SuperAgent + Ertas

Despliega modelos entrenados con Ertas como el núcleo de razonamiento de agentes de IA de SuperAgent con uso de herramientas, memoria y capacidades de ejecución de tareas de múltiples pasos.

Overview

SuperAgent es un framework de agentes de IA de código abierto que permite a los desarrolladores construir, desplegar y gestionar agentes de IA autónomos con capacidades de llamada a herramientas, memoria persistente y razonamiento de múltiples pasos. A diferencia de los frameworks simples de chatbot, SuperAgent proporciona toda la infraestructura para despliegues de agentes en producción: gestión de API, orquestación de flujos de trabajo, ingesta de documentos y monitoreo en tiempo real. Los agentes construidos con SuperAgent pueden navegar la web, consultar bases de datos, llamar APIs externas, procesar documentos y ejecutar tareas de múltiples pasos con flujos de aprobación con humano en el ciclo.

El framework está diseñado para uso en producción desde el principio. Incluye autenticación integrada, límites de tasa, analíticas de uso y streaming de eventos basado en webhooks. Los agentes pueden desplegarse como APIs REST consumidas por cualquier aplicación, o integrarse en productos existentes a través de los SDKs proporcionados. Para equipos que construyen productos impulsados por IA que van más allá de Q&A conversacional — agentes que realmente toman acciones, procesan flujos de trabajo y se integran con sistemas empresariales — SuperAgent proporciona la capa de orquestación mientras el LLM subyacente proporciona la inteligencia.

How Ertas Integrates

Los modelos entrenados con Ertas se conectan a SuperAgent como proveedores de LLM personalizados a través de la interfaz API compatible con OpenAI. Después de ajustar un modelo en Ertas Studio para un caso de uso específico de agente — incorporación de clientes, procesamiento de documentos, asistencia de investigación — lo despliegas y configuras SuperAgent para usarlo como el motor de razonamiento de tu agente. La experiencia de dominio del modelo ajustado mejora directamente la capacidad del agente para seleccionar las herramientas correctas, interpretar resultados correctamente y generar respuestas precisas.

El impacto del fine-tuning en el rendimiento del agente es sustancial. Los modelos genéricos a menudo tienen dificultades con la selección de herramientas — eligiendo la API incorrecta para llamar, malinterpretando parámetros de funciones o generando invocaciones de herramientas sintácticamente incorrectas. Un modelo ajustado con ejemplos de uso correcto de herramientas en tu dominio específico comete dramáticamente menos errores, llevando a tasas más altas de completación de tareas y menos escalaciones de respaldo a humanos. Con Ertas, puedes generar datos de entrenamiento a partir de los registros de producción de tu agente — cadenas de herramientas exitosas, errores corregidos y retroalimentación humana — y mejorar continuamente las capacidades de razonamiento del modelo a través de ciclos iterativos de fine-tuning.

Getting Started

1
Ajusta un modelo para razonamiento de agente
Entrena un modelo en Ertas Studio con ejemplos específicos de tareas incluyendo selección de herramientas, formateo de parámetros y cadenas de razonamiento de múltiples pasos relevantes para el dominio de tu agente.
2
Despliega el modelo en un endpoint de inferencia
Sirve el modelo vía Ertas Cloud, vLLM u Ollama con una API compatible con OpenAI a la que SuperAgent pueda conectarse.
3
Crea un agente de SuperAgent
Configura un nuevo agente en SuperAgent con tu modelo de Ertas como proveedor de LLM. Define las herramientas del agente, la configuración de memoria y el prompt de sistema.
4
Agrega herramientas y fuentes de datos
Conecta el agente a herramientas externas — bases de datos, APIs, almacenes de documentos — que usará para completar tareas. Sube documentos de referencia para respuestas aumentadas con RAG.
5
Despliega y monitorea en producción
Publica el agente como una API REST. Monitorea las tasas de completación de tareas, los patrones de uso de herramientas y las frecuencias de errores para identificar oportunidades de reentrenamiento del modelo.

python

import superagent

# Create a SuperAgent client
client = superagent.Client(api_key="your-superagent-key")

# Create an agent with your Ertas-trained model
agent = client.agents.create(
    name="Contract Processor",
    llm_provider="openai-compatible",
    llm_config={
        "base_url": "https://cloud.ertas.ai/v1",
        "api_key": "your-ertas-key",
        "model": "ertas-legal-agent-7b",
    },
    system_prompt="You are a contract processing agent. Use the provided tools to extract, classify, and route contract documents.",
)

# Add tools the agent can use
client.agents.add_tool(agent.id, tool_id="document-parser")
client.agents.add_tool(agent.id, tool_id="crm-update")
client.agents.add_tool(agent.id, tool_id="email-sender")

# Run the agent on a task
result = client.agents.invoke(
    agent.id,
    input="Process the uploaded contract and extract all payment terms.",
)
print(result.output)

Crea un agente de SuperAgent impulsado por un modelo entrenado con Ertas con capacidades de llamada a herramientas específicas de dominio.

Benefits

El razonamiento ajustado mejora la precisión de selección de herramientas y las tasas de completación de tareas
Infraestructura de agentes lista para producción con autenticación, límites de tasa y monitoreo
La memoria persistente permite a los agentes mantener contexto entre interacciones
Flujos de aprobación con humano en el ciclo para acciones de alto impacto
Ejecución de tareas de múltiples pasos con recuperación automática de errores
Mejora continua a través de reentrenamiento basado en registros de producción en Ertas Studio