En este tutorial exploramos un potente sistema multiagente basado en el patrón PEER: Planificar, Ejecutar, Expresar y Revisar. Ejecutamos todo el flujo de trabajo en Google Colab/Notebook, integrando agentes con roles especializados y aprovechando el modelo Gemini 1.5 Flash de Google mediante una clave API gratuita. A lo largo del proceso, observamos cómo cada agente colabora para resolver tareas complejas en distintos ámbitos como finanzas, tecnología y estrategias creativas. Este enfoque práctico nos permite comprender la arquitectura, el flujo de trabajo y la refinación iterativa necesarios para generar resultados de alta calidad con IA.
Primero, instalamos las librerías necesarias, como agentUniverse y google-generativeai, y configuramos la API de Gemini con nuestra clave gratuita para generar contenido con inteligencia artificial.
Definimos cuatro roles de agentes mediante un Enum: Planificador, Ejecutor, Comunicador y Revisor. Creamos una clase Task para manejar la información de cada tarea, incluyendo su estado, resultados y retroalimentación. La clase BaseAgent es la base que contiene la lógica común para que los agentes procesen tareas, consulten la API de Gemini con prompts personalizados según su rol, almacenen resultados y utilicen respuestas predeterminadas si la API falla.
Luego implementamos la clase PEERAgent que aplica el patrón PEER: Planifica, Ejecuta, Expresa y Revisa. Esta clase coordina a los cuatro agentes especializados, pasando la tarea por cada fase y refinando los resultados en hasta tres iteraciones, terminando antes si la revisión indica que la calidad es alta. Así, el flujo es adaptativo y eficiente.
A continuación, creamos un orquestador que controla el sistema PEER y también puede invocar agentes expertos según el dominio de la tarea — ya sea financiero, técnico o creativo — para enriquecer los resultados con conocimiento especializado. Contamos también con una base de conocimiento sencilla que guarda conceptos relevantes para cada área.
En la función principal hacemos demos con tres tareas diferentes: un análisis financiero sobre el impacto de las tasas de interés en acciones tecnológicas, el diseño de una arquitectura técnica para un sistema de microservicios escalable y la creación de una estrategia de marca para una startup de moda sostenible. En cada caso, el sistema ejecuta el patrón PEER y luego, si es necesario, agrega el aporte del agente experto en el dominio correspondiente. También mostramos estadísticas de desempeño y memoria de los agentes para evidenciar su colaboración y aprendizaje.
Para cerrar, verificamos que la clave de la API de Gemini esté configurada correctamente y explicamos tanto el patrón PEER como la arquitectura multiagente. Tras ejecutar las demos, presentamos un resumen de los resultados y los aprendizajes clave: cómo el patrón PEER favorece la resolución sistemática de problemas, la mejora continua mediante colaboración, la integración de experticia por dominios y el poder de Gemini para potenciar cada agente.
En definitiva, demostramos cómo un sistema multiagente modular puede abordar problemas complejos de forma escalable y confiable, combinando razonamiento especializado, comunicación estructurada y revisión iterativa para entregar soluciones inteligentes listas para el mundo real. Esta experiencia revela el potencial de estas arquitecturas IA para construir aplicaciones avanzadas aprovechando recursos gratuitos y colaborativos.
