Orquestación Multi-Agente de Contenido
Explorando transiciones deterministas entre agentes y control con participación humana usando LangGraph
Sistema multi-agente experimental con orquestación de estado, transiciones deterministas y control con participación humana. Desarrollado en Python con LangChain y Neo4j
Estado
Investigación y Demo
Esta es una implementación experimental de LangGraph construida para explorar patrones de orquestación de agentes como flujos de trabajo con estado, transiciones deterministas, puertas de evaluación y control con participación humana.
Resumen
ReAct-swarm es un pipeline multi-agente con estado donde agentes especializados colaboran a través de transiciones de estado explícitas en lugar de encadenamiento de prompts ad-hoc.
El objetivo del proyecto es responder una pregunta práctica:
¿Qué necesita un sistema de agentes una vez que vas más allá de demostraciones de un solo prompt?
El sistema se enfoca en control, previsibilidad y recuperación—las partes que tienden a fallar primero en flujos de trabajo reales con agentes.
Equipo de agentes
Observa cómo el sistema orquesta múltiples agentes a través de transiciones deterministas.
Resumen de Arquitectura
El flujo de trabajo se orquesta usando LangGraph como una máquina de estado determinista.
Agentes:
- Draft – produce un borrador inicial a partir de entrada del usuario y datos fuente
- Refiner – mejora claridad y estructura mientras preserva la intención
- Editor – evalúa el resultado contra una rúbrica de calidad fija
Restricciones clave:
- Solo un agente puede actuar a la vez
- Todos los traspase son explícitos
- Se requiere aprobación humana en puntos de control definidos
- Las decisiones de evaluación son deterministas y auditables
Flujo de Trabajo
Draft
→ (aprobación humana)
Refiner
→ (aprobación humana)
Editor (evaluación basada en rúbrica)
→ aprobar → publicar
→ rechazar → volver a DraftEl grafo permite bucles controlados (Editor → Draft) sin perder estado.
Características principales
Orquestación de Agentes con Estado
Los agentes operan dentro de un modelo de estado compartido en lugar de llamadas aisladas.
Un campo activeAgent explícito previene ejecución concurrente y comportamiento indefinido.
Transiciones Deterministas
Cada transición es intencional y rastreable. No hay saltos implícitos de agentes ni autonomía oculta.
Puntos de Control con Participación Humana
Las puertas de aprobación permiten intervención sin romper el flujo de trabajo o resetear el contexto.
Evaluación como Puerta de Calidad
El agente Editor califica el resultado contra una rúbrica fija de 7 puntos. Los umbrales claros determinan si el contenido avanza o vuelve a un bucle.
Estado Persistente y Recuperación
El estado del agente se guarda en PostgreSQL, habilitando:
- Recuperación de fallos
- Auditabilidad
- Reproducción de ejecuciones pasadas
Stack Tecnológico
- LangGraph — orquestación de agentes con estado
- OpenAI GPT-4 — generación y evaluación
- PostgreSQL — persistencia de estado y recuperación
- TypeScript — contratos de agentes seguros de tipo
- LinkedIn API — ejemplo de integración externa (no central)
Explora el Código
-
Áreas relevantes:
src/graph.ts— lógica de orquestaciónsrc/state.ts— modelo de estado compartidosrc/agents/— definiciones de agentesdb/— persistencia y configuración
Por qué esta versión es mejor
- Se lee como un ingeniero senior explicando un sistema
- Sin defensiva, sin hype
- Alcance claro
- Fácil de escanear
- Invita a discusión técnica en lugar de validación
Si lo deseas, a continuación podemos:
- Normalizar todas tus demos a esta estructura
- Diseñar una progresión “Demo → Trabajo de Cliente → Producto”
- Reescribir esto en una charla o post de blog por separado (donde pertenecen las explicaciones largas)
Esta versión es sólida.
Sistema multi-agente experimental con orquestación de estado, transiciones deterministas y control con participación humana. Desarrollado en Python con LangChain y Neo4j