El bucle ReAct sobre herramientas simuladas
Quita el marketing y un "agente de IA" es un bucle. El modelo no realiza acciones por arte de magia; las realiza tu código. El patrón es ReAct: razonar qué hacer, actuar llamando a una herramienta, observar el resultado, y repetir hasta que la tarea esté hecha. El modelo solo produce texto; el bucle que lo rodea convierte ese texto en llamadas reales a herramientas y le devuelve los resultados.
El paso de razonamiento es el LLM, y no es determinista, así que no podemos hacerle pruebas unitarias. Pero todo lo que lo rodea sí es determinista y es justo lo que se rompe en producción: el despacho, el manejo de las observaciones, la condición de parada. Así que probamos el bucle sustituyendo el trabajo del modelo por un plan con guion: una lista fija de acciones (tool, args). Así se hacen de verdad las pruebas unitarias de un agente: fija el plan y comprueba la traza.
Vas a construir run_agent(plan, tools, max_steps). plan es una lista de pasos como ("lookup", {"country": "France"}). tools es un dict que asigna a cada nombre de herramienta una función de Python que recibe el dict de argumentos y devuelve una observación. En cada paso llamas a la herramienta correspondiente y añades una tripleta (tool, args, observation) a una traza: el registro de auditoría de lo que hizo el agente.
def run_agent(plan, tools, max_steps=10):
trace = []
for action, args in plan:
if len(trace) >= max_steps:
break
if action == "finish":
break
observation = tools[action](args)
trace.append((action, args, observation))
return traceLas reglas:
- En cada paso, llama a
tools[action](args)y registra(action, args, observation)en orden. - Una acción
"finish"termina el bucle de inmediato y no se registra en la traza (es una señal, no una llamada a herramienta). - Detente en cuanto la traza tenga ya
max_stepsentradas, aunque el plan tenga más pasos: esa protección frena a un agente desbocado. - Si un paso no tiene argumentos, trátalos como un dict vacío.
En una aplicación real, el LLM emitiría cada siguiente acción como JSON y el mismo bucle la ejecutaría, así que podrías cambiar el plan con guion por la salida del modelo en vivo sin tocar el bucle. El tutor del dispositivo puede mover este mismo bucle en directo, pero la evaluación solo mira la traza determinista. Pulsa Ejecutar para ver cómo se ejecuta un plan de dos pasos: buscar una capital, hacer algo de aritmética y terminar.
Lo que acabas de construir tiene nombre en la industria. Este bucle de observar, pensar y actuar es el núcleo de todos los frameworks de agentes: LangGraph y bibliotecas parecidas te dan este bucle como un grafo de nodos, las APIs de agentes alojadas lo ejecutan en el lado del proveedor, y un cliente MCP no es más que este bucle conectado a herramientas que descubre mediante un protocolo. Añaden streaming, reintentos, persistencia y trazas, pero el motor es exactamente el bucle que escribiste. Construirlo desde cero una vez es lo que hace que esos frameworks sean legibles en lugar de magia: sabrás exactamente qué parte automatiza cada uno.
Escribe run_agent(plan, tools, max_steps=10), que ejecute un plan con guion de pasos (tool, args) contra un registro de herramientas simuladas. En cada paso, llama a tools[action](args) y añade (action, args, observation) a una lista de traza. Una acción "finish" detiene el bucle y no se registra; detente en cuanto la traza tenga max_steps entradas. Devuelve la traza.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.