IA Agéntica: La Pila de Ingeniería de Agentes

El autor, un usuario de Habr, nota que muchos candidatos a puestos de ingeniero Python agéntico luchan con conceptos y herramientas comunes en el campo. Para ayudar, proporciona una visión general práctica. Define un agente como una entidad con un prompt, un LLM y herramientas, pero crucialmente con un bucle y retroalimentación: el modelo decide cada siguiente paso, actuando y observando resultados, a diferencia de una cadena predefinida. Señala que mientras las cadenas tienen una ruta fija, los agentes tienen un conjunto de capacidades y un objetivo, con la ruta emergiendo dinámicamente. El bucle implica declaraciones de herramientas a través del esquema de la API (JSON Schema), el modelo solicitando llamadas a herramientas, y el runtime ejecutándolas y devolviendo los resultados al contexto. Las condiciones de parada, como que el modelo decida que la tarea está completa o los límites de iteración, son importantes. PydanticAI se destaca como un framework type-safe para construir agentes, usando modelos Pydantic para la validación de salida, herramientas con anotaciones de tipo y docstrings, inyección de dependencias a través de RunContext, y validadores de salida. LangGraph se presenta como un enfoque basado en grafos para flujos de trabajo con estado, permitiendo aprobación humana y checkpoints. smolagents de Hugging Face usa agentes de código que escriben código Python para su ejecución. CrewAI ofrece un enfoque basado en roles con agentes que tienen roles, objetivos y biografías, orquestados en un crew. El artículo también menciona MCP (Protocolo de Contexto de Modelo), un estándar abierto de Anthropic para conectar herramientas, descrito como USB-C para IA, habilitando interoperabilidad. El material está dirigido a ayudar a los lectores a pasar entrevistas, reconociendo que el campo evoluciona rápidamente.