Mi camino hacia agentes de IA: Un desafío de escritura de curso intensivo de Google y Kaggle

Esta es mi aportación para el reto Google AI Agents Writing Challenge bajo el título Mi camino hacia agentes de IA: Un desafío de escritura de curso intensivo de Google y Kaggle. En este artículo presento mi proyecto y reflexiones sobre el desarrollo de The Ultimate Career Coach, una plataforma agentica de IA diseñada para acompañar a quienes buscan empleo en todo el ciclo profesional: autodiagnóstico, descubrimiento de habilidades, búsqueda activa de oportunidades, preparación para entrevistas y crecimiento profesional continuo.

Visión general del proyecto The Ultimate Career Coach es una solución de próxima generación que va más allá de los portales de empleo tradicionales o de sistemas estáticos de recomendación. Emplea agentes autónomos especializados que colaboran para analizar las habilidades y experiencia del usuario, entender sus metas profesionales, explorar dinámicamente datos del mercado laboral, generar estrategias personalizadas de búsqueda y adaptar recomendaciones conforme cambian el perfil del usuario o las condiciones del mercado. Al integrar inteligencia de habilidades, análisis del mercado laboral y orquestación de tareas, el sistema ofrece una experiencia de coaching profesional holística y personalizada. Combinando razonamiento, planificación y uso de herramientas, la plataforma actúa como un socio inteligente capaz de guiar en optimización de currículum, identificación de roles objetivo, preparación para entrevistas y planificación de carrera a largo plazo.

Conceptos clave y profundidad técnica Aprendizajes clave del curso intensivo sobre agentes de IA El curso me ayudó a distinguir claramente los sistemas agenticos de las aplicaciones basadas en prompts aislados. Un insight crucial fue cómo la descomposición de objetivos complejos en pasos accionables permite que agentes especializados ejecuten tareas de forma autónoma y alineada con metas superiores. Entre los aprendizajes destacan la especialización de agentes para mejorar claridad y escalabilidad, la importancia de la orquestación y la planificación para permitir la colaboración entre agentes, y el uso de herramientas y flujos de trabajo estructurados para interactuar de forma significativa con datos y sistemas externos. Desarrollar este proyecto me permitió convertir conceptos abstractos como autonomía, memoria y coordinación en una aplicación concreta y evolucionable.

Diseño de arquitectura En la base del sistema se utilizó una configuración de modelo Gemini, por ejemplo gemini-2.5-pro, con una política de reintentos explícita que especifica intentos máximos, retraso inicial, factor de backoff y códigos HTTP que desencadenan reintentos automáticos. Todos los agentes LLM comparten esta configuración para manejar errores transitorios antes de que afecten al usuario. Encima del modelo definí varios agentes especializados con descripciones concretas como criticar currículums o comparar habilidades con roles objetivo. Estos agentes se encapsulan como AgentTool para que el agente planificador los invoque como herramientas habituales. El planificador es otro LlmAgent encargado de leer la intención del usuario, seleccionar las herramientas especializadas apropiadas y consolidar sus salidas en una respuesta final.

La orquestación y el estado se gestionan con Runner y DatabaseSessionService de ADK. Cada interacción se etiqueta con nombre de aplicación, identificador de usuario y sesión; la sesión apunta a una base SQLite que almacena mensajes, decisiones de agente, llamadas a herramientas y respuestas. Cuando un usuario regresa con la misma sesión, el sistema recarga el historial y retoma la conversación. Para mantener el contexto eficiente en sesiones largas se utiliza una App con EventsCompactionConfig que resume eventos antiguos en un único evento de compactación y mantiene un número configurable de turnos recientes tal cual, conservando la narrativa de coaching sin superar los límites de contexto. Además se expone una interfaz web ligera mediante el servidor ADK y se aprovecha un helper para obtener la URL proxy en entornos como Kaggle.

Componentes y funcionalidades La lógica de dominio se implementó con herramientas Python tipadas. Por ejemplo una función parse_resume transforma texto libre de currículum en un objeto estructurado con campos como habilidades, años de experiencia y formación. Una función analyze_skill_gap compara esa estructura con definiciones de roles objetivo y calcula brechas de habilidades. Una función match_jobs toma una lista de habilidades y devuelve puestos sugeridos con puntuaciones de ajuste aproximadas. Cada función se registra como herramienta ADK con esquemas TypedDict para validar llamadas y entregar datos estructurados al LLM en lugar de texto no estructurado.

Sobre estas herramientas se construyen agentes especialistas para crítica de currículum, evaluación de habilidades, entrevistas simuladas y seguimiento de progreso. Cada agente LlmAgent recibe instrucciones específicas sobre cuándo y cómo usar las herramientas. El planificador orquesta las llamadas: ante un prompt como dame feedback de este currículum y prepárame una pregunta de entrevista para analista de datos puede invocar en orden al agente de currículum, luego al agente de evaluación de habilidades y finalmente al agente de entrevistas simuladas para componer una respuesta integrada.

Herramientas y tecnologías La implementación se realizó en Python en entornos Kaggle o Jupyter; Gemini proporciona el modelo de lenguaje accesible vía la interfaz LlmAgent de ADK. La orquestación emplea Runner, AgentTool, App y EventsCompactionConfig. La memoria persistente la gestiona DatabaseSessionService con SQLite. La interfaz web de ADK se expone como servicio HTTP y se accede mediante proxy en Kaggle. La observabilidad se potenció con plugins como CountInvocationPlugin para métricas y LoggingPlugin de ADK para trazas estructuradas de cada ejecución.

Flujo de trabajo típico El flujo comienza al iniciar el servidor web ADK desde el notebook y abrir la interfaz del planificador. El Runner crea o carga una sesión para la aplicación, usuario y sesión indicados. Cuando el usuario envía un mensaje, el planificador recibe el texto junto con el historial y decide qué AgentTool invocar, ejecutando llamadas validadas a herramientas Python como parse_resume o match_jobs. Cada agente convierte salidas estructuradas en explicaciones en lenguaje natural y el planificador agrega las respuestas especializadas en un mensaje final que vuelve al usuario. Todas las llamadas y decisiones quedan registradas en SQLite y, si la conversión se alarga, la configuración de compactación resume eventos anteriores para conservar memoria relevante a largo plazo.

Resultados y aprendizajes El resultado es un coach de carrera funcional que demuestra cómo ensamblar fragmentos de ADK y Gemini en una aplicación con estado y flujo transparente: el texto del currículum se parsea a estructura, las habilidades se confrontan con definiciones de roles, se proponen roles y brechas, y se añade coaching interactivo. Para estudiantes el coach puede recuperar detalles anteriores, proponer pasos siguientes y ofrecer entrevistas simuladas adaptadas. Para desarrolladores la combinación de herramientas, agentes, un planificador y plugins facilita la observabilidad y depuración del comportamiento.

Reflexiones, desafíos y mejoras futuras La versión actual es intencionalmente reducida: los perfiles de roles y las puntuaciones de ajuste se basan en datos predefinidos en lugar de señales de mercado en tiempo real, la interfaz es una herramienta de planificador y no un panel de usuario pulido, y todos los agentes comparten una sola configuración Gemini sin evaluación sistemática frente a asesores humanos. El diseño sin embargo permite escalar: trabajo futuro incluiría conectar APIs de empleo y de habilidades, añadir herramientas para planificación de portafolio y seguimiento de candidaturas, migrar almacenamiento y servicios a infraestructura de producción y ajustar estrategias de memoria para priorizar metas y decisiones clave. También se pueden integrar métricas de eficacia y pruebas A B para comparar agentes IA con asesoría humana.

Sobre Q2BSTUDIO En Q2BSTUDIO como empresa de desarrollo de software y aplicaciones a medida nos especializamos en ofrecer soluciones integrales que combinan software a medida, inteligencia artificial aplicada a empresas y servicios profesionales en ciberseguridad. Nuestro equipo desarrolla plataformas adaptadas a necesidades específicas, desde aplicaciones corporativas hasta sistemas de agentes IA y productos de inteligencia de negocio. Si buscas implementar agentes IA o proyectos de IA para empresas puedes conocer nuestras propuestas en soluciones de inteligencia artificial y si necesitas una plataforma o aplicación personalizada te invitamos a explorar nuestros servicios de software a medida y aplicaciones multiplataforma. También ofrecemos servicios cloud aws y azure, consultoría en servicios inteligencia de negocio y desarrollo de dashboards con power bi, así como auditorías y pentesting en ciberseguridad para proteger proyectos críticos.

Palabras clave y posicionamiento En este proyecto se han aplicado conceptos y tecnologías relevantes para posicionar soluciones como aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA y power bi. Nuestra experiencia en desarrollo a medida y en integración de agentes inteligentes permite diseñar soluciones prácticas y seguras que aportan valor medible a organizaciones de todos los tamaños.

Invitación final Si te interesa explorar cómo agentes IA pueden transformar procesos de búsqueda de empleo o potenciar productos internos, o si deseas contratar desarrollo a medida, inteligencia de negocio, despliegue en la nube o servicios de ciberseguridad, en Q2BSTUDIO estamos preparados para acompañarte desde la consultoría hasta la puesta en producción. Contáctanos para diseñar una solución personalizada que combine agentes IA, automatización y análisis de datos para impulsar tus objetivos.