En este tutorial exploramos cómo construir un sistema avanzado de agentes de IA basado en el framework SAGE (Self-Adaptive Goal-oriented Execution), utilizando la API Gemini de Google. Repasamos cada componente clave del framework: Autoevaluación, Planificación Adaptativa, Ejecución Orientada a Objetivos e Integración de Experiencias. Al combinar estos elementos, buscamos crear un agente inteligente y capaz de mejorar por sí mismo, que descomponga un objetivo general, planifique sus pasos, ejecute las tareas de forma ordenada y aprenda de los resultados obtenidos. Este enfoque práctico nos ayuda a entender la arquitectura subyacente y a ver cómo coordinar procesos de toma de decisiones complejos mediante generación de IA en tiempo real.
Para esto, importamos las librerías necesarias, incluyendo google.generativeai para interactuar con el modelo Gemini, y módulos de Python como json, time y dataclasses para manejar las tareas. Definimos un enumerado TaskStatus para controlar el estado de cada tarea (pendiente, en progreso, completada o fallida).
Creamos la clase Task para representar cada unidad de trabajo, que incluye su ID, descripción, prioridad, estado, dependencias y resultados. Luego, desarrollamos la clase SAGEAgent, que actúa como el núcleo del framework: se encarga de autoevaluar el progreso, planificar tareas dinámicamente según el contexto, ejecutar cada tarea con atención al detalle y aprender de las experiencias para mejorar en futuras iteraciones.
El proceso se desarrolla en ciclos. Primero, el agente realiza una autoevaluación del estado actual y sus capacidades en relación al objetivo. Luego, genera un plan adaptativo dividiendo el objetivo general en tareas accionables con prioridades y dependencias. A continuación, ejecuta cada tarea paso a paso, validando los resultados, y finalmente integra lo aprendido para actualizar su conocimiento y contexto.
El agente también comprueba que las dependencias entre tareas estén cumplidas antes de ejecutarlas, y actualiza su contexto en función de los resultados obtenidos. Así, va iterando hasta alcanzar un progreso satisfactoriamente alto o hasta completar un número máximo de ciclos.
Para ponerlo en práctica, inicializamos un agente SAGE con nuestra clave de API de Gemini y definimos un objetivo concreto: investigar y crear una guía completa sobre prácticas sostenibles de jardinería urbana. Ejecutamos el ciclo SAGE dos veces y mostramos un resumen detallado con porcentajes de progreso, el número de tareas generadas y completadas, y la memoria acumulada del agente.
De esta forma, logramos implementar y ejecutar un ciclo completo del framework SAGE con un agente potenciado por Gemini. Observamos cómo el sistema autoevalúa su avance, genera tareas adaptativas, las ejecuta con precisión y ajusta su estrategia basado en la experiencia adquirida. Esta estructura modular facilita su ampliación hacia entornos más complejos, con múltiples agentes o aplicaciones específicas por dominio.
