Skillgraph

Skillgraph es un framework innovador y de código abierto (licenciado bajo Apache 2.0) para el desarrollo de agentes de IA que son más efectivos, económicos y controlables que los construidos con herramientas existentes. Aborda frustraciones comunes como los altos costos operativos, la falta de control del agente y la complejidad en la implementación de flujos de trabajo de múltiples turnos. Al introducir 'habilidades' como unidades de trabajo sofisticadas, Skillgraph permite a los agentes delegar tareas complejas, gestionar el estado y orquestar múltiples herramientas de manera eficiente. Se centra en reducir el desperdicio de tokens, simplificar las interacciones de múltiples turnos y garantizar una alta fiabilidad mediante mecanismos inteligentes de almacenamiento en caché y de respaldo.

Cómo usar Skillgraph

Los desarrolladores pueden usar Skillgraph para definir y registrar 'habilidades', que son unidades inteligentes que encapsulan tareas, lógicas y flujos de trabajo específicos. En lugar de instruir directamente a un agente para que llame a funciones de herramientas de bajo nivel, los desarrolladores configuran habilidades que saben cuándo son relevantes (a través de la detección de intenciones), pueden manejar conversaciones de múltiples turnos (Modo Habilidad) y gestionar sus propios procesos internos. El framework proporciona una arquitectura para la memoria (Sujeto-Objeto), el almacenamiento en caché, la fiabilidad (fallback de LLM) y la gestión de conversaciones (resumen, búsqueda vectorial) para soportar estas habilidades. El código está disponible en GitHub, lo que permite la implementación y personalización directas.

Características principales de Skillgraph

• Arquitectura basada en habilidades: Reemplaza la llamada tradicional de herramientas con 'habilidades' sofisticadas que gestionan su propia lógica, orquestan múltiples herramientas y gestionan el estado.
• Soporte nativo para múltiples turnos (Modo Habilidad): Permite que las habilidades tomen el control exclusivo de la conversación durante múltiples turnos, simplificando flujos de trabajo complejos como reservas o llenado de formularios.
• Arquitectura de memoria Sujeto-Objeto: Un sistema rápido, económico y eficaz para gestionar el estado de la conversación, rastreando los objetivos del usuario (Sujeto) y el tema de discusión actual (Objeto), reemplazando sistemas RAG complejos para el estado.
• Caché inteligente: Implementa un caché de múltiples capas (caché de prompt de Anthropic para prompts de sistema, Redis para el historial de conversaciones) para reducir significativamente los costos y mejorar la velocidad de recuperación.
• Fiabilidad incorporada (Cadenas de fallback de LLM): Garantiza una alta disponibilidad (99.9%) implementando cadenas de fallback para las solicitudes de API de LLM (por ejemplo, Beta → Alpha → Reintentar) y una degradación elegante para el análisis de estado.
• Código abierto (Apache 2.0): Disponible gratuitamente para uso comercial, modificación y distribución, con código en GitHub.
• Comprensión de intenciones: Utiliza un clasificador rápido (Utility LLM) para detectar la intención del usuario y enrutar los mensajes a la habilidad más relevante basándose en la similitud semántica y la coincidencia de palabras clave.
• Búsqueda vectorial para la recuperación: Utiliza pgvector para buscar semánticamente mensajes pasados dentro de una conversación, permitiendo a los agentes recuperar información de interacciones anteriores en conversaciones largas.
• Resumen de conversaciones: Emplea un resumen incremental cada 10 mensajes (configurable) para gestionar los límites de contexto, permitiendo que las conversaciones continúen indefinidamente.
• Soporte multi-LLM: Soporta varios LLM, incluyendo Anthropic, OpenAI, Azure, Bedrock, Deepseek, Together y Huggingface.
• Guardrails y seguridad: Incluye características como la limitación de velocidad y la detección de inyección SQL.

Casos de uso para Skillgraph

Skillgraph es ideal para desarrolladores y organizaciones que buscan construir agentes de IA avanzados, fiables y rentables. Los casos de uso específicos incluyen el desarrollo de agentes de IA conversacionales sofisticados para soporte al cliente o asistentes virtuales, la creación de sistemas complejos de automatización de tareas de múltiples pasos (por ejemplo, reserva de entradas, procesamiento de pedidos, recopilación de datos) y la implementación de flujos de trabajo impulsados por IA que requieren memoria persistente y contexto en interacciones largas. También es adecuado para experimentar y construir aplicaciones de IA agénticas de próxima generación que exigen alta fiabilidad y eficiencia de costos.

Ventajas de Skillgraph

Skillgraph ofrece varias ventajas clave sobre los frameworks tradicionales de agentes de IA. Proporciona una eficiencia de costos significativa al reducir el uso de tokens a través de la delegación basada en habilidades y el almacenamiento en caché inteligente, lo que lleva a una reducción del 89% en los costos de tokens de prompt del sistema. Los desarrolladores obtienen un mayor control sobre el comportamiento del agente al encapsular la lógica dentro de las habilidades, lo que garantiza resultados más predecibles. El framework simplifica los flujos de trabajo de múltiples turnos con soporte nativo a través del Modo Habilidad, eliminando la necesidad de soluciones alternativas complejas. Las cadenas de fallback de LLM integradas y los mecanismos de degradación elegante garantizan un funcionamiento robusto y una mayor fiabilidad incluso durante las interrupciones de la API. Además, su arquitectura de memoria Sujeto-Objeto ofrece una alternativa rápida y económica al RAG tradicional para gestionar el estado conversacional, y su naturaleza de código abierto ofrece flexibilidad para uso comercial y contribuciones de la comunidad.