Airtable Lanza Superagent y Mejora la Visibilidad en Ejecuciones de Agentes
TL;DR
Airtable presenta <b>Superagent</b> como una nueva solución para mejorar la visibilidad en la ejecución de múltiples agentes de investigación. Lanzado el martes, Superagent utiliza equipos de agentes de IA especializados que operan en paralelo para realizar tareas de investigación.
Airtable introduce el Superagent como una nueva solución para mejorar la visibilidad en la ejecución de múltiples agentes de investigación. Lanzado el martes, el Superagent utiliza equipos de agentes de IA especializados que operan en paralelo para realizar tareas de investigación.
El principal diferencial del Superagent es la manera en que su orquestador mantiene la continuidad del contexto durante la ejecución. En comparación con sistemas anteriores que aplicaban filtrado simple de modelos, el orquestador del Superagent tiene visibilidad total sobre todo el recorrido de ejecución, incluyendo el plan inicial, las etapas de ejecución y los resultados de los sub-agentes. Esto permite lo que el cofundador Howie Liu describe como "un viaje coherente" donde todas las decisiones están orquestadas.
"La esencia radica en cómo aprovechas la capacidad de auto-reflexión del modelo", afirmó Liu a VentureBeat. La startup fue fundada hace más de doce años, inicialmente con una base de datos relacional basada en la nube.
Airtable ha construido su base de clientes en más de 500 mil organizaciones, siendo que el 80% de las empresas de la lista Fortune 100 utilizan su plataforma para crear aplicaciones personalizadas adaptadas a sus flujos de trabajo.
De Datos Estructurados a Agentes de Forma Libre
Liu presenta Airtable y Superagent como soluciones complementarias que sirven a diferentes necesidades corporativas. Airtable proporciona la base estructurada, mientras que Superagent se ocupa de tareas de investigación no estructuradas.
"Comenzamos con una capa de datos. El nombre Airtable sugiere eso: es una tabla de datos", explicó Liu. La plataforma ha evolucionado con características de automatización e interfaces escalables a miles de usuarios.
"El Superagent es un factor de forma muy complementario, que es bastante libre-forma", dijo Liu, destacando que la decisión de construir estas capacidades se basa en aprendizajes del mercado sobre el uso de modelos cada vez más avanzados.
Funcionamiento del Sistema de Multi-agentes del Superagent
Cuando un usuario presenta una consulta, el orquestador crea un plan visible que desglosa la investigación compleja en flujos de trabajo paralelos. Por ejemplo, al investigar una empresa para inversión, la tarea se divide en partes específicas, como analizar al equipo y la historia de financiamientos. Cada parte es asignada a un agente especializado.
Aunque el Superagent está etiquetado como un sistema multi-agente, se basa en un orquestador central que planifica, despacha y monitorea subtareas, garantizando un modelo más controlado en comparación con los agentes totalmente autónomos.
El orquestador de Airtable asegura visibilidad total sobre el proceso de ejecución, evitando la contaminación del contexto principal mientras agrega resultados limpios.
El Impacto de la Semántica de Datos en el Rendimiento de los Agentes
Liu argumenta que el rendimiento de los agentes depende más de la calidad de la estructura de datos que de la elección del modelo o la ingeniería de prompts. Basado en una herramienta interna de análisis de datos, el equipo de Airtable comprueba que la preparación de datos ocupa más esfuerzo que la configuración del agente.
"La parte más difícil de acertar era la semántica de los datos", afirmó Liu. El trabajo de preparación de datos se centró en tres áreas principales: reestructurar datos, aclarar representaciones y garantizar que los agentes puedan usarlos de manera confiable.
Consideraciones para Empresas
Las organizaciones que evalúan sistemas multi-agentes deben tener en cuenta prioridades técnicas esenciales, según la experiencia de Liu.
La arquitectura de los datos precede la implementación de los agentes. Experiencias internas mostraron que la preparación de datos puede consumir más recursos que la configuración del agente.
La gestión de contexto es crítica. Es esencial tener un orquestador apropiado que mantenga el estado y la información a lo largo del flujo de trabajo.
Bancos de datos relacionales son importantes. La arquitectura relacional ofrece semánticas más limpias para la navegación de los agentes que los repositorios no estructurados.
La orquestación requiere capacidades de planificación. Agendas planificadas son necesarias para optimizar resultados en las interacciones con los agentes.
"La propuesta fundamental es que mucho se basa en tener una capa de orquestación eficaz", concluyó Liu, destacando la importancia de maximizar las fortalezas de los modelos utilizados.
Contenido seleccionado y editado con asistencia de IA. Fuentes originales referenciadas arriba.
