En este tutorial configuramos un sistema completo de agentes de inteligencia artificial utilizando CrewAI y los modelos Gemini de Google. Empezamos instalando todos los paquetes necesarios y configurando la clave de acceso a Gemini de forma segura. Luego, creamos diferentes agentes especializados en investigación, análisis de datos, generación de contenido y aseguramiento de calidad, todos diseñados para colaborar de forma rápida y secuencial.
Con clases utilitarias claras y comandos interactivos, facilitamos desde análisis rápidos puntuales hasta proyectos de investigación complejos con múltiples agentes, todo dentro del propio notebook.
Para preparar el entorno, instalamos automáticamente las librerías de CrewAI, Gemini y otras herramientas, asegurándonos de que todas las dependencias estén listas en Colab, verificando que cada paquete se instale correctamente.
Luego, silencian las advertencias para mantener el registro limpio e importamos las clases principales de CrewAI junto con los envoltorios para Gemini y módulos auxiliares como tiempo y fecha, que usaremos a lo largo del notebook.
Para manejar la clave API de Gemini, intentamos cargarla desde los secretos de Colab; si no está configurada, el sistema guía paso a paso para crearla, agregarla de forma segura y volver a ejecutar el notebook. También permite introducirla manualmente en caso de que no esté configurada.
El núcleo del flujo de trabajo es la clase ColabGeminiAgentSystem, que conecta Gemini con LangChain, define una herramienta para leer archivos y crea cuatro agentes especializados: investigador, analista de datos, creador de contenido y especialista en control de calidad. Cada agente está optimizado para colaborar en sus respectivas tareas.
Tras instanciar el sistema con la clave API, verificamos que la conexión y la inicialización de agentes se realicen sin problemas, confirmando que la infraestructura está lista.
El sistema permite ejecutar diferentes tipos de proyectos según el nivel de detalle requerido: análisis rápidos, investigaciones profundas o análisis específicos con distintas etapas, desde la recopilación de información hasta la revisión y pulido final del contenido.
Además, incorpora un modo interactivo en forma de consola donde se pueden ingresar comandos como “research [tema]”, “quick [tema]” o “analyze [tema]” para lanzar proyectos al instante, consultar el historial de resultados o pedir ayuda sobre los comandos disponibles. Esto convierte el notebook en un entorno muy flexible sin necesidad de escribir código adicional.
Para facilitar el manejo de resultados, el sistema incluye utilidades para descargar los archivos JSON con los resultados, mostrarlos de forma bonita usando Markdown y guardar automáticamente copias en Google Drive para archivarlos o compartirlos fácilmente.
Finalmente, preparamos un demo que ejecuta tres proyectos distintos, mostrando resultados formateados y haciendo pausas entre ellos para observar cómo funcionan los agentes en escenarios variados, desde resúmenes rápidos hasta estudios completos y multicapa.
En resumen, con este sistema listo para usar podemos generar flujos de trabajo de investigación, análisis y creación de contenido con solo unas líneas de código. Podemos correr consultas rápidas, profundizar con análisis detallados o interactuar en tiempo real, guardando y recuperando resultados cómodamente. Todo ello aprovechando la potencia de CrewAI, Gemini y la integración con Google Colab.
