ai-agents-for-beginners

(Haz clic en la imagen de arriba para ver el video de esta lección)

Diseño de Planificación

Introducción

Esta lección cubrirá

Definir un objetivo general claro y descomponer una tarea compleja en tareas manejables.
Aprovechar la salida estructurada para respuestas más confiables y legibles por máquina.
Aplicar un enfoque impulsado por eventos para manejar tareas dinámicas y entradas inesperadas.

Objetivos de Aprendizaje

Después de completar esta lección, tendrás comprensión sobre:

Identificar y establecer un objetivo general para un agente de IA, asegurando que sepa claramente qué debe lograr.
Descomponer una tarea compleja en subtareas manejables y organizarlas en una secuencia lógica.
Dotar a los agentes con las herramientas adecuadas (por ejemplo, herramientas de búsqueda o herramientas de análisis de datos), decidir cuándo y cómo se usan, y manejar situaciones inesperadas que surjan.
Evaluar los resultados de las subtareas, medir el rendimiento e iterar sobre las acciones para mejorar el resultado final.

Definir el Objetivo General y Descomponer una Tarea

Definiendo Objetivos y Tareas

La mayoría de las tareas del mundo real son demasiado complejas para abordarlas en un solo paso. Un agente de IA necesita un objetivo conciso para guiar su planificación y acciones. Por ejemplo, considera el objetivo:

"Generar un Itinerario de Viaje de 3 días."

Aunque es simple de expresar, aún necesita refinamiento. Cuanto más claro sea el objetivo, mejor podrá el agente (y cualquier colaborador humano) enfocarse en lograr el resultado correcto, como crear un itinerario completo con opciones de vuelos, recomendaciones de hoteles y sugerencias de actividades.

Descomposición de Tareas

Las tareas grandes o intrincadas se vuelven más manejables cuando se dividen en subtareas más pequeñas orientadas a objetivos. Para el ejemplo del itinerario de viaje, podrías descomponer el objetivo en:

Reserva de Vuelo
Reserva de Hotel
Alquiler de Auto
Personalización

Cada subtarea puede ser abordada por agentes o procesos dedicados. Un agente podría especializarse en buscar las mejores ofertas de vuelo, otro en reservas de hotel, y así sucesivamente. Un agente coordinador o “aguas abajo” puede luego compilar estos resultados en un itinerario coherente para el usuario final.

Este enfoque modular también permite mejoras incrementales. Por ejemplo, podrías añadir agentes especializados para Recomendaciones de Comida o Sugerencias de Actividades Locales y refinar el itinerario con el tiempo.

Salida Estructurada

Los Modelos de Lenguaje Grandes (LLMs) pueden generar salida estructurada (por ejemplo, JSON) que es más fácil de analizar y procesar para agentes o servicios aguas abajo. Esto es especialmente útil en un contexto multiagente, donde podemos actuar sobre estas tareas una vez recibida la salida de planificación.

El siguiente fragmento de Python muestra un agente planificador simple descomponiendo un objetivo en subtareas y generando un plan estructurado:

from pydantic import BaseModel
from enum import Enum
from typing import List, Optional, Union
import json
import os
from typing import Optional
from pprint import pprint
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# Modelo de Subtarea de Viaje
class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum  # queremos asignar la tarea al agente

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

# Definir el mensaje del usuario
system_prompt = """You are a planner agent.
    Your job is to decide which agents to run based on the user's request.
    Provide your response in JSON format with the following structure:
{'main_task': 'Plan a family trip from Singapore to Melbourne.',
 'subtasks': [{'assigned_agent': 'flight_booking',
               'task_details': 'Book round-trip flights from Singapore to '
                               'Melbourne.'}
    Below are the available agents specialised in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(input=user_message, instructions=system_prompt)

response_content = response.output_text
pprint(json.loads(response_content))

Agente Planificador con Orquestación Multiagente

En este ejemplo, un Agente Enrutador Semántico recibe una solicitud de usuario (por ejemplo, “Necesito un plan de hotel para mi viaje.”).

Luego, el planificador:

Recibe el Plan del Hotel: El planificador toma el mensaje del usuario y, basado en un prompt del sistema (que incluye los detalles de agentes disponibles), genera un plan de viaje estructurado.
Lista los Agentes y Sus Herramientas: El registro de agentes mantiene una lista de agentes (por ejemplo, para vuelo, hotel, alquiler de autos y actividades) junto con las funciones o herramientas que ofrecen.
Dirige el Plan a los Agentes Respectivos: Dependiendo del número de subtareas, el planificador envía el mensaje directamente a un agente dedicado (para escenarios de tarea única) o coordina mediante un gestor de chat grupal para colaboración multiagente.
Resume el Resultado: Finalmente, el planificador resume el plan generado para mayor claridad. El siguiente ejemplo de código Python ilustra estos pasos:

from pydantic import BaseModel

from enum import Enum
from typing import List, Optional, Union

class AgentEnum(str, Enum):
    FlightBooking = "flight_booking"
    HotelBooking = "hotel_booking"
    CarRental = "car_rental"
    ActivitiesBooking = "activities_booking"
    DestinationInfo = "destination_info"
    DefaultAgent = "default_agent"
    GroupChatManager = "group_chat_manager"

# Modelo de subtarea de viaje

class TravelSubTask(BaseModel):
    task_details: str
    assigned_agent: AgentEnum # queremos asignar la tarea al agente

class TravelPlan(BaseModel):
    main_task: str
    subtasks: List[TravelSubTask]
    is_greeting: bool
import json
import os
from typing import Optional

from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential

# Crear el cliente

provider = FoundryChatClient(
    project_endpoint=os.environ["AZURE_AI_PROJECT_ENDPOINT"],
    model=os.environ["AZURE_AI_MODEL_DEPLOYMENT_NAME"],
    credential=AzureCliCredential(),
)

from pprint import pprint

# Definir el mensaje del usuario

system_prompt = """You are a planner agent.
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(input=user_message, instructions=system_prompt)

response_content = response.output_text

# Imprimir el contenido de la respuesta después de cargarlo como JSON

pprint(json.loads(response_content))

Lo que sigue es la salida del código anterior y luego puedes usar esta salida estructurada para dirigirla al assigned_agent y resumir el plan de viaje para el usuario final.

{
    "is_greeting": "False",
    "main_task": "Plan a family trip from Singapore to Melbourne.",
    "subtasks": [
        {
            "assigned_agent": "flight_booking",
            "task_details": "Book round-trip flights from Singapore to Melbourne."
        },
        {
            "assigned_agent": "hotel_booking",
            "task_details": "Find family-friendly hotels in Melbourne."
        },
        {
            "assigned_agent": "car_rental",
            "task_details": "Arrange a car rental suitable for a family of four in Melbourne."
        },
        {
            "assigned_agent": "activities_booking",
            "task_details": "List family-friendly activities in Melbourne."
        },
        {
            "assigned_agent": "destination_info",
            "task_details": "Provide information about Melbourne as a travel destination."
        }
    ]
}

Un cuaderno de ejemplo con el código anterior está disponible aquí.

Planificación Iterativa

Algunas tareas requieren ida y vuelta o replanificación, donde el resultado de una subtarea influye en la siguiente. Por ejemplo, si el agente descubre un formato de datos inesperado al reservar vuelos, podría necesitar adaptar su estrategia antes de continuar con las reservas de hotel.

Adicionalmente, la retroalimentación del usuario (por ejemplo, que un humano decida que prefiere un vuelo más temprano) puede desencadenar una replanificación parcial. Este enfoque dinámico e iterativo asegura que la solución final se alinee con las limitaciones del mundo real y las preferencias cambiantes del usuario.

por ejemplo código de muestra

import os
from agent_framework.foundry import FoundryChatClient
from azure.identity import AzureCliCredential
#.. igual que el código anterior y pasa el historial del usuario, plan actual

system_prompt = """You are a planner agent to optimize the
    Your job is to decide which agents to run based on the user's request.
    Below are the available agents specialized in different tasks:
    - FlightBooking: For booking flights and providing flight information
    - HotelBooking: For booking hotels and providing hotel information
    - CarRental: For booking cars and providing car rental information
    - ActivitiesBooking: For booking activities and providing activity information
    - DestinationInfo: For providing information about destinations
    - DefaultAgent: For handling general requests"""

user_message = "Create a travel plan for a family of 2 kids from Singapore to Melbourne"

response = client.create_response(
    input=user_message,
    instructions=system_prompt,
    context=f"Previous travel plan - {TravelPlan}",
)
# .. vuelve a planificar y envía las tareas a los agentes respectivos

Para una planificación más completa consulta Magnetic One Blogpost para resolver tareas complejas.

Resumen

En este artículo hemos visto un ejemplo de cómo podemos crear un planificador que puede seleccionar dinámicamente los agentes disponibles definidos. La salida del Planificador descompone las tareas y asigna los agentes para que puedan ser ejecutadas. Se asume que los agentes tienen acceso a las funciones/herramientas necesarias para realizar la tarea. Además de los agentes puedes incluir otros patrones como reflexión, resumidor y chat round robin para personalizar aún más.

Recursos Adicionales

Magnetic One - Un sistema multiagente generalista para resolver tareas complejas que ha logrado resultados impresionantes en múltiples benchmarks desafiantes de agentes. Referencia: Magnetic One. En esta implementación, el orquestador crea planes específicos para tareas y delega estas tareas a los agentes disponibles. Además de planificar, el orquestador también emplea un mecanismo de seguimiento para monitorear el progreso de la tarea y replanificar según sea necesario.

¿Tienes Más Preguntas sobre el Patrón de Diseño de Planificación?

Únete al Microsoft Foundry Discord para encontrarte con otros aprendices, asistir a horas de oficina y resolver tus preguntas sobre Agentes de IA.

Lección Anterior

Construyendo Agentes de IA Confiables

Próxima Lección

Patrón de Diseño Multiagente

Descargo de responsabilidad: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional humana. No somos responsables de cualquier malentendido o interpretación errónea que surja del uso de esta traducción.

This site is open source. Improve this page.