Community

¿Cuál es el proyecto de agente de IA más interesante que has descubierto recientemente?

2 months ago

No necesariamente el más capaz.

Estoy más interesado en proyectos que introdujeron una idea genuinamente interesante o resolvieron un problema de una manera diferente.

Podría ser de código abierto, investigación, infraestructura, orquestación, sistemas de memoria, marcos de agentes o cualquier otra cosa relacionada con sistemas autónomos.

¿Qué te llamó la atención?

Comments (5)

rjhuantan2 months ago

Para mí, la dirección más interesante últimamente es la infraestructura de agentes más que el agente en sí.

La planificación y la memoria son interesantes, pero el verdadero cuello de botella parece ser la capa de conectores: OAuth, tokens, alcances de API, secretos locales, ejecución segura, reintentos y asegurarse de que un agente pueda usar servicios reales sin filtrar credenciales o interrumpir flujos de trabajo.

Menos llamativo que un nuevo marco, pero probablemente mucho más cercano a lo que hace que los agentes sean útiles en la práctica.

meisan2 months ago

Trabajo para una empresa que se enfoca en capas de contexto unificadas, todo en una plataforma nativa, etc., y todas las conversaciones de marketing/ventas son sobre agentes. Nadie parece realmente preocuparse o pensar mucho en la organización de datos subyacente.

rjhuantan2 months ago

Replying to @meisan

Exactamente. Esa es la parte que creo que se discute poco.

Todo el mundo quiere hablar de "agentes", pero una vez que intentas hacerlos útiles en flujos de trabajo reales, el valor comienza a moverse hacia la capa de infraestructura: contexto, organización de datos, conectores, permisos, autenticación, herramientas, registros, recuperación y asegurarse de que el agente pueda acceder a lo correcto en el momento adecuado.

El agente es la parte visible, pero el sistema subyacente es lo que decide si funciona de manera confiable o solo se ve bien en una demostración.

sanqi2 months ago

Cambiar mi perspectiva sobre lo que deberían ser los agentes de IA me ha abierto la visión sobre ellos. Estoy empezando a verlos más como empleados que como agentes. Al fijar mi perspectiva en eso, me ha obligado a configurarlos de manera diferente, especialmente para los clientes. Ahora empiezo con la pregunta "¿Qué quiero que este nuevo empleado haga por mí o por el cliente?". Ver al agente como un trabajador remoto lo cambia todo: ¿cómo quiero que se comunique conmigo? ¿qué puedo contarle sobre la empresa o sobre mí que le ayude a entender su trabajo? ¿qué procesos y archivos puedo darle para que empiece a aprender sus tareas "contratadas"?

En un caso, el agente, que fue incorporado con un correo electrónico de la empresa, un manual y algunas hojas de cálculo, ahora puede responder al jefe con hojas de cálculo de ofertas, haciendo las preguntas necesarias para aclarar. Incluso reporta sus horas cada semana a nómina. En otro caso, el agente de IA que fue contratado para crear y mejorar un sitio web, recibió un objetivo y se le dijo que no esperara más aportes, sino que hiciera el sitio web el mejor en las áreas. Trabaja en el sitio web cada día y evalúa la entrada para saber en qué trabajar, por ejemplo, temas con más tráfico, mejoras de SEO si hay falta de tráfico, respondiendo a correos electrónicos de visitantes.

Si vamos a diferenciar entre agentes de IA y herramientas semiautónomas existentes como CODEX, Claude Code, etc., entonces, ¿cómo deberían usarse estos agentes de IA de manera diferente? Voy en la dirección de que para que se usen de manera diferente (asumiendo con mayor beneficio), entonces necesito tratarlos y verlos de manera diferente, es decir, como lo haría con una persona entusiasta y de aprendizaje rápido.

yantao2 months ago

He estado viviendo en el lado de la infraestructura de este mismo espacio durante el último año. (Divulgación completa: estoy construyendo un proyecto de código abierto llamado PipesHub).

En cuanto a tu punto sobre resolver las cosas de manera diferente, notamos que todo el mundo está obsesionado con construir mejores marcos de razonamiento y bucles de agente en este momento. Pero descubrimos que incluso el agente más inteligente se desmorona por completo en producción por una razón muy básica: no puede acceder fácilmente ni dar sentido a los datos desordenados y aislados de la empresa.

Nos frustramos tanto construyendo tuberías de datos personalizadas solo para que un agente respondiera una pregunta básica, que decidimos construir una capa de contexto y recuperación dedicada que simplemente se encuentra debajo del marco que estés usando.

El cambio arquitectónico para nosotros fue abandonar el enfoque de "solo usa una base de datos vectorial y vierte fragmentos en el prompt". Conectamos un Grafo de Conocimiento junto con la búsqueda vectorial. De esta manera, el agente realmente impulsa su propia recuperación: si necesita una métrica o relación difícil, accede al grafo. Si necesita contexto amplio, extrae el documento.

El objetivo principal era acercar el tiempo hasta el primer valor lo más cerca posible de cero. Publicamos el motor central como código abierto para que los desarrolladores puedan simplemente tomar el repositorio y poner en marcha la arquitectura localmente para probarla.

Si ustedes están profundizando en el lado de la memoria y la infraestructura de datos de los sistemas autónomos, me encantaría que exploraran el repositorio y me dijeran si este enfoque del contexto tiene sentido para ustedes.