En este tutorial te mostramos cómo combinar de forma práctica la lógica simbólica con inteligencia artificial generativa. Configuramos PySwip para integrar una base de conocimiento en Prolog, envolvemos sus predicados como herramientas accesibles desde LangChain, y conectamos todo dentro de un agente al estilo ReAct. Durante el proceso, creamos reglas para relaciones familiares, predicados matemáticos como el factorial y utilidades para listas. Luego dejamos que el agente planifique, llame a estas herramientas y razone con los resultados. Al finalizar, podremos hacer preguntas en lenguaje natural y ver cómo el agente las traduce a consultas Prolog exactas, combina respuestas paso a paso y entrega resultados estructurados en formato JSON.
Primero instalamos SWI-Prolog con apt-get y luego añadimos con pip las librerías pyswip, langchain-google-genai, langgraph y langchain-core para conectar la lógica de Prolog con nuestro agente Gemini. Con estas dependencias listas, ya podemos comenzar a programar, hacer consultas y orquestar el razonamiento completo.
Cargamos las librerías principales: PySwip para integrar Prolog, LangChain y LangGraph para las herramientas, y Gemini 1.5 Flash como modelo de lenguaje. También configuramos la variable de entorno con la clave API de Google para autenticar el modelo. Ajustamos la temperatura del modelo a cero para obtener respuestas deterministas y bien fundamentadas lógicamente.
Creamos una clase que actúa como interfaz avanzada a Prolog. En ella inicializamos PySwip, cargamos una base de conocimiento con hechos y reglas que incluyen relaciones familiares, predicados matemáticos como el factorial, funciones para manipular listas, y categorías de animales con sus características. Cada regla se añade con cuidado para evitar errores. Además, implementamos un método query que ejecuta cualquier consulta Prolog y devuelve los resultados en formato compatible con JSON, incluyendo mensajes claros cuando no hay soluciones o hay errores.
Luego, definimos tres herramientas que exponen consultas específicas a la interfaz Prolog para que el agente pueda usarlas: - family_relationships para consultas de relaciones familiares, - mathematical_operations para cálculos matemáticos (por ahora solo factorial), - advanced_queries para consultas más complejas como obtener todos los hijos, hermanos o primos.
Cada herramienta construye la consulta Prolog adecuada según el parámetro recibido, ejecuta la consulta y devuelve los resultados limpios en JSON para que el agente procese.
Registramos estas herramientas en una lista y creamos un agente ReAct que las puede invocar mediante LangChain y LangGraph, utilizando Gemini para el lenguaje natural. Para probar todo, escribimos rutinas que realizan análisis de la familia, razonamientos complejos paso a paso y una sesión interactiva para que el usuario haga preguntas acerca de los datos familiares o matemáticos y reciba respuestas inmediatas.
También incluimos una función para probar consultas directas a Prolog, con ejemplos para verificar que las reglas están funcionando correctamente.
En el flujo principal, verificamos que la clave API esté configurada, ejecutamos las pruebas directas, el análisis familiar, el razonamiento complejo y finalmente mostramos las capacidades matemáticas con factoriales, todo desde consultas en lenguaje natural que el agente traduce y resuelve con lógica simbólica.
En resumen, este proyecto demuestra cómo la razonamiento simbólico tradicional y los modelos de lenguaje se complementan maravillosamente: Prolog asegura resultados correctos en lógica bien definida, mientras Gemini aporta comprensión y procesamiento flexible del lenguaje. Nos queda una base sólida, con consultas directas y herramientas integradas en agentes para hacer desde análisis familiares complejos hasta cálculos matemáticos. Además, la arquitectura está pensada para agregar dominios nuevos (finanzas, juegos, grafos de conocimiento) o probar otros modelos, incluso para montar interfaces UX o APIs que permitan explorar la inteligencia artificial guiada por lógica en tiempo real.
El resultado es un esquema funcional que integra razonamiento lógico formal con la fluidez y adaptabilidad de los grandes modelos de lenguaje, abriendo camino a aplicaciones híbridas potentes y explicables.
