Arquitectura Multi-Agente con LangGraph y Gemini para Investigación AI

En este tutorial desarrollamos un sistema completo de equipo de investigación multiagente usando LangGraph y la API Gemini de Google. La idea es contar con agentes especializados: un Investigador, un Analista, un Redactor y un Supervisor, cada uno encargado de una etapa específica dentro del proceso de investigación. Trabajando en conjunto, estos agentes recopilan datos, analizan información, elaboran un informe y coordinan el flujo de trabajo. Además, incorporamos funcionalidades como almacenamiento persistente de memoria, coordinación entre agentes, creación de agentes personalizados y monitoreo del rendimiento. Al finalizar la configuración, podemos ejecutar sesiones de investigación automatizadas e inteligentes que generan informes estructurados sobre cualquier tema. Para empezar, instalamos las librerías necesarias, incluyendo LangGraph y la integración de LangChain con Gemini de Google. Luego importamos los módulos esenciales y configuramos el entorno solicitando la clave API de Google de forma segura con el módulo getpass; esto permite autenticar el modelo de lenguaje sin exponer la clave en el código. Definimos dos clases TypedDict para mantener un estado estructurado y las respuestas estándar entre los agentes dentro de LangGraph. La clase AgentState almacena mensajes, estado del flujo, el tema de investigación y los hallazgos recolectados. AgentResponse normaliza la salida de cada agente. También creamos una función para inicializar el modelo Gemini con los parámetros deseados, garantizando un comportamiento consistente en todos los agentes. Luego construimos el agente Investigador, especializado en recopilar datos iniciales. Este agente, mediante un prompt estructurado, analiza exhaustivamente el tema propuesto, identifica áreas clave a investigar, aporta los primeros hallazgos y sugiere enfoques para profundizar. La función que ejecuta este agente actualiza el estado compartido con los descubrimientos y mensajes, y transfiere el control al siguiente agente, el Analista. El agente Analista se encarga de examinar a fondo los resultados proporcionados por el Investigador. Identifica patrones, tendencias y métricas relevantes, ofreciendo conclusiones basadas en datos y recomendaciones prácticas. De esta manera, enriquece el estado compartido, preparando la información para que el Redactor pueda sintetizar el informe final. A continuación, el agente Redactor transforma toda la investigación y el análisis en un documento profesional y bien estructurado. Prepáralo con resumen ejecutivo, hallazgos detallados y conclusiones claras, haciendo accesible la información a diversos públicos. Su salida actualiza el informe final en el estado compartido y pasa el control al Supervisor para la revisión. El agente Supervisor actúa como coordinador general del equipo. Evalúa el progreso, identifica qué agente acaba de terminar su tarea y decide el siguiente paso: continuar la investigación, pasar al análisis, iniciar la redacción o finalizar el proyecto. Utilizando inteligencia del modelo Gemini, asegura una transición fluida y mantiene la calidad de todo el proceso. Con estos agentes diseñados, armamos un grafo de estados que representa el flujo de trabajo completo del equipo de investigación, enlazando cada agente y definiendo las condiciones para avanzar. Compilamos este grafo junto con un mecanismo de conservación de memoria para almacenar el historial de la conversación. Finalmente, la función principal ejecuta el proceso iniciando con un tema y mostrando en tiempo real el aporte de cada agente en cada paso. En la parte práctica, implementamos una sesión interactiva que permite al usuario realizar múltiples consultas y obtener informes completos; además, un mecanismo para crear agentes personalizados con roles y directrices específicas, ampliando la flexibilidad del sistema. Para facilitar el desarrollo y monitoreo, añadimos funciones para visualizar la estructura del grafo, medir el rendimiento del flujo de trabajo en tiempo de ejecución y una demo rápida que ejecuta investigaciones sobre varios temas predefinidos, mostrando la capacidad de colaboración automática entre los agentes. En resumen, hemos construido y probado un asistente de investigación basado en agentes AI modular, con roles bien definidos y gestión automática del flujo de trabajo. Esto nos permite transformar una idea o tema inicial en un reporte detallado con mínima intervención humana. Gracias a la posibilidad de extender o personalizar agentes, visualizar procesos y monitorear desempeño, este sistema puede adaptarse a múltiples escenarios y aplicaciones reales.