Un agente IA es una entidad de software capaz de percibir, razonar y actuar de forma autónoma para alcanzar objetivos concretos utilizando técnicas de inteligencia artificial como procesamiento de lenguaje natural, aprendizaje automático o sistemas de razonamiento. En este artículo describo el desarrollo de un agente para Telex que recibe un patrón regex y devuelve una explicación en lenguaje humano sobre el tipo de cadenas que ese patrón coincide, implementado con Java, Spring AI y Spring Boot.
Motivación y concepto general: la idea surgió tras desarrollar una API que gestionaba expresiones regulares para procesado de lenguaje natural y comprobar que, aunque conocía regex, cada caso se siente nuevo. Dado que Telex buscaba agentes adicionales para su plataforma, construí este agente que traduce patrones regex a explicaciones claras y concisas.
Resumen del flujo técnico: inicialización del proyecto con Spring Boot incluyendo dependencias de Spring Web y Open AI, configuración de credenciales en application.properties para conectar con la API generativa, ejecución inicial para comprobar dependencias y creación de una arquitectura basada en el protocolo A2A compatible con JSON RPC 2.0.
Configuración inicial: en application.properties se importa un archivo con la clave de la API y se definen parámetros para Spring AI y el endpoint de la API generativa. Es importante no exponer la clave públicamente y mantenerla en un archivo fuera del repositorio.
Protocolo A2A y estructura de mensajes: el agente sigue la estructura estándar JSON RPC 2.0 para requests y responses. Las peticiones incluyen jsonrpc 2.0, method, id y params. Las respuestas conservan el id de la petición y devuelven result o error según corresponda. Este patrón facilita la integración con plataformas que esperan mensajes A2A compatibles.
Modelos de datos: para mapear la estructura A2A implementé varias clases modelo que representan la petición y la respuesta. Entre ellas un modelo de request con id y params, params que contienen un mensaje de historial y messageId, clases para HistoryMessage con campos como kind, role, partes, messageId y taskId, y MessagePart que representa fragmentos de mensaje de tipo texto u otros datos. En la respuesta, A2AResponse incluye jsonrpc, id, result y error; Result contiene id, contextId, estado de la tarea, artifacts y history; TaskStatus almacena estado, timestamp y un message; Artifact representa contenido generado por el agente; y AgentCard describe metadatos del agente para el endpoint well known.
Servicio que consulta la API de IA: el servicio central recibe la expresión regex y la envía a la API generativa con un prompt predefinido que solicita una explicación clara y directa del tipo de cadena que coincide con el patrón. Este servicio se implementa como componente Spring y utiliza el cliente de chat de Spring AI para realizar la llamada y devolver el texto resultante.
Controlador REST A2A: expone dos endpoints principales. Un GET para devolver la agent card en la ruta estándar A2A well known, con metadatos como nombre, descripción, proveedor, capacidades y modos de entrada y salida; y un POST que recibe una petición A2A, extrae la regex desde params.message.parts, valida parámetros y llama al servicio. El POST maneja errores devolviendo un error 403 si faltan parámetros o 500 si la llamada al servicio falla, y cuando todo va bien construye una respuesta A2A con result, status, artifacts e history, incluyendo identificadores únicos y mensaje generado por el agente.
Manejo de errores y formato de respuesta: la implementación devuelve objetos de error con código, mensaje y datos adicionales cuando corresponde. Las respuestas exitosas incluyen estado completed, timestamp actual y un artifact que contiene la explicación en texto plano para facilitar el consumo por parte de la plataforma Telex u otros consumidores A2A.
Consideraciones de diseño: mantener las clases JSON serializables con inclusión y exclusión de propiedades según estén presentes, ignorar campos desconocidos en la deserialización y evitar filtrar información sensible en las respuestas. Separar claramente modelos, servicio y controlador facilita pruebas y mantenimiento y permite evolucionar el agente para ofrecer más herramientas o capacidades.
Beneficios empresariales y servicios relacionados: este tipo de agentes IA para empresas acelera tareas de soporte técnico, documentación automatizada y validación de datos. En Q2BSTUDIO, empresa dedicada a desarrollo de software y aplicaciones a medida y especialistas en inteligencia artificial y ciberseguridad, diseñamos soluciones integradas que combinan agentes IA, automatización y servicios cloud. Si buscas potenciar procesos con IA para empresas consulta nuestra área de inteligencia artificial en servicios de inteligencia artificial o si necesitas desarrollar una aplicación o software a medida visita nuestras soluciones de aplicaciones a medida.
Palabras clave y posicionamiento: a lo largo del desarrollo integramos prácticas relevantes para 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, pensando en escalabilidad, seguridad y despliegue en entornos gestionados.
Conclusión: construir un agente A2A en Java con Spring Boot y Spring AI es una forma efectiva de traducir reglas técnicas como regex a explicaciones comprensibles por personas y sistemas. Este enfoque es replicable para otros dominios y se integra bien con arquitecturas empresariales. En Q2BSTUDIO combinamos experiencia en desarrollo de software, ciberseguridad y business intelligence para llevar estas soluciones a producción y maximizar su valor.
.jpg)
.jpg)
.jpg)
.jpg)