AutoGen + Ertas

Construye sistemas multi-agente con AutoGen usando modelos entrenados con Ertas como cerebros especializados de agentes para resolucion colaborativa de problemas y automatizacion de tareas complejas.

Overview

AutoGen es un framework multi-agente de codigo abierto desarrollado por Microsoft Research que permite construir aplicaciones donde multiples agentes de IA colaboran a traves de conversacion para resolver tareas complejas. En lugar de un solo LLM manejando todo, AutoGen orquesta conversaciones entre agentes especializados — un agente planificador descompone tareas, un agente codificador escribe soluciones, un agente critico revisa salidas y un agente proxy de usuario maneja interacciones humano-en-el-ciclo. Esta division del trabajo refleja como trabajan los equipos humanos y produce resultados significativamente mejores en problemas complejos de multiples pasos.

La arquitectura basada en conversacion de AutoGen soporta tanto equipos de agentes completamente autonomos como flujos de trabajo supervisados por humanos donde los agentes solicitan aprobacion antes de tomar acciones criticas. El framework maneja enrutamiento de mensajes, gestion del estado de conversacion, condiciones de terminacion y recuperacion de errores automaticamente. Los agentes pueden usar herramientas, ejecutar codigo en entornos aislados y acceder a fuentes de datos externas. Para equipos empresariales que construyen flujos de trabajo de IA sofisticados que van mas alla de interacciones de un solo prompt, AutoGen proporciona la capa de orquestacion que coordina multiples modelos especializados en pipelines coherentes de resolucion de problemas.

How Ertas Integrates

Los modelos entrenados con Ertas se integran con AutoGen configurando cada agente con un modelo ajustado diferente optimizado para su rol especifico. Despues de entrenar multiples modelos especialistas en Ertas Studio — uno para planificacion, uno para analisis de dominio, uno para generacion de codigo, uno para revision de calidad — asignas cada modelo al agente AutoGen correspondiente. Esto crea un sistema multi-agente donde cada agente es un experto en su funcion especifica, en lugar de depender de un solo modelo de proposito general para todos los roles.

El impacto en el rendimiento del sistema de agentes es dramatico. Un modelo generico actuando como agente de revision de codigo podria pasar por alto anti-patrones especificos del dominio, pero un modelo ajustado en el historial de revisiones de tu codigo base detecta exactamente los patrones que le importan a tu equipo. Un agente planificador entrenado en los patrones de descomposicion de tareas de tu organizacion genera mejores estructuras de desglose de trabajo que un modelo generico adivinando tu flujo de trabajo. Ertas hace practico entrenar estos modelos especialistas porque los adaptadores LoRA son pequenos y el entrenamiento es eficiente — puedes mantener una biblioteca de adaptadores especificos por rol compartiendo el mismo modelo base, desplegados en el mismo servidor de inferencia con Ollama o vLLM.

Getting Started

1
Identifica roles de agentes y ajusta modelos especialistas
Mapea tu flujo de trabajo multi-agente e identifica los roles especialistas. Ajusta un modelo separado en Ertas Studio para cada rol usando datos de entrenamiento especificos del rol.
2
Despliega modelos en endpoints de inferencia
Sirve cada modelo ajustado via Ollama (que soporta multiples modelos simultaneamente) o despliega instancias separadas de vLLM para mayor rendimiento.
3
Configura agentes AutoGen con asignaciones de modelos
Crea agentes AutoGen y asigna a cada uno su modelo dedicado entrenado con Ertas via la configuracion de API OpenAI-compatible.
4
Define flujos de conversacion y condiciones de terminacion
Configura la topologia de conversacion multi-agente — que agentes hablan entre si, como se delegan las tareas y cuando termina la conversacion.
5
Ejecuta y optimiza el equipo de agentes
Ejecuta flujos de trabajo multi-agente y analiza los registros de conversacion. Identifica que agentes necesitan mejores datos de entrenamiento y reentrena en Ertas Studio para mejora continua.

python

from autogen import AssistantAgent, UserProxyAgent

# Configure different Ertas-trained models for each agent role
planner_config = {
    "config_list": [{
        "model": "ertas-planner-7b",
        "base_url": "http://localhost:11434/v1",
        "api_key": "not-needed",
    }]
}

analyst_config = {
    "config_list": [{
        "model": "ertas-legal-analyst-7b",
        "base_url": "http://localhost:11434/v1",
        "api_key": "not-needed",
    }]
}

# Create specialized agents
planner = AssistantAgent(
    name="Planner",
    system_message="Break down complex legal research tasks into steps.",
    llm_config=planner_config,
)

analyst = AssistantAgent(
    name="LegalAnalyst",
    system_message="Analyze legal documents and extract key findings.",
    llm_config=analyst_config,
)

user_proxy = UserProxyAgent(name="User", human_input_mode="TERMINATE")

# Start a multi-agent conversation
user_proxy.initiate_chat(
    planner,
    message="Analyze the merger agreement for antitrust risks.",
)

Crea un sistema de analisis legal multi-agente con AutoGen, usando diferentes modelos entrenados con Ertas para roles de planificacion y analisis de dominio.

Benefits

Asigna modelos ajustados especializados a cada rol de agente para maxima experiencia
La colaboracion multi-agente produce mejores resultados que enfoques de un solo modelo
Los adaptadores LoRA mantienen multiples modelos especialistas eficientes en infraestructura compartida
Controles humano-en-el-ciclo para flujos de trabajo autonomos supervisados
Ejecucion de codigo en entornos aislados para automatizacion segura
Los registros de conversacion proporcionan datos de entrenamiento ricos para mejora iterativa del modelo