Creación de Agentes de IA con el SDK de Laravel AI y Ollama

Publicado em

Vídeo em Espanhol, publicado pelo canal Aprendible.

Sobre este contenido: El resumen, los puntos principales y los temas que aparecen a continuación se generan automáticamente a partir de la transcripción del vídeo. Reflejan el contenido, las opiniones, afirmaciones y predicciones presentadas en el vídeo y no representan una posición, validación o verificación de hechos por parte de IA Dots.

Resumen del vídeo

El video explica cómo crear agentes de inteligencia artificial utilizando el SDK oficial de Laravel AI, integrándolos con Ollama para pruebas locales. Se abordan la instalación y configuración del paquete, la creación de agentes personalizados, el manejo de respuestas estructuradas, la persistencia del historial de conversaciones en la base de datos, la transmisión de datos mediante streaming y la incorporación de herramientas personalizadas.

Puntos principales

  • Instalación y configuración del SDK oficial de Laravel AI en una aplicación de Laravel 13.
  • Integración con Ollama para ejecutar modelos de inteligencia artificial de forma local en la computadora.
  • Creación de agentes personalizados capaces de mantener conversaciones y utilizar instrucciones específicas de rol.
  • Implementación de datos estructurados para clasificar solicitudes de soporte mediante esquemas definidos.
  • Almacenamiento y recuperación del historial de conversaciones utilizando la base de datos y los métodos del SDK.
  • Uso de streaming para recibir respuestas fragmentadas en tiempo real y desarrollo de herramientas (tools) para que el agente ejecute funciones y consulte datos.

Temas

Laravel AI SDKOllamaAgentes de IADatos estructuradosHistorial de conversaciónStreamingHerramientas

Qué aprenderás

  • El SDK de Laravel AI permite integrar funcionalidades de inteligencia artificial utilizando una API unificada compatible con múltiples proveedores como OpenAI, Anthropic, Gemini y Ollama.
  • Es posible definir esquemas de datos estructurados para que los agentes devuelvan información organizada (como categorías y prioridades) apta para ser procesada por la aplicación.
  • El SDK gestiona automáticamente la persistencia del historial de conversaciones en la base de datos mediante migraciones y traits específicos, permitiendo continuar interacciones anteriores.
  • Las herramientas (tools) permiten a los agentes decidir cuándo consultar bases de datos, APIs o código PHP para ampliar sus capacidades y responder consultas complejas.

Preguntas y respuestas

¿Qué proveedor se utiliza principalmente para realizar pruebas locales sin pagar por peticiones a una API externa?

Se utiliza Ollama para ejecutar modelos de inteligencia artificial directamente en la computadora de forma local.

¿Cómo se gestiona el historial de conversaciones para que el agente recuerde mensajes anteriores?

Se utiliza la base de datos mediante las migraciones del paquete y se agregan los rasgos (traits) correspondientes para almacenar y recuperar el historial de mensajes usando identificadores de conversación.

¿Qué método del SDK reemplaza al método prompt para mostrar el texto progresivamente en tiempo real?

Se reemplaza por el método stream, el cual se encarga de gestionar la transmisión de eventos en fragmentos a medida que el modelo los genera.

Transcripción del vídeo

Texto de los subtítulos disponibles; puede contener errores.

En los próximos 35 minutos vas a crear agentes de inteligencia artificial con Laravel. Agentes que mantienen una conversación, recuerdan lo que dijiste y usan herramientas para hacer cosas dentro de tu aplicación. Mi nombre es Jorge García, creador de aprendible.com y desarrollador certificado en Laravel. Vamos a empezar desde cero instalando el SDK de Laravel AI, luego vamos a conectarnos con un modelo local de Ollama y al final vas a tener un agente con memoria, respuestas estructuradas, streaming y tu primera herramienta. Vamos a ello. Laravel AI SDK es el paquete oficial de Laravel que nos permite integrar funcionalidades de inteligencia artificial en nuestras aplicaciones. Nos proporciona una API unificada para trabajar con diferentes proveedores como OpenAI Anthropic Gemini Ollama entre otros, lo que nos permite utilizar diferentes modelos de distintos proveedores sin tener que aprender e implementar una integración diferente para cada uno. Como es un paquete oficial, nos permite aprovechar las funcionalidades que ya conocemos de Laravel. Con Laravel AI SDK podemos desarrollar diferentes funcionalidades, por ejemplo, generar texto a partir de instrucciones, resumir documentos o clasificar información. También podemos crear agentes de inteligencia artificial capaces de utilizar herramientas para consultar una base de datos o ejecutar acciones dentro de una aplicación. Podemos mantener conversaciones, generar imágenes, transcribir audio y convertir texto en voz. Otra funcionalidad interesante son los embeddings que nos permiten implementar búsquedas semánticas y desarrollar asistentes que responden utilizando información propia. Para trabajar con el Laravel AI SDK necesitamos comprender tres conceptos, el SDK, el proveedor y el modelo. El SDK es la herramienta que utilizamos desde nuestra aplicación. El proveedor es el servicio o motor que procesa nuestras solicitudes y el modelo es el genera las respuestas. Por ejemplo, podemos utilizar Laravel AI SDK para enviar un prompt a Ollama que ejecutará un modelo directamente en nuestra computadora. Durante el curso vamos a utilizar principalmente Ollama para ejecutar modelos de inteligencia artificial de forma local, lo que nos permitirá desarrollar y probar muchas funcionalidades sin pagar por cada petición a una API externa. Cuando necesitemos alguna funcionalidad que no esté disponible con nuestro modelo local, utilizaremos otro proveedor. Comenzaremos con ejemplos sencillos y progresivamente vamos a construir agentes, herramientas y funcionalidades avanzadas. Okay, en la siguiente lección vamos a crear una aplicación de Laravel y a instalar el Laravel AI SDK para comenzar a trabajar. [música] Estando dentro de la carpeta de proyectos, en mi caso la carpeta vamos a crear una nueva aplicación de Laravel, pero en lugar de ejecutar Laravel New que nos instalaría la última versión disponible de Laravel, vamos a utilizar Composer para instalar una versión específica. Ejecutamos Composer Laravel que es el framework. Vamos a llamarle Laravel Tú puedes llamarle como quieras a este proyecto y como siguiente parámetro vamos a pasarle la versión, que sería la 13. Una vez que termina la instalación podemos entrar a la carpeta del proyecto y si ejecutamos para ver la versión del framework, en mi caso tengo la 13.35.0. No importa si a ti te aparece la 13.36 o .37, lo importante es que estemos trabajando con Laravel 13. Bien, una vez que ya tenemos nuestra aplicación de Laravel vamos a instalar el SDK. Para ello ejecutamos Una vez instalado vamos a publicar los archivos del paquete con el comando Aquí podemos buscar Laravel Podemos movernos con las flechas del teclado hacia arriba y hacia abajo hasta encontrar esta de aquí y presionar enter. Con esta publicación vamos a tener el archivo de configuración config ai.php, las migraciones necesarias para almacenar las conversaciones con la IA y los stops que son plantillas para crear agentes, herramientas y middleware. Más adelante veremos para qué sirve cada uno, pero para terminar vamos a ejecutar php artisan migrate para que se creen las tablas de las conversaciones. Por ahora vamos a mantener SQLite que es suficiente para comenzar a trabajar con Laravel AI, pero más adelante utilizaremos Postgres para los vectores. Pero en fin, ya tenemos [resoplido] lista nuestra aplicación de Laravel 13 con el Laravel AI SDK instalado y preparado para comenzar. Ahora que ya tenemos instalado el SDK vamos a necesitar un proveedor que ejecute los modelos de inteligencia artificial. Para hacer pruebas en local vamos a utilizar Ollama, que nos va a permitir ejecutar modelos directamente en nuestra computadora de forma gratuita. Para instalarlo vamos a ollama.com, le damos clic en download o también podemos ir directamente a ollama.com/download y aquí podemos ver que Ollama está disponible para macOS, Linux y Windows. En mi caso voy a utilizar la versión para Mac, voy a copiar este comando de instalación, lo pegamos en la terminal en cualquier directorio, enter y esperamos a que se instale. Una vez que termina la instalación ya tendremos disponible el comando Ollama y podemos revisar la versión, por ejemplo. En mi caso es esta de aquí y si abrimos esta URL en el navegador, localhost en el puerto 11434 podemos confirmar que Ollama está ejecutándose correctamente. Bien, ya tenemos el proveedor o el provider, pero si ejecutamos Ollama list vemos que no tenemos ningún modelo todavía. Vamos a dejar que el SDK nos indique qué modelo instalar en la siguiente lección. Vamos ahora a instalar el modelo de inteligencia artificial. Abrimos el proyecto en PhpStorm y en el archivo de configuración del SDK Si buscamos Ollama, tenemos disponible esta configuración por defecto. De momento no necesitamos crear una cuenta API de pago, ya que solamente haremos pruebas en local. El puerto 11,434 ya lo verificamos en la lección anterior, está funcionando en este computador, así que no debemos cambiar nada por ahora. Vamos a dejarlo como está y vamos a probarlo en Tinker. Abrimos la terminal, PHP Artisan Tinker y aquí iremos corrigiendo los errores. Vamos a utilizar la función agent del SDK a la que accedemos a través del namespace Laravel AI Agent. Llamamos al método prompt para enviar un prompt y simplemente le vamos a decir hola. Bien, aquí aparece nuestro primer error, nos indica que la API key es incorrecta. Nota que el SDK está intentando conectarse a OpenAI porque es el proveedor que se utiliza por defecto. Vamos a comprobarlo. En el archivo de configuración, si regresamos al principio, aquí podemos ver que, efectivamente, el proveedor predeterminado es OpenAI. En nuestro caso vamos a cambiarlo a Ollama. Ahora, hay algo importante que debemos tener en cuenta. Tinker mantiene una instancia de la aplicación en memoria. Esto significa que, aunque hayamos modificado el archivo de configuración, al volver a ejecutar seguirá utilizando los valores anteriores. Por eso, siempre que hagamos un cambio en la aplicación necesitamos salir de Tinker, lo podemos hacer con control C y volver a iniciarlo para que cargue la nueva configuración o el cambio que hayamos realizado. Es un error bastante común que modificamos la configuración y luego al probar parece que no ha cambiado nada, cuando en realidad simplemente necesitamos reiniciar Tinker. Okay, ejecutamos de nuevo y ahora el error cambia. Nos dice que no encontró este modelo. Vamos a copiarlo y en otra pestaña de la terminal podemos ejecutar el comando Ollama pull para instalar un modelo y pegamos aquí el nombre del modelo que el SDK está intentando utilizar por defecto. Una vez que termina la instalación podemos comprobar con Ollama list que ya lo tenemos instalado. Bien, como este fue un cambio externo a la aplicación de Laravel no hay necesidad de reiniciar Tinker, así que simplemente lo vamos a ejecutar nuevamente. Presiono la flecha de para volver a ejecutar el último comando enter. Y vemos que funciona. Aquí tenemos la respuesta. Ya tenemos configurado el SDK para que utilice Ollama por defecto. En la lección anterior utilizamos la función agent para enviar nuestro primer mensaje a Ollama. Ahora vamos a crear una clase de agente dentro de nuestra aplicación, donde podremos definir sus instrucciones, mantener el historial de conversación y agregar herramientas. Para crear un agente con el Laravel AI SDK ejecutamos php artisan make : agent. Y vamos a llamarle support agent, que será el ejemplo que vamos a desarrollar. El comando nos pregunta si queremos generar respuestas estructuradas. Por ahora seleccionamos no, porque vamos a trabajar con respuestas de texto de momento. Esto nos crea la clase support agent dentro de app AI agents. Abrimos el archivo. Vemos que implementa tres contratos. Agent, que nos permite definir las instrucciones que debe seguir el modelo mediante el método instructions. Conversational, que incorpora el método messages principalmente, donde podremos proporcionar el historial de conversaciones. Y has tools que nos brinda el método tools, donde podremos registrar las herramientas que utilizará nuestro agente. Por ahora estos dos últimos métodos devuelven arreglos vacíos. Los utilizaremos más adelante. Pero también tenemos el trait promptable que nos proporciona el método prompt para enviar mensajes al modelo. Vamos a comprobarlo. Si abrimos tinker, creamos una instancia de nuestro agente. Esta vez ya no estamos utilizando la función genérica. Y si le decimos, hola, no puedo iniciar sesión en mi cuenta. Como podemos ver, obtenemos una respuesta del modelo utilizando Ollama, pero esta vez desde nuestra propia clase. El método prompt devuelve un objeto agent response que contiene el texto generado y otros datos de la respuesta. Un momento antes de continuar. Lo que acabas de hacer, crear tu primer agente, es el punto de partida. Este vídeo es la primera parte de un curso más completo en aprendible.com que contiene siete módulos y 39 lecciones. En ese curso vamos a conectar tu agente con bases de datos, validación y autorización, integración con WhatsApp, procesamiento de imágenes, audios y archivos y construiremos búsqueda semántica con RAG. Al final vas a terminar con todo lo que necesitas para producción, test, control de tokens y queues. ¿Quieres llegar hasta ahí? El enlace está en la descripción. Ahora sí, continuamos. [música] Bien, ya creamos nuestro primer agente, pero todavía utiliza las instrucciones genéricas que vienen por defecto. Vamos a personalizarlas para que se comporte como un agente de soporte técnico. Aquí voy a pegar este texto con las instrucciones. Aquí estamos utilizando la sintaxis Nowdoc de PHP para escribir instrucciones en varias líneas de forma más legible. Y aquí estamos definiendo el rol del agente, el idioma en el que debe responder y cómo debe actuar cuando reciba una consulta. Esta parte es importante. Si no tienes información suficiente, pide los datos que faltan y no inventes una respuesta. Bien, vamos a probarlo desde Tinker otra vez. Enviamos el mismo prompt y vemos que en lugar de responder como lo hizo en la lección anterior, ahora solicita más información para poder diagnosticar el problema en lugar de asumir cuál es la causa. Con esto ya tenemos un agente especializado en soporte técnico. Y aquí en instrucciones es donde podemos modificar su comportamiento simplemente cambiando las instrucciones. Hasta ahora nuestro agente ha generado respuestas de texto para conversar con los usuarios, pero hay ocasiones en las que necesitamos que esa respuesta tenga cierta estructura para que la aplicación la pueda procesar directamente. Vamos a ver qué son los datos estructurados con un ejemplo. Con PHP Artisan Make Agent vamos a crear un agente llamado Ticket Triage para clasificar solicitudes de soporte. Si no conoces el término triage, describe el proceso de evaluar y casos según su naturaleza y urgencia. Se utiliza principalmente en medicina, pero también en soporte técnico. Con esta opción le indicamos que necesitamos un agente que devuelva datos estructurados. Bien, abrimos el agente dentro de Aquí lo tenemos. Y vemos que la principal diferencia con nuestro otro agente es que implementa la interfaz Y esta interfaz requiere implementar el método esquema, donde definiremos la estructura de la respuesta. Primero vamos a pegar estas instrucciones aquí, donde le indicamos que eres un agente que clasifica tickets de soporte técnico, analiza el problema y determina su categoría, prioridad y un resumen breve. Las categorías pueden ser autenticación, problemas de acceso, billing, pagos y facturación, technical, errores de la aplicación o general otras consultas. Prioridades pueden ser bajas, medias y altas y le explicamos también que no invente información. Ahora, para definir cómo queremos que nos devuelva una respuesta, utilizamos el método esquema. Aquí simplemente retornamos el array y definimos los campos. Category va a ser de tipo string y va a contener alguno de estos elementos que ya vimos en las instrucciones y va a ser obligatorio. Queremos que siempre nos devuelva este campo. En cuanto a la prioridad, agregamos algo similar y solo podrá responder low, medium y high y va a ser obligatorio también. Por último, el resumen, que también va a ser de tipo string y obligatorio. En este caso en summary no necesitamos un enum, ya que queremos que el agente lo genere libremente. Si accedemos al JSON esquema, aquí podemos revisar todos los tipos de datos que podemos retornar, ya sea array, string integer number boolean union o any of, que sería cualquiera de los que le pasemos. Bien, entonces tenemos las instrucciones que determinan qué debe hacer el agente y el esquema que define cómo debe devolver los resultados. Laravel va a utilizar este esquema para solicitar al proveedor de IA una respuesta estructurada sin depender únicamente de las instrucciones de texto. Entonces vamos a probarlo en Tinker. Importamos el agente, creamos la variable response, entre paréntesis creamos una nueva instancia del ticket Llamamos a prompt y voy a agregar una línea para que se vea mejor con un enter. Vemos que todavía no se ejecuta el código y aquí voy a decirle no puedo iniciar sesión, mi contraseña genera un error. Otro para que no se ejecute, enter. Aquí cerramos el método prompt, otro y como estamos utilizando vamos a imprimir directamente para ver los datos estructurados. Vamos a ejecutarlo y ahí lo tenemos. Tenemos categoría autenticación, prioridad alta y el resumen. Hagamos otra prueba con otro texto. Vamos a decirle me cobraron dos veces la suscripción de este mes y en esta ocasión vamos a imprimir todo el para ver qué nos devuelve. Y ahí tenemos la respuesta, y en este caso nos dice que la categoría es la prioridad es media, el usuario reporta doble cobro en la suscripción de este mes. ¿Okay? Con la flecha de abajo podemos seguir revisando la respuesta y con la Q podemos salir y con control C salir de Tinker. Bien, lo importante a entender aquí es el esquema de los datos estructurados, ya que podemos utilizar estos datos para almacenarlos directamente en la base de datos y categorizar los tickets en este caso. [música] Actualmente nuestros agentes de IA no pueden recordar lo que les decimos ni lo que ellos responden. Es decir, no pueden recordar ni mensajes anteriores ni mantener el contexto de una conversación. Para solucionarlo necesitamos guardar el historial de mensajes y recuperarlo cuando el usuario continúe una conversación. Pero no necesitamos desarrollar esta funcionalidad desde cero como lo hicimos en el curso de chatbots porque el SDK de Laravel ya nos proporciona las herramientas necesarias para gestionar y recordar conversaciones. Antes de implementarla en nuestro vamos a a que las migraciones del paquete estén disponibles. Para ello ejecutamos Y aquí podemos ver que sí aparecen las migraciones de Laravel Es decir, si tenemos las tablas necesarias para almacenar las conversaciones. Si no te aparecen aquí, es necesario que ejecutes para que se genere la estructura de la base de datos. Y si aún así no te aparecen, revisa la lección de instalación de Laravel donde te explico cómo publicar los archivos del paquete. Bien, con la base de datos lista, lo que debemos hacer para que nuestro agente de soporte recuerde las conversaciones es agregar el que sería este de aquí. Bien, antes de probarlo debemos verificar que no tenemos este método que es el método que construye el historial de conversaciones y actualmente retorna un array vacío. Lo que queremos es que el que tiene algunos métodos adicionales que veremos después. Y aquí debajo tenemos el método que es el que implementa el historial de mensajes. Entonces, actualmente estamos sobreescribiendo ese método y no queremos hacerlo, así que vamos a eliminar este método de aquí para que utilice el del Bien, vamos a probarlo, pero lo haremos desde el archivo de rutas web en esta ocasión. Vamos a quitar esta vista que se retorna. Yo ya he creado un usuario con lo voy a obtener, el primer usuario de la base de datos. Agregamos el Y si lo retorno directamente, aquí podemos verificar que ya tenemos un usuario en la base de datos. Asegúrate de crear uno antes de probar. Bien, una vez que tenemos el usuario, vamos a crear una nueva instancia del agente Y a través del agente vamos a llamar al método que nos provee el y le pasamos el usuario que realizará la conversación. Finalmente llamamos al método y le preguntamos lo que queramos. Vamos a poner de ejemplo, no puedo descargar mi factura, me salió este error. Más adelante le voy a preguntar sobre este error para ver si lo recuerda. Bien, guardamos todo este llamado en la respuesta y finalmente vamos a hacer un DD, die and dump, de la respuesta. Bien, si ejecutamos la raíz de la ruta, por lo general demora un poco. Voy a adelantarlo y ahí tenemos la respuesta. Aquí tenemos el razonamiento, todo lo que pensó antes de respondernos. Tenemos toda la información útil que podamos necesitar de la respuesta, pero lo que nos interesa aquí debajo es la propiedad text. Esto es lo que vería el usuario final. Lo que mostraríamos en la interfaz de usuario. Bien, acá tenemos toda esta información que vamos a ir revisando poco a poco, como el uso. Tenemos un invocation ID que es único de cada invocación del agente. Esto va a cambiar siempre, pero la conversación, el ID de la conversación se va a mantener para esta conversación específica. Y antes de seguir probando vamos a revisar en la base de datos que en la tabla users tenemos un usuario. En la tabla agent conversations tenemos una conversación. Este es el ID, el mismo que tenemos acá. Vemos que se guardó en la base de datos y acá en agent conversation messages tenemos los dos mensajes, el que enviamos nosotros y el que nos respondió la agente. Este es el mensaje nuestro con el rol user y esta es la respuesta del agente con el rol assistant, ¿okay? Ya hemos almacenado la conversación correctamente. Ahora, si queremos continuar con esta conversación vamos a copiar este conversation ID y voy a comentar esta línea donde llamamos al modelo y voy a guardar aquí de momento el conversation ID que acabamos de copiar de la base de datos. Obviamente esto se obtendría desde la base de datos también, pero ahora en lugar de llamar al método for user para pasarle un usuario vamos a llamar al método continue que recibe como primer parámetro el conversation ID. Y como segundo parámetro recibe el usuario que va a continuar esta conversación. La conversación es única, pero múltiples usuarios pueden interactuar con el mismo agente en la misma conversación. Entonces, aquí debajo vamos a pasar el prompt y voy a preguntarle qué error te mencioné antes para verificar que lo ha recordado. Al final hacemos el mismo DD de la respuesta y si volvemos a ejecutar esta ruta, ahí tenemos la respuesta. Vemos el razonamiento y aquí debajo el texto. Aquí tenemos el error que le pasamos anteriormente en el primer mensaje, lo que nos indica que sí está utilizando el historial de mensajes como contexto para responder. Bien, ahora vamos a comentar todas estas líneas y para crear una interfaz lo común sería obtener el usuario autenticado, por ejemplo, pero en este caso por simplicidad simplemente obtenemos el primer usuario y lo lógico sería precargar con el método with la relación conversation. Pero actualmente no tenemos esa relación. Aquí tampoco es necesario que creemos esta funcionalidad nosotros mismos, simplemente podemos utilizar el trade has conversations del paquete Laravel AI que nos va a implementar esta relación automáticamente. ¿Okay? Si actualizamos acá no aparece nada porque no estamos retornando nada. Vamos a retornar la variable user y efectivamente vemos el usuario con sus conversaciones. Y este modelo conversations a su vez tiene la relación messages. Pero obviamente esto no es recomendable porque podemos tener eventualmente múltiples conversaciones y múltiples mensajes, lo que hará que la petición devuelva una respuesta demasiado pesada. Pero para que lo puedas ver tenemos la conversación y los mensajes de la conversación. Aquí está lo que yo le escribí. Acá está lo que nos respondió la primera vez. Acá está mi respuesta. Y por último confirmándome el error que le envié en el primer mensaje. ¿Okay? Con esto podríamos hacer tranquilamente un foreach user conversations para poder imprimir cada una de las conversaciones. Vamos a hacer un dump para que podamos ver los mensajes de esta conversación. Y efectivamente tenemos un array de cuatro items. Entonces aquí podríamos hacer otro foreach y por cada mensaje hacer un dump del message content. Ejecutamos y así es más o menos como se vería la interfaz de un chat. Y lo que va a diferenciar si el mensaje va a la izquierda o a la derecha es el rol del mensaje. Ahí vemos que primero tenemos el rol usuario, que somos nosotros, assistant es la respuesta, luego user y así sucesivamente. ¿Okay? Si quieres aprender a hacer una interfaz para un chat, eso lo hicimos en el curso de chatbots, por si lo quieres revisar. De momento ya estamos almacenando las conversaciones de este agente. Hasta ahora hemos utilizado el método prompt para enviar mensajes a nuestros agentes de inteligencia artificial. Este método espera que el modelo genere la respuesta completa antes de devolverla a nuestra aplicación. Dependiendo de la consulta, esto puede tardar varios segundos durante los cuales el usuario no recibe ningún resultado. Para mejorar esta experiencia, lo ideal sería que podamos mostrar el texto progresivamente tal como lo hacen las aplicaciones como ChatGPT o Claude. Esta técnica se conoce como streaming o transmisión y permite recibir la respuesta en pequeños fragmentos a medida que el modelo los genera. Para implementar el streaming con el SDK de Laravel AI, simplemente reemplazamos el método prompt por el método stream. Con este método el SDK se va a encargar de gestionar la transmisión de estos eventos, por lo que no necesitamos hacer nada más. Si refrescamos la página, vemos que inmediatamente comenzamos a recibir una serie de eventos o de objetos, cada uno precedido por la palabra data. Estos eventos llegan progresivamente a medida que el modelo genera la respuesta hasta que finalmente recibimos el data done, que indica que la transmisión ha terminado. Una de las tecnologías utilizadas para implementar el streaming es el server-sent events o SSE, que permite al servidor enviar información al navegador de forma progresiva a través de una conexión HTTP. En este caso, cada evento contiene un objeto JSON con información sobre lo que está ocurriendo durante la generación. Cada uno de estos objetos tiene una propiedad llamada type que nos permite identificar el tipo de evento que estamos recibiendo. Por ejemplo, stream start, que indica que ha comenzado la transmisión, reasoning delta, que indica los fragmentos de razonamiento del modelo, y text delta que contiene fragmentos del texto generado. Este último es el que más nos interesa. Podemos observar que tiene una propiedad llamada delta, que es la que contiene el nuevo fragmento de la respuesta. Por ejemplo, aquí al final de la transmisión, aquí dice ayudarte a resolver el problema. Así funciona el streaming, podemos ir mostrando estos fragmentos conforme van llegando sin esperar a que se complete la respuesta. Este formato está pensado para que JavaScript pueda identificar los eventos de tipo text delta, por ejemplo, y extraer su contenido y mostrarlo en una interfaz de chat a medida que van llegando. De hecho, eso lo hacemos en el curso de chatbots con Laravel y OpenAI, donde construimos una interfaz de un chat utilizando Inertia y Vue.js, por si lo quieres repasar. Este curso está incluido con tu suscripción. Okay, pero en esta lección vamos a concentrarnos en el funcionamiento del streaming desde Laravel sin necesidad de escribir JavaScript de momento. Primero, en lugar de retornar este llamado al modelo, vamos a guardarlo en una variable llamada stream. Luego vamos a retornar response stream para enviar una transmisión de datos. Este método stream recibe una función, define qué contenido queremos transmitir, así que vamos a mover el llamado del modelo aquí dentro y antes de llamar a este modelo vamos a hacer un yield para devolver información al usuario lo antes posible. Un yield es similar a un return, pero con la diferencia de que en lugar de finalizar la ejecución de la función, yield va a entregar un valor y va a permitir que la ejecución continúe. En este caso vamos a enviar este texto indicando que la conversación ha comenzado. Ahora esta variable stream va a devolver un listado de eventos, los eventos que vimos en el navegador hace un momento, así que podemos hacer un foreach aquí, foreach stream as event, y por cada evento vamos a hacer otro yield de event delta, que es el que contiene el fragmento de texto. Finalmente, fuera del foreach, vamos a hacer un último yield indicando que la conversación terminó. Pero recuerda que no todos los eventos contienen el texto de la respuesta. Como únicamente queremos mostrar el texto generado, necesitamos filtrar los eventos que sean de tipo text delta. Si un evento es una instancia de esta clase text delta, solo en ese caso imprimimos el contenido de delta. Esta clase pertenece al SDK de Laravel AI y representa a los eventos de tipo text delta que observamos anteriormente en el navegador. Simplificamos el import y de esta manera cada fragmento se va a transmitir conforme llega sin esperar a que el agente termine de generar toda la respuesta, dando la impresión de que se está escribiendo el texto en el navegador. Entonces, cuando accedamos a esta ruta va a empezar el stream, inmediatamente el usuario va a ver este texto, luego se hará el llamado del modelo y por cada evento que devuelva y que sea de tipo text delta, imprimimos el texto que contiene. Finalmente imprimimos conversación finalizada. Si refrescamos la página, efectivamente vemos casi inmediatamente el mensaje inicial seguido de los fragmentos generados por el agente y al final el mensaje de cierre. Okay, este sería el funcionamiento básico del streaming con el SDK de Laravel AI. [música] Hasta ahora hemos creado agentes de inteligencia artificial capaces de responder preguntas, mantener conversaciones y generar respuestas en tiempo real mediante streaming. Sin embargo, nuestros agentes todavía no pueden acceder a información ni ejecutar funcionalidades de nuestra aplicación. Para superar esta limitación podemos utilizar herramientas o tools que amplían las capacidades de nuestros agentes al permitirles consultar bases de datos, consumir API o ejecutar código PHP. Veamos un ejemplo sencillo primero. Vamos a crear una herramienta que permita consultar el horario de atención de nuestro equipo de soporte. Supongamos que aparte del agente que puede responder a cualquier hora, hay un horario en los que los humanos pueden responder. Así que vamos a abrir la terminal y para crear una herramienta de inteligencia artificial podemos utilizar el comando PHP Artisan Make Tool. Y vamos a llamarle Lo ejecutamos y nos va a crear la clase dentro de la carpeta AI Tools. Aquí lo tenemos. Por defecto las herramientas implementan la interfaz Tool del SDK de Laravel AI que requiere tres métodos, description, handle y schema. Vamos a revisar cada uno de ellos. El método description devuelve la descripción de lo que hace nuestra herramienta. En este ejemplo esta herramienta consulta el horario de atención del equipo de soporte. Esta descripción es muy importante ya que el modelo de inteligencia artificial la va a utilizar para determinar cuándo podría ser útil utilizar esta herramienta. Por eso debemos escribir claramente su propósito. Bien, en el método handle es donde realmente se ejecuta el código de la herramienta. Si el modelo decide utilizar esta herramienta va a ejecutar el método handle. Para simplificar el ejemplo simplemente vamos a devolver directamente una cadena de texto con el horario de atención. En una aplicación real aquí podemos obtener información de la base de datos, de una API o ejecutar código PHP como ya te comenté al principio. Ten en cuenta que el método recibe un objeto request que contiene los argumentos enviados a la herramienta. Por ahora no necesitamos utilizarlos. Por último tenemos el método schema que permite definir los argumentos que puede recibir nuestra herramienta. Por ejemplo, si estuviéramos creando una herramienta para consultar el estado de un pedido podríamos necesitar recibir su identificador, por ejemplo. En este caso vamos a mantener las cosas simples y vamos a retornar un array vacío por aquí. Con esto hemos terminado de implementar nuestra primera herramienta. Ahora necesitamos ponerla a disposición de nuestro agente de soporte. Para ello abrimos la clase Support Agent con la que hemos estado trabajando últimamente. Y nota que nuestro agente ya implementa la interfaz Has Tools, por lo que ya tenemos disponible el método Tools aquí debajo, que es donde se registran las herramientas para este agente específico. Aquí dentro del array creamos una nueva instancia de la herramienta get support hours y ya tendríamos esta herramienta disponible en este agente para cuando la necesite. Es importante comprender que registrar una herramienta no significa que se ejecute automáticamente en cada consulta. El modelo recibe información sobre las herramientas disponibles y puede decidir si utilizarlas o no para responder al usuario. Antes de probarlo, asegúrate de importar la clase aquí arriba y vamos al archivo de rutas web para preguntarle ahora cuál es el horario de atención del equipo de soporte. Refrescamos la página y efectivamente nos dice que el equipo de soporte atiende del lunes a viernes de 9 a 5 de la tarde, exactamente la información de la herramienta. En esta pregunta específica el agente decidió utilizar la herramienta. Ahora, para ver mejor el proceso, podemos inspeccionar los demás datos de los pasos que realiza el agente en la respuesta del stream o también podemos verificarlo en la base de datos. Para que se guarden los mensajes en la base de datos necesitamos asociar la conversación a un participante o a un usuario. Así que vamos a agregar el método for user y sí, normalmente utilizaríamos un usuario autenticado, pero para no complicar el ejemplo vamos a pasarle el primer usuario de la base de datos. Ejecutamos nuevamente. La respuesta es prácticamente la misma, pero ahora se guardó en la base de datos toda la información relevante. Aquí tenemos una nueva conversación y acá la respuesta del modelo. Si vamos un poco a la derecha vemos el campo steps con la información sobre los pasos que realizó el agente para responder. Como es un stream vamos a copiar el ID de este mensaje para obtenerlo y mostrarlo temporalmente en el navegador. Aquí al principio de la ruta vamos a devolver una consulta a la base de datos de la tabla agent conversation messages donde el ID sea este que copiamos y obtenemos el primer resultado. Actualizamos. Esta es toda la información del mensaje, aquí está contenido, pero lo que nos interesa de momento son los pasos. Así que vamos a retornarlos directamente. Y como es un string, vamos a utilizar un JSON decode. Ahora sí, vemos que el campo steps contiene los distintos pasos que realizó el agente para generar su respuesta. En nuestro ejemplo obtenemos una colección de dos pasos. El primero corresponde a la solicitud y ejecución de nuestra herramienta y el segundo a la generación de la respuesta final. Vamos a examinarlos. En el primer objeto la propiedad content está vacía porque en este punto el modelo todavía no ha generado una respuesta de texto para el usuario. En su lugar ha solicitado ejecutar una herramienta. Esto lo podemos comprobar en la propiedad tool calls. Esta propiedad contiene las llamadas a herramientas realizadas durante el paso. En nuestro ejemplo tenemos una sola llamada. La propiedad ID contiene un identificador único para esta llamada que permite relacionarla con su resultado. Acá debajo tenemos name que indica el nombre de la herramienta que el modelo solicitó ejecutar. En este caso get support hours. La propiedad argumentos no tiene ninguno y como nuestra herramienta no necesita recibir parámetros encontramos un array vacío. Después tenemos result ID que identifica el resultado asociado a la llamada. En este ejemplo coincide con el identificador de la solicitud y finalmente tenemos result que contiene el valor devuelto por el método handle de nuestra herramienta. Este es el dato obtenido mediante nuestro código de PHP que posteriormente utilizará el modelo para generar su respuesta. Luego tenemos reasoning donde explica que el usuario está preguntando por el horario de atención etcétera. Y en nuestro ejemplo esta propiedad contiene el texto de razonamiento proporcionado por el modelo donde indica que dispone de una herramienta para consultar el horario de soporte. Ten en cuenta que no todos los modelos proporcionan esta información. Su contenido puede variar según el proveedor y la configuración utilizada. Por eso no debemos depender de esta propiedad para determinar si una herramienta se ejecutó. Para comprobar la ejecución utilizamos tool calls. Por último encontramos reply blocks que contiene bloques el SDK puede utilizar para reconstruir determinados mensajes en intercambios posteriores con el modelo. Y provider tool calls está destinado a las llamadas a herramientas gestionadas directamente por el proveedor del modelo cuando este mecanismo está disponible. En nuestro ejemplo, ambas propiedades están vacías y no necesitamos utilizarlas. Con eso termina el primer paso, el modelo ha solicitado a nuestra herramienta, Laravel ha ejecutado su código de PHP y ya tenemos el horario de soporte. El segundo paso es generar la respuesta final. Una vez ejecutada la herramienta, el SDK de Laravel envía ese resultado nuevamente al modelo para que pueda continuar. Esta vez la propiedad content ya contiene la respuesta generada por el modelo. El equipo de soporte técnico atiende de lunes a viernes de 9 a 17. Nota que el modelo utiliza la información obtenida de nuestra herramienta, pero la presenta con sus propias palabras y formato Markdown. La propiedad tool calls ahora contiene un array vacío. Es decir, durante este segundo paso el modelo no solicitó ejecutar ninguna otra herramienta porque ya tiene la información necesaria para responder. Luego volvemos a tener reasoning. En esta ocasión el texto indica que el modelo ya recibió el resultado de get support hours de nuestra herramienta y puede utilizarlo para responder en español. Finalmente reply blocks y provider tool calls continúan vacíos. En este ejemplo podemos observar claramente las dos etapas que intervienen en la respuesta. El paso uno, la llamada a la herramienta, el modelo solicita get support hours y el SDK ejecuta el método handle para obtener el horario. Y en el paso dos, la generación de la respuesta, el modelo ya recibe el resultado y redacta una respuesta para el usuario. Y todo este proceso ocurrió con una sola llamada a nuestro agente. No hemos tenido que ejecutar manualmente la herramienta ni enviar su resultado al modelo porque el SDK se ha encargado de coordinar ese intercambio. Además, aunque en nuestro ejemplo solamente aparecen dos pasos, una consulta más compleja podría requerir varias llamadas a herramientas antes de generar la respuesta final. ¿Okay? Así es como funcionan las herramientas o las tools en el SDK de Laravel AI. Nos permiten ampliar las capacidades de nuestros agentes para interactuar con las funcionalidades de nuestra aplicación. Y con esto terminamos la primera parte del curso. En 35 minutos hemos pasado de cero a un agente que conversa, recuerda, responde en tiempo real y ejecuta su primera herramienta. El siguiente paso es darle acceso de verdad a tu aplicación y llevarlo a producción. Eso es lo que hacemos en el curso completo en Aprendible. Acá debajo en la descripción te dejo el link. Nos vemos en el siguiente video.

Assistir ao vídeo original no YouTube

Assuntos: Agentes de IA. Publicado no YouTube em 2026-11-15.

Seleção automática por assunto e idioma. O vídeo pertence ao canal de origem.

Comentários

Postagens mais visitadas deste blog

How to build a JARVIS AI Voice Agent for FREE | Full Livekit Tutorial (2026)

How Does AI Actually Work? 🤖 | AI, Machine Learning & Generative AI Explained