Curso
Creación de agentes de IA con Google ADK
1 h
4.1K
Los agentes de IA son sistemas avanzados y orientados a objetivos que perciben el contexto y ejecutan flujos de trabajo de varios pasos con una supervisión mínima, a diferencia de los chatbots básicos. Pueden llamar a API, manejar software, consultar datos y aprovechar la memoria y los bucles de retroalimentación.
Estos agentes se han convertido en una parte fundamental del ecosistema de la IA, y aprender sobre ellos te ayudará a iniciar tu carrera en este campo o a mejorar tus habilidades actuales. La mejor manera de comprender cualquier concepto nuevo es mediante la creación de aplicaciones prácticas.
En este artículo, revisaremos 10 proyectos de agentes de IA útiles para todos los niveles de habilidad:
- Principiantes: Crea rápidamente con herramientas de bajo código como Langflow, Flowise y Make AI.
- , nivel intermedio: Utiliza marcos como LangGraph, Mistral Agents y Qwen-Agent para crear agentes personalizados.
- Avanzado: Diseña sistemas multiagente con Haystack, ADK y CrewAI.
Proyectos para agentes de IA principiantes
Los proyectos sencillos utilizan herramientas GUI o herramientas de agente de bajo código. Puedes arrastrar, soltar y conectar componentes visualmente, añadir tu clave API LLM y ejecutar el proceso. Estos constructores te permiten crear prototipos de agentes con estado, integrar fuentes de datos y API, y encadenar indicaciones y llamadas a herramientas sin código repetitivo.
1. Profesor de idiomas con Langflow
Language Tutor con Langflow es un pequeño sistema agente que genera fragmentos de lectura breves adaptados al vocabulario actual del alumno. Funciona en Langflow con una base de datos Postgres (a través de Docker) y utiliza psycopg2 para leer/escribir palabras.
Subes tu vocabulario desde un archivo CSV, añades nuevas palabras a través de una herramienta en el chat y una herramienta de historias extrae las palabras guardadas para pedir a un LLM que escriba una historia en el idioma que hayas elegido. El agente principal envía tu solicitud, «añadir palabra» o «crear una historia», y devuelve el resultado.
Guía: Langflow: Una guía con proyecto de demostración
2. Analista de datos Agente de IA con Flowise
El agente de IA para análisis de datos con Flowise es un flujo de trabajo que te permite realizar preguntas sobre una base de datos y obtener respuestas con el SQL exacto utilizado.
Conectas Flowise a una base de datos SingleStore, añades un bloque de código personalizado para leer el esquema de la tabla y lo introduces en un prompt que solicita a un LLM (a través de una cadena LLM con OpenAI) que genere una consulta SQL.
La consulta se almacena, se limpia, se ejecuta a través de otro bloque de código personalizado y los resultados, junto con la consulta, se formatean mediante un mensaje final y LLM Chain.
Guía: Flowise: Una guía con proyecto de demostración
3. Automatización del servicio de atención al cliente con Make AI
El agente de IA de atención al cliente con Make responde automáticamente a las consultas sobre alquileres enviadas a través de un formulario de Tally.
Cuando alguien rellena un formulario de Tally, Make AI obtiene los datos del alquiler de un documento de Google Docs. A continuación, un módulo de OpenAI redacta una respuesta utilizando esos datos y la pregunta de la persona. Por último, el módulo de correo electrónico envía la respuesta directamente a la dirección de correo electrónico indicada en el formulario.
Guía: Crear IA: Una guía con ejemplos prácticos
Proyectos intermedios de agentes de IA
Los proyectos intermedios de agentes de IA se centran en la creación de flujos de trabajo completos utilizando marcos y API modernos para agentes. En esta etapa, no solo estás conectando API, sino que también estás diseñando interfaces de usuario sencillas para que los usuarios puedan interactuar directamente con los agentes.
4. Asesor nutricional con Mistral Agents
Nutrition Coach with Mistral Agents es un proyecto de agente de IA que registra tus comidas, calcula las calorías y sugiere una próxima comida saludable, con una imagen.
La aplicación incluye la API Agents de Mistral, que cuenta con un agente de búsqueda web para obtener estimaciones de calorías. También cuenta con un estimador de reserva, un registrador para anotar las comidas, el recuento de calorías y las marcas de tiempo, así como un agente de generación de imágenes para visualizar el plato sugerido.
Los usuarios pueden introducir vuestras comidas y preferencias, y la aplicación buscará o estimará el contenido calórico, registrará la entrada, sugerirá una comida de seguimiento y mostrará una imagen generada automáticamente del plato, junto con un resumen claro de las herramientas utilizadas.
Guía: API de Mistral Agents: Una guía con proyecto de demostración
5. Asistente de investigación profunda con Jan-v1
El proyecto Deep Research Assistant con Jan‑v1 es una aplicación que convierte un tema en un informe de investigación pulido utilizando la inferencia local de Jan‑v1, la búsqueda web asíncrona y un formato de informe estricto. Genera consultas inteligentes, extrae fuentes y sintetiza un informe limpio y profesional.
Utiliza Streamlit para la interfaz de usuario, llama‑cpp para ejecutar un modelo Jan‑v1 GGUF localmente, Serper para la búsqueda web y un conjunto de funciones auxiliares para la sección y limpieza.
Los usuarios introducen un tema, eligen la profundidad, el enfoque, el plazo y el formato; la aplicación genera consultas, realiza búsquedas asíncronas, recopila notas y hace que Jan‑v1 elabore un informe estructurado, luego muestra las fuentes y permite exportar TXT/JSON. Las barras de progreso programan los pasos, y el estado de la sesión evita que se vuelva a cargar el modelo entre ejecuciones.
Guía: Jan-V1: Una guía con proyecto de demostración
6. Extensión de resumen web en tiempo real con Qwen-Agent
La extensión Real-Time Web Summarizer es un complemento de Chrome que captura el texto visible de cualquier página y transmite un resumen claro y conciso en tiempo real, impulsado localmente por Qwen3 a través de Ollama y un backend FastAPI.
Los usuarios pueden hacer clic en «Resumir» en la ventana emergente, como se muestra a continuación. La extensión recupera el texto de la página, lo envía a http://127.0.0.1:7864/summarize_stream_status y muestra la respuesta en streaming.
Para configurarlo, debes descargar el modelo Qwen utilizando Ollama, iniciar el servidor FastAPI, cargar la extensión descomprimida y, a continuación, podrás obtener resúmenes instantáneos en cualquier página, presentados en un formato claro, similar al de un editor.
Guía: Qwen-Agent: Una guía con proyecto de demostración
7. Análisis en tiempo real con LangGraph
Real-time Analytics es un asistente basado en LangGraph que responde preguntas, realiza búsquedas en la web y ejecuta código Python. Combina Mistral Medium 3 para el razonamiento, Tavily para la búsqueda en la web y un REPL de Python para ejecutar código basado en las indicaciones de los usuarios.
Cuando los usuarios hacen una pregunta, el agente determina si realizar una búsqueda, ejecutar código o utilizar ambos métodos. A continuación, proporciona la respuesta final junto con información sobre las herramientas utilizadas. El proceso de configuración incluye añadir la clave API de Tavily, instalar los paquetes necesarios, inicializar el LLM y las herramientas, crear el agente LangGraph e invocarlo con mensajes de usuario.
Guía: Tutorial de Mistral Medium 3: Creación de aplicaciones agenticas
Proyectos avanzados de agentes de IA
Los proyectos avanzados de agentes de IA reúnen a varios agentes que trabajan con múltiples herramientas en un único flujo de trabajo. Estos proyectos utilizan potentes marcos de trabajo de agentes, como Haystack, ADK y CrewAI, que te permiten diseñar sistemas colaborativos complejos en los que los agentes pueden coordinarse, especializarse y abordar tareas más sofisticadas.
8. RAG y agentes de IA web con Haystack AI
Haystack Agentic RAG y Web Access es un asistente que responde preguntas utilizando una base de conocimientos privada y, cuando es necesario, resultados web en tiempo real. En primer lugar, dirige las consultas a la generación aumentada por recuperación y, a continuación, cambia a la búsqueda web para obtener información actualizada en tiempo real.
Utiliza canalizaciones y agentes Haystack, un almacén de documentos en memoria con incrustaciones OpenAI, una herramienta RAG personalizada y una herramienta de búsqueda web Tavily personalizada integrada como ComponentTool. El agente funciona con GPT 4.1 Mini y cuenta con un sistema de indicaciones que guía la selección de herramientas.
Los usuarios pueden plantear preguntas y el agente recupera información de la base de conocimientos o realiza una búsqueda en Tavily sobre temas de actualidad. A continuación, proporciona una respuesta junto con las herramientas utilizadas.
Guía: Tutorial de Haystack AI: Creación de flujos de trabajo de agentes
9. Planificador de viajes con ADK y A2A
Travel Planner con ADK y A2A es una aplicación multiagente integral diseñada para planificar viajes de principio a fin. Los usuarios solo tienen que introducir su destino, las fechas del viaje y su presupuesto. A continuación, agentes especializados recomiendan vuelos, alojamientos y actividades. Un agente coordinador organiza todos los componentes, mientras que una interfaz de usuario Streamlit muestra el itinerario completo.
Los usuarios rellenan el formulario en Streamlit, el agente anfitrión envía la carga útil a los tres agentes, fusiona sus respuestas JSON y devuelve un plan estructurado con vuelos, hoteles y actividades.
Guía: Kit de desarrollo de agentes (ADK): Una guía con proyecto de demostración
10. RAG agencial con CrewAI
La canalización RAG agencial es un sistema de enrutamiento de consultas que responde con contexto fundamentado a partir de archivos PDF locales o, cuando es necesario, de la web en tiempo real.
Utiliza FAISS sobre fragmentos de PDF, Groq para respuestas rápidas de LLM y un flujo de trabajo web de crewAI para el contexto externo. Un mensaje del router determina «Sí/No» si los datos locales son suficientes, y las utilidades se encargan de la recuperación, el rastreo web y la síntesis.
Los usuarios hacen una pregunta y el enrutador comprueba el contexto del PDF. Si la respuesta es «Sí», el sistema recupera las coincidencias más relevantes de la base de datos vectorial. Si la respuesta es «No», busca en la web, combina la información recopilada y el modelo lingüístico formula la respuesta final.
Guía: RAG agencial: Tutorial paso a paso con proyecto de demostración
Reflexiones finales
Crear tus propios proyectos de IA desde cero es una de las mejores formas de impulsar tu carrera profesional. Te ayuda a ir más allá de la teoría y adquirir habilidades prácticas. Aprenderás a definir un problema, conectar herramientas y agentes, validar resultados, crear una interfaz de usuario sencilla y mejorar en función de los comentarios reales de los usuarios.
Cada proyecto que completas se añade a tu portafolio, que puedes compartir en plataformas como GitHub o Hugging Face, o como una demostración en vivo. Esto demuestra a los posibles empleadores que eres capaz de diseñar e implementar sistemas fiables, y no solo de utilizar modelos existentes. Demuestra tu comprensión del desarrollo y la ingeniería de productos, lo que te hace más atractivo para los responsables de contratación en campos como el machine learning aplicado y la ingeniería de IA.
Recomiendo empezar con proyectos pequeños y tratar de lanzarlos con frecuencia. Deja que tu trabajo hable por sí mismo, cada proyecto cuenta la historia de tu crecimiento y experiencia en el campo de la IA. Si eres nuevo en el campo de la IA agencial, también te recomiendo que realices el curso curso Introducción a los agentes de IA y consultar nuestra hoja de referencia sobre agentes de IA.
