Building Generative AI Agents

Manual técnico publicado por Apress en 2025 y redactado por Tom Taulli y Gaurav Deshmukh, enfocado en el diseño, desarrollo, despliegue y supervisión de sistemas de agentes autónomos impulsados por modelos de lenguaje generativos. El libro trabaja con las versiones contemporáneas de los marcos de orquestación en Python más adoptados de la industria (LangGraph, AutoGen y CrewAI, con menciones a LangChain y Haystack). Está dirigido a desarrolladores de software, ingenieros de datos y arquitectos de soluciones de nivel intermedio que ya manejan Python y los fundamentos de las llamadas a LLMs de OpenAI o modelos de código abierto, y buscan evolucionar desde la ingeniería de prompts básica hacia arquitecturas multiagente coordinadas.

La obra profundiza en las capacidades nucleares que articulan a un agente autónomo: razonamiento, descomposición y planificación de tareas, memoria a corto y largo plazo, bucles de reflexión y uso de herramientas externas. Cubre de forma práctica la API de Asistentes de OpenAI (Assistants API) y los Custom GPTs, el marco AutoGen de Microsoft (analizando ConversableAgent, dinámicas de chat grupal, agentes de búsqueda web, la interfaz visual AutoGen Studio y ejecución de modelos locales mediante Ollama), el ecosistema CrewAI para la orquestación colaborativa basada en roles, personas y tareas secuenciales o jerárquicas, y LangGraph para modelar flujos de trabajo cíclicos estructurados sobre grafos de estado. También examina la integración de canales de recuperación y búsqueda semántica (RAG) con Haystack, junto con metodologías de pruebas, depuración y monitoreo en entornos de producción.

A lo largo del libro se implementan aplicaciones prácticas guiadas para cada tecnología estudiada, tales como cuadrillas de investigación automatizada en CrewAI, agentes conversacionales asistidos por herramientas en AutoGen y grafos de ejecución con memoria persistente en LangGraph. Su aportación más valiosa es la comparativa directa entre los principales marcos de trabajo, permitiendo evaluar qué paradigma (mensajería conversacional, roles orientados a procesos o grafos de estado deterministas) conviene aplicar según la complejidad del proyecto. No aborda el entrenamiento ni el ajuste fino (fine-tuning) de modelos fundacionales, por lo que resulta indispensable tener soltura con programación asíncrona en Python y consumo de APIs estructuradas.