Acerca de las cookies de este sitio Nuestros sitios web necesitan algunas cookies para funcionar correctamente (necesarias). Además, se pueden utilizar otras cookies con su consentimiento para analizar el uso del sitio, para mejorar la experiencia del usuario y para publicidad. Para obtener más información, consulte sus opciones de. Al visitar nuestro sitio web, acepta que procesemos la información tal y como se describe en ladeclaración de privacidad de IBM. Para facilitar la navegación, sus preferencias de cookies se compartirán entre los dominios web de IBM que se muestran aquí.
Agent Lab (beta)
Última actualización: 04 mar 2025
Utilice el Laboratorio de agentes en IBM watsonx.ai para crear e implementar un agente de IA que pueda utilizarse para hacer que sus aplicaciones sean más flexibles y dinámicas. Puede configurar el agente para que tome decisiones y realice tareas en nombre de un usuario final utilizando los parámetros y herramientas que especifique en la configuración del agente.
Nota:La herramienta Agent Lab en watsonx.ai está disponible como función beta.
Introducción a Agent Lab
Si se ha registrado en watsonx.ai y tiene un proyecto de entorno de pruebas, se cumplen todos los requisitos y ya puede utilizar el Laboratorio de agentes.
Debe cumplir los siguientes requisitos para utilizar el Laboratorio de Agentes:
- Debes tener un proyecto.
- El proyecto debe tener una instancia de servicio de tiempo de ejecución de watsonx.ai asociada. De lo contrario, es posible que se le pida que asocie el servicio al abrir el Laboratorio de Agentes.
- Permisos necesarios
- Para crear un agente, debe tener el rol de administrador o editor en un proyecto.
El Laboratorio de agentes le permite crear y personalizar fácilmente su agente de IA con una codificación mínima. Usted define los parámetros de la interacción entre el agente y el usuario final, incluyendo el modelo de base, el marco, la arquitectura y las herramientas que el agente utiliza para realizar una tarea.
En un escenario real, el agente toma la siguiente mejor medida en función del estado actual de la interacción. El modelo de base dentro del agente selecciona una o varias herramientas externas basándose en las indicaciones enviadas por el usuario final. El marco del agente utiliza entonces un proceso llamado llamada a herramienta, que también se conoce como llamada a función, para buscar información de múltiples fuentes y generar una respuesta.
Por ejemplo, una herramienta de reserva de vuelos puede necesitar recopilar la siguiente información y, a continuación, crear una reserva:
- Ubicaciones de origen y destino
- Número de pasajeros
- Fecha de viaje
- Rango de precios
El orden en que se recopila la información puede ser importante para algunos vuelos, cuando el número de asientos disponibles es limitado o cuando los precios están dentro del rango solicitado. El agente procesa todas las entradas del usuario y el modelo de base subyacente determina cuándo llamar a herramientas adicionales, como un motor de búsqueda que encuentra una aerolínea que ofrece un servicio frecuente entre los lugares de origen y destino, antes de que el agente complete una solicitud de reserva.
Creación de un agente para automatizar tareas generativas de IA
Vea este vídeo para saber cómo crear un agente en Agent Lab.
Este vídeo ofrece un método visual para aprender los conceptos y tareas de esta documentación.
Para crear un agente de IA, siga estos pasos:
Desde la página de inicio de watsonx.ai, elija un proyecto y, a continuación, haga clic en el mosaico Nuevo activo > Crear un agente de IA para automatizar tareas.
Seleccione un modelo de base y, opcionalmente, actualice los parámetros del modelo. Para más detalles, consulte Configuración del modelo Foundation.
Para configurar su agente, especifique un nombre para el agente y describa las tareas que realiza.
Opcional : Seleccione un icono y una imagen de fondo para personalizar la forma en que su agente aparece en el panel de vista previa del agente.
Seleccione el marco de agente de IA que desea utilizar para crear, implementar y gestionar su agente.
Nota:Actualmente, watsonx.ai ofrece LangGraph como única opción de marco. Seleccionar la arquitectura que implementa el razonamiento de la IA agencial.
Nota:Actualmente, watsonx.ai ofrece ReAct como única opción de arquitectura. Defina instrucciones específicas para su agente que se utilizan para crear un aviso del sistema para el modelo de base seleccionado. Las instrucciones pueden incluir el uso de un idioma específico, un formato de fecha u hora, un saludo de usuario o una herramienta externa como fuente de información en lugar de la base de conocimientos de un modelo de fundación.
Configurar una o más herramientas externas que el marco de trabajo del agente pueda invocar para componer una respuesta. Seleccionar herramientas de una lista de herramientas proporcionadas. Para más detalles, consulte Configuración de herramientas.
Opcional : Añada algunas preguntas de muestra que el usuario final pueda utilizar para empezar a interactuar con el agente.
Pruebe su agente en el panel de vista previa del agente para asegurarse de que el agente genera el resultado correcto utilizando una combinación del modelo base y las herramientas pertinentes.
Para conservar su trabajo de modo que pueda reutilizarlo o compartir un agente con colaboradores en el proyecto actual, guarde su trabajo como un activo del proyecto. Para más detalles, consulte Agentes de ahorro. De forma alternativa, puede implementar su agente como un servicio de IA en un espacio de implementación. Para más detalles, consulte Implementación de servicios de IA con herramientas.
Opciones de configuración del agente
Puede personalizar el modelo de base y las herramientas que utiliza su agente para tomar decisiones, emprender acciones e interactuar con entornos externos.
Configuración del modelo de base
Cuando cree un flujo de trabajo de agente, elija un modelo base que cumpla los siguientes requisitos:
- Maneja tareas de chat
- Soporta llamada de herramienta
- Responde bien a las técnicas de incitación a la cadena de pensamiento y elige la siguiente acción
- Tiene un buen rendimiento en los puntos de referencia de razonamiento
Para controlar cómo genera resultados el modelo, puede especificar los siguientes parámetros:
- Penalización por frecuencia
- Si el resultado generado para el mensaje, modelo y parámetros elegidos contiene sistemáticamente texto que aparece varias veces, puede intentar añadir una penalización de frecuencia. Cuando se establece, la penalización reduce las puntuaciones de probabilidad de los tokens que se utilizaron varias veces, de modo que el modelo tiene menos probabilidades de repetirlos. Un valor más alto conduce a una producción más diversa y variada.
- Valores admitidos: Número de punto flotante en el rango de -2.0 (sin penalización) a 2.0 (máxima penalización)
- Valor predeterminado: 0.0
- Uso: Cuanto mayor sea la penalización, menos probable será que el resultado incluya texto que haya aparecido con frecuencia en la interacción hasta el momento.
- Penalización por presencia
- Si el resultado generado para el mensaje, modelo y parámetros elegidos contiene texto que ha aparecido anteriormente en la interacción, puede intentar añadir una penalización por presencia. Cuando se establece, la penalización reduce las puntuaciones de probabilidad de los tokens que ya se utilizaron, de modo que es menos probable que el modelo los repita. Un valor más alto conduce a una producción más diversa y variada.
- Valores admitidos: Número de punto flotante en el rango de -2.0 (sin penalización) a 2.0 (máxima penalización)
- Valor predeterminado: 0.0
- Uso: Cuanto mayor sea la penalización, menos probable será que el resultado incluya texto que ya haya aparecido en la interacción hasta el momento.
- Temperatura
- Técnica de muestreo que utiliza el modelo para seleccionar los tokens en el resultado generado aplanando o afinando la distribución de probabilidad sobre los tokens que se van a muestrear.
- P principales (muestreo nuclear)
- Técnica de muestreo que utiliza el modelo para seleccionar los tokens en el resultado generado mediante el muestreo de tokens con las puntuaciones de probabilidad más altas hasta que la suma de las puntuaciones alcanza el valor umbral especificado.
- Máximo de nuevos tokens
- El parámetro de fichas máximas controla el número máximo de fichas en el resultado generado. El número máximo de fichas que se permiten en la salida varía según el modelo. Para más detalles, consulte la información de fichas máximas en Modelos de base compatibles.
Configuración de herramientas
Puede configurar su agente para que utilice una o más herramientas externas para recuperar información adicional para fundamentar las indicaciones enviadas al modelo de base para generar una respuesta.
También puede actualizar la configuración de las herramientas haciendo clic en el icono Configurar 
. Algunos ejemplos de cómo personalizar las herramientas son los siguientes:
- Especificar un límite al número de resultados devueltos por un motor de búsqueda de terceros
- Proporcionar el índice vectorial de un archivo fuente para que lo utilice una herramienta de búsqueda de documentos. Para obtener más información sobre cómo añadir documentos a un almacén de datos vectoriales en su proyecto, consulte Añadir documentos vectorizados para las indicaciones del modelo de cimentación de puesta a tierra.
Más información
- Creación de un proyecto
- Agentes de ahorro
- Para obtener más información sobre un método alternativo para crear flujos de trabajo de chat con agentes mediante la API REST de watsonx.ai, consulte Creación de flujos de trabajo dirigidos por agentes con la API de chat.
Tema principal: Desarrollo de soluciones de IA generativa
¿Fue útil el tema?
0/1000