En este tutorial mostramos cómo crear un pipeline para un agente de IA utilizando Parsl, aprovechando su capacidad para ejecutar múltiples tareas en paralelo como aplicaciones Python independientes. Configuramos un ThreadPoolExecutor local para gestionar la concurrencia y definimos herramientas especializadas, como el cálculo de números Fibonacci, el conteo de números primos, la extracción de palabras clave y la simulación de llamadas a APIs externas. Estas herramientas se coordinan mediante un planificador ligero que traduce el objetivo del usuario en una serie de tareas que se ejecutan en paralelo. Luego, los resultados de todas las tareas se combinan y se procesan con un modelo de generación de texto de Hugging Face para producir un resumen coherente y comprensible para humanos.
Primero instalamos las librerías necesarias y configuramos Parsl con un ThreadPoolExecutor local que permite ejecutar hasta ocho hilos de manera simultánea. De este modo, podemos lanzar múltiples funciones Python en paralelo.
Definimos cuatro funciones decoradas con @python_app para que se ejecuten de forma asíncrona: una para calcular el número Fibonacci de un índice dado, otra para contar números primos hasta cierto límite, una tercera para extraer las palabras clave más relevantes de un texto, y una cuarta que simula el funcionamiento de una herramienta externa con retrasos aleatorios, imitando una llamada a una API.
Además, creamos la función tiny_llm_summary que usa un modelo pequeño de Hugging Face (sshleifer/tiny-gpt2) para generar resúmenes breves y claros a partir de una lista de resultados en formato de viñetas. Para esto, formatea los resultados agregándoles un prompt con la palabra “Conclusión” para obtener un texto final que sintetice toda la información de manera natural.
El planificador se encarga de analizar el objetivo del usuario y decidir qué herramientas activar. Si detecta palabras como “fibonacci” o “primes” en la consulta, incluye las funciones correspondientes. Además, añade tareas por defecto como la simulación de búsqueda en base de datos, la obtención de métricas y la extracción de palabras clave. Esto genera una lista ordenada de instrucciones para el agente.
La función run_agent ejecuta el flujo completo: obtiene la planificación según el objetivo, lanza todas las tareas en paralelo, espera sus resultados, formatea cada uno en viñetas descriptivas y luego usa el modelo de lenguaje para crear un resumen narrativo. Finalmente, devuelve un diccionario con el objetivo original, las viñetas, el resumen generado y los datos crudos de las herramientas.
En el bloque principal definimos un objetivo que combina las tres tareas: calcular fibonacci(35), contar primos menor a 100,000 y generar un resumen ejecutivo que resuma la información obtenida. Ejecutamos el agente, imprimimos las viñetas, mostramos el resumen del modelo y presentamos una vista previa del resultado JSON para validar tanto la salida legible como la estructurada.
En resumen, esta implementación demuestra cómo Parsl puede orquestar de forma eficiente y paralela distintos tipos de cargas de trabajo, integrando cálculo numérico, procesamiento de texto y simulaciones de servicios externos dentro de un único pipeline. La inclusión de un modelo pequeño de lenguaje permite transformar los datos estructurados en texto natural, ilustrando cómo combinar computación paralela e inteligencia artificial para construir agentes inteligentes, rápidos y escalables, ideales para tareas en tiempo real o de gran volumen.
