📘 Clase 05: Integración del Motor de IA y Agentes en la App
- :material-bookmark: Curso: Curso 4: Taller Práctico & Proyecto Final Integrador (CLASE 05)
- :material-signal-cellular-outline: Nivel:
Nivel 4 - Integrador - :material-lightbulb-on: Metáfora Central: «El Asistente Inteligente en Vivo (Conexión Frontend - Agente)»
- :material-laptop: Wisrovi Studio (Local): 🚀 Abrir Reto • 👨🏫 Modo Tutor
- :material-file-pdf-box: Manual PDF Oficial: Descargar clase-05-integracion-agente-ia.pdf
-0284c7?logo=python&logoColor=white){kind=icon}
1. 💡 Fundamentación Teórica y Modelo Mental
Conexión end-to-end entre la interfaz de usuario y el motor multi-agente: 1. Streaming de Respuestas (SSE): Enviar tokens en tiempo real al usuario. 2. Contexto Conversacional: Inyectar el historial de chat en el prompt del agente. 3. Manejo de Tiempos de Espera (Timeouts): Resiliencia ante latencias de red con fallbacks elegantes.
🌟 Modelo Mental de la Sesión: «El Asistente Inteligente en Vivo (Conexión Frontend - Agente)»
En esta sesión anclamos el aprendizaje en la metáfora del mundo real para visualizar cómo fluyen las estructuras de datos y el flujo de ejecución en la memoria.
2. 🗺️ Arquitectura de Ejecución y Diagrama de Flujo
flowchart LR
A["💬 Chat Streamlit"] --> B["🌐 FastAPI Endpoint /chat"]
B --> C["🤖 Motor Agente ReAct + RAG"]
C --> D["📤 Respuesta Sintetizada"]
style A fill:#1e293b,color:#ffffff,stroke:#3b82f6,stroke-width:2px
style B fill:#0f766e,color:#ffffff,stroke:#2dd4bf,stroke-width:2px
style C fill:#581c87,color:#ffffff,stroke:#c084fc,stroke-width:2px
style D fill:#059669,color:#ffffff,stroke:#34d399,stroke-width:2px3. 💻 Código de Implementación Práctica
```python def sintetizar_respuesta_agente(query: str, docs: list[str]) -> dict: contexto = " | ".join(docs) return { "status": "ok", "query": query, "respuesta": f"Basado en [{contexto}], la respuesta es óptima." }
print(sintetizar_respuesta_agente("¿Qué es Python?", ["Lenguaje interpreted", "Creado por Guido"])) ```
```python historial = [{"role": "user", "content": "Hola"}, {"role": "assistant", "content": "¡Hola!"}]
print("Longitud del historial:", len(historial)) ```
4. 🛡️ Buenas Prácticas PEP 8: Antipatrones vs Código Pythonic
⚠️ Cuidado con los Antipatrones
5. 🏋️ Desafío Práctico de la Clase
🎯 Enunciado del Reto
Crea una función procesar_consulta_agente(consulta: str, contexto_rag: list[str]) -> dict que valide que la consulta no esté vacía y retorne {'status': 'ok', 'query': consulta, 'fuentes_usadas': len(contexto_rag), 'respuesta': f'Respuesta a: {consulta}'}.
⚡ Resolución Híbrida en 1 Clic (Local + Web)
Si tienes ejecutando wisrovi ui en tu terminal local, puedes 🚀 Abrir este Reto directamente en tu Studio Local (127.0.0.1:8501) para escribir tu código con auto-formateo AST, inspeccionar variables en el Heap/Stack y evaluarlo con pruebas en tiempo real.
def procesar_consulta_agente(consulta: str, contexto_rag: list[str]) -> dict:
# ✍️ Procesa la consulta con el contexto RAG
if not consulta.strip():
return {"status": "error", "message": "Consulta vacía"}
return {
"status": "ok",
"query": consulta,
"fuentes_usadas": len(contexto_rag),
"respuesta": f"Respuesta a: {consulta}"
}
💡 Pista Socrática 1
💡 Pista 1: Si not consulta.strip(), retorna status: error.
💡 Pista Socrática 2
💡 Pista 2: Calcula fuentes_usadas = len(contexto_rag).
💡 Pista Socrática 3
💡 Pista 3: Retorna el diccionario estructurado con status 'ok'.
Para resolver este ejercicio en tu entorno:
1. Abre el archivo ejercicios/reto.py de esta clase en Visual Studio Code o utiliza wisrovi ui / wisrovi tutor.
2. Implementa tu solución cumpliendo los requisitos y contratos de tipado.
3. Valida tus resultados ejecutando las pruebas unitarias: