Acciones: Permitiendo al Agente Interactuar con Su Entorno

Las acciones son los pasos concretos que un agente de IA toma para interactuar con su entorno.

Ya sea navegando por la web en busca de información o controlando un dispositivo físico, cada acción es una operación deliberada ejecutada por el agente.

Por ejemplo, un agente que asiste con servicio al cliente podría recuperar datos del cliente, ofrecer artículos de soporte o transferir problemas a un representante humano.

Tipos de Acciones de Agentes

Hay múltiples tipos de Agentes que realizan acciones de manera diferente:

Las acciones en sí pueden servir para muchos propósitos:

Una parte crucial de un agente es la capacidad de DETENER la generación de nuevos tokens cuando una acción está completa, y eso es cierto para todos los formatos de Agente: JSON, código o llamada a funciones. Esto previene la salida no intencionada y asegura que la respuesta del agente sea clara y precisa.

El LLM solo maneja texto y lo usa para describir la acción que quiere tomar y los parámetros a suministrar a la herramienta.

El Enfoque de Detener y Analizar

Un método clave para implementar acciones es el enfoque de detener y analizar. Este método asegura que la salida del agente sea estructurada y predecible:

1. Generación en un Formato Estructurado:

El agente produce su acción prevista en un formato claro y predeterminado (JSON o código).

2. Deteniendo la Generación Adicional:

Una vez que la acción está completa, el agente deja de generar tokens adicionales. Esto previene salidas adicionales o erróneas.

3. Analizando la Salida:

Un analizador externo lee la acción formateada, determina qué Herramienta llamar y extrae los parámetros requeridos.

Por ejemplo, un agente que necesita verificar el clima podría producir:

Thought: Necesito verificar el clima actual para Nueva York.
Action :
{
  "action": "get_weather",
  "action_input": {"location": "Nueva York"}
}

El framework puede entonces analizar fácilmente el nombre de la función a llamar y los argumentos a aplicar.

Este formato claro y legible por máquina minimiza errores y permite que herramientas externas procesen con precisión el comando del agente.

Nota: Los agentes de llamada a funciones operan de manera similar estructurando cada acción para que una función designada sea invocada con los argumentos correctos. Profundizaremos en esos tipos de Agentes en una Unidad futura.

Agentes de Código

Un enfoque alternativo es usar Agentes de Código. La idea es: en lugar de producir un simple objeto JSON, un Agente de Código genera un bloque de código ejecutable—típicamente en un lenguaje de alto nivel como Python.

Este enfoque ofrece varias ventajas:

• Expresividad: El código puede representar naturalmente lógica compleja, incluyendo bucles, condicionales y funciones anidadas, proporcionando mayor flexibilidad que JSON.
• Modularidad y Reusabilidad: El código generado puede incluir funciones y módulos que son reutilizables a través de diferentes acciones o tareas.
• Depuración Mejorada: Con una sintaxis de programación bien definida, los errores de código son a menudo más fáciles de detectar y corregir.
• Integración Directa: Los Agentes de Código pueden integrarse directamente con bibliotecas y APIs externas, permitiendo operaciones más complejas como procesamiento de datos o toma de decisiones en tiempo real.

Por ejemplo, un Agente de Código encargado de obtener el clima podría generar el siguiente fragmento de Python:

# Ejemplo de Agente de Código: Recuperar Información del Clima
def get_weather(city):
    import requests
    api_url = f"https://api.weather.com/v1/location/{city}?apiKey=YOUR_API_KEY"
    response = requests.get(api_url)
    if response.status_code == 200:
        data = response.json()
        return data.get("weather", "No hay información del clima disponible")
    else:
        return "Error: No se pudo obtener datos del clima."

# Ejecutar la función y preparar la respuesta final
result = get_weather("Nueva York")
final_answer = f"El clima actual en Nueva York es: {result}"
print(final_answer)

En este ejemplo, el Agente de Código:

• Recupera datos del clima a través de una llamada a API,
• Procesa la respuesta,
• Y usa la función print() para producir una respuesta final.

Este método también sigue el enfoque de detener y analizar delimitando claramente el bloque de código y señalando cuando la ejecución está completa (aquí, imprimiendo el final_answer).

Aprendimos que las Acciones conectan el razonamiento interno de un agente y sus interacciones con el mundo real ejecutando tareas claras y estructuradas—ya sea a través de JSON, código o llamadas a funciones.

Esta ejecución deliberada asegura que cada acción sea precisa y esté lista para el procesamiento externo a través del enfoque de detener y analizar. En la siguiente sección, exploraremos las Observaciones para ver cómo los agentes capturan e integran retroalimentación de su entorno.

Después de esto, ¡finalmente estaremos listos para construir nuestro primer Agente!