Caso de uso de la IA agentiva: Administrar el aprendizaje interactivo

Last reviewed 2026-10-14 UTC

En este documento, se describe una arquitectura de alto nivel para una aplicación que genera y administra un cuestionario de aprendizaje interactivo con un flujo de trabajo de IA agéntica. El agente evalúa el conocimiento de un usuario sobre un tema específico y usa un estado de sesión persistente y una memoria a largo plazo para crear una experiencia personalizada. El agente mantiene un historial de las respuestas del usuario, lo que le permite ajustar de forma dinámica la dificultad y el contenido de las preguntas posteriores.

El público objetivo de este documento incluye arquitectos, desarrolladores y administradores que compilan y administran aplicaciones de IA agéntica. Esta arquitectura se puede adaptar para crear aplicaciones educativas interactivas y con estado en varios sectores. En el documento, se supone que tienes conocimientos básicos de los sistemas de agentes de IA. Para obtener información sobre cómo se diferencian los agentes de los sistemas sin agentes, consulta ¿Cuál es la diferencia entre agentes de IA, asistentes de IA y bots?

La sección Implementación de este documento proporciona un vínculo a una muestra de código para ayudarte a experimentar con la implementación de una aplicación de IA agéntica que administra un cuestionario de aprendizaje interactivo.

Arquitectura

En el siguiente diagrama, se muestra una arquitectura de alto nivel para un agente de aprendizaje interactivo.

Arquitectura de un agente de aprendizaje interactivo.

La arquitectura muestra el siguiente flujo de datos:

  1. Un usuario realiza una acción, como iniciar un cuestionario o enviar una respuesta, dentro de la aplicación de cuestionarios alojada en Cloud Run.
  2. La aplicación reenvía la entrada del usuario al agente de IA.

  3. El agente de IA usa el modelo de Gemini en Gemini Enterprise Agent Platform para interpretar la entrada del usuario. Según la solicitud del usuario, el agente llama a las herramientas adecuadas para realizar la acción de cuestionario solicitada.

    Por ejemplo, el agente selecciona una herramienta para iniciar una sesión de cuestionario, evaluar una respuesta o generar la siguiente pregunta.

  4. El agente envía la respuesta a la aplicación de cuestionario.

  5. La aplicación de cuestionarios reenvía la respuesta al usuario.

Para mantener el estado del cuestionario y personalizar la experiencia, el agente realiza las siguientes tareas en segundo plano:

  • El agente agrega el progreso y la puntuación más recientes del cuestionario al historial de la sesión guardada que se almacena en Gemini Enterprise Agent Platform Sessions.
  • El agente transforma los datos del cuestionario en memorias y los almacena en Memory Bank para recuperarlos a largo plazo. El agente usa los datos históricos que se almacenan en la memoria para generar respuestas adaptadas al contexto en sesiones futuras.

Productos usados

En esta arquitectura de ejemplo, se usan los siguientes productos y herramientas de código abierto y de Google Cloud :

  • Cloud Run: Es una plataforma de computación sin servidores que te permite ejecutar contenedores directamente sobre la infraestructura escalable de Google.
  • Kit de desarrollo de agentes (ADK): Es un conjunto de herramientas y bibliotecas para desarrollar, probar e implementar agentes de IA.
  • Gemini Enterprise Agent Platform: Es una plataforma integral que te permite crear, escalar, administrar y optimizar agentes de IA de nivel empresarial.
  • Gemini Enterprise Agent Platform Sessions: Es un servicio de almacenamiento persistente que guarda y recupera el historial de interacciones entre un usuario y los agentes.
  • Memory Bank: Es un servicio de almacenamiento persistente que genera, define mejor, administra y recupera memorias a largo plazo basadas en las conversaciones de un usuario con un agente.

Consideraciones de seguridad

Para ayudar a abordar los riesgos de seguridad únicos de los agentes de IA, Google recomienda un enfoque que combine controles de seguridad determinísticos con defensas dinámicas basadas en el razonamiento:

  • Supervisión humana: Incorpora un flujo con intervención humana en los sistemas críticos para la empresa, de modo que los supervisores humanos puedan revisar los resultados y aprobar, anular o pausar las acciones de los agentes.
  • Identidad del agente: Asigna a cada agente una identidad vinculada a la carga de trabajo para aplicar el control de acceso con privilegios mínimos y administrar de forma centralizada las credenciales de las herramientas externas.
  • Agent Gateway: Aplica la administración del tráfico de entrada y salida, las políticas de acceso de denegación predeterminada y la inspección de instrucciones y herramientas intercaladas con Model Armor.
  • Agent Registry: Verifica que los agentes solo se conecten a subagentes y herramientas de MCP aprobados.

La guía de esta sección no está completa. Para obtener más información sobre los factores de diseño y las prácticas recomendadas, y para obtener recomendaciones sobre cómo compilar e implementar un sistema de IA multiagente, consulta Sistema de IA multiagente en Google Cloud.

Implementación

Para implementar una implementación de muestra de esta arquitectura que proporcione cuestionarios relacionados con la programación, usa la muestra de código del tutor de Python que está disponible en GitHub.

¿Qué sigue?

Colaboradores

Autor: Samantha He | Escritora técnica

Otros colaboradores: