fases de desarrollo, este ¨¢rea se est¨¢ desarrollando r¨¢pidamente y tiene un gran potencial para la exploraci¨®n.
A medida que contin¨²a el desarrollo de grandes modelos de lenguaje, existe un gran inter¨¦s en crear agentes de IA aut¨®nomos. , y son ejemplos de agentes aut¨®nomos impulsados por LLM que desarrollan un LLM subyacente para comprender el objetivo que se les ha asignado y trabajar para lograrlo. El agente recuerda hasta d¨®nde ha progresado, utiliza el LLM para razonar sobre qu¨¦ hacer a continuaci¨®n, toma acciones y comprende cu¨¢ndo se ha cumplido el objetivo. Esto a menudo se conoce como razonamiento en cadena de pensamientos y, de hecho, puede funcionar. Uno de nuestros equipos implement¨® un chatbot de atenci¨®n al cliente como agente aut¨®nomo. Si el chatbot no puede lograr el objetivo del cliente, reconoce su propia limitaci¨®n y, en su lugar, redirige al cliente hacia un humano. Este enfoque definitivamente se encuentra en una etapa temprana de su ciclo de desarrollo: los agentes aut¨®nomos a menudo sufren una alta tasa de fallas e inciden en costosas tarifas de servicios de IA, y al menos una startup de IA se ha del enfoque basado en agentes.
