La API de Agentes de Genkit de Google Lleva Flujos de Trabajo a Largo Plazo a Servidores de Aplicaciones

Google presentó la API de Agentes de Genkit en vista previa el 1 de julio, integrando capacidades de agentes de primera clase en su marco de trabajo de pila completa de código abierto, respaldado por SDK de TypeScript y Go. Este movimiento llena la brecha entre agentes de prototipo y flujos de trabajo desplegables de larga duración. La API está diseñada para operar dentro de un servidor de aplicaciones existente, ofreciendo una interfaz `chat()` única que funciona uniformemente ya sea que el agente se ejecute en proceso o accediendo a través de un punto final HTTP.

El marco se centra en un modelo de estado unificado, que abarca el estado de la aplicación personalizada, como datos tipados como listas de tarefas o entidades seleccionadas, y artefactos como informes generados o parches de código que los usuarios pueden inspeccionar y versionar de forma independiente. La persistencia es flexible, con opciones que incluyen instantáneas administradas por el servidor utilizando Firestore para entornos de producción multi-instancia, almacenes en memoria para desarrollo y almacenamiento basado en archivos para pruebas locales. Los equipos también pueden optar por un estado administrado por el cliente, donde el servidor devuelve la carga completa de conversación con cada turno y el cliente lo reenvía en solicitudes posteriores, cumpliendo con los requisitos estrictos de residencia de datos pero aumentando la sobrecarga de red a medida que se alarga el contexto. El Blog de Desarrolladores de Google destaca que cada agente es una acción servible; `genkitx.AllAgentRoutes(g)` conecta puntos finales de turno, instantánea y abortar a un estándar `http.ServeMux` con una configuración mínima, y está disponible un adaptador de SDK de Vercel AI para la integración con Next.js.

Una característica arquitectónica clave es la capacidad de turnos separados, que permite a un cliente iniciar una tarea, como la generación de un informe trimestral, desconectar y luego sondear periódicamente por instantáneas utilizando un ID de sesión, sin depender de WebSockets, colas de trabajos o conexiones mantenidas. El código de ejemplo demuestra un intervalo de sondeo de 1000 ms para verificar el progreso desde las instantáneas del lado del servidor hasta la finalización. Para escenarios con humano en el bucle, las herramientas interrumpibles pausan la ejecución, presentan una acción pendiente al cliente y reanudan solo después de una aprobación explícita. El tiempo de ejecución valida la carga de reanudación contra el historial de la sesión, asegurando la protección contra la suplantación de llamadas de herramientas insertadas. El middleware introducido en mayo incluye reintentos con retroceso exponencial; los valores predeterminados son 3 reintentos máximos, un retraso inicial de 1000 ms y un factor de retroceso del 2x, además de soluciones de reserva entre proveedores, puertas de aprobación de herramientas y un sistema de habilidades que carga archivos `SKILL.md` en el prompt del sistema. Los subagentes se inyectan como herramientas de delegación a través de la misma capa de middleware y pueden operar localmente o a través de HTTP utilizando el contrato `chat()`. Los plugins de modelo admiten Google AI Gemini, Vertex AI, Anthropic, OpenAI y Ollama.

El estado de vista previa de la API de Agentes significa restricciones operativas, ya que Google advierte que pueden ocurrir cambios importantes en las versiones menores, con SDK de Python y Dart planeados pero sin una línea de tiempo comprometida. El marco incluye una interfaz de usuario para desarrolladores para probar instantáneas sin escribir código de cliente, pero Google recomienda su Kit de Desarrollo de Agentes para organizaciones que construyen sistemas altamente sofisticados, indicando que los Agentes de Genkit están dirigidos a flujos de trabajo incrustados en aplicaciones en lugar de orquestración a gran escala. El estado administrado por el cliente evita la persistencia del lado del servidor pero transfiere la carga de grandes cargas útiles al cliente, lo que se vuelve costoso a medida que se alarguen los contextos. Ebenezer Don, como se cita en la cobertura de InfoQ, identifica mantener un contexto confiable como el desafío principal al agregar memoria a los agentes, un desafío exacerbado cuando el estado cruza la red en cada turno.

Los arquitectos deben considerar la adopción del patrón de instantáneas de turnos separados, que reemplaza la infraestructura de trabajo asincrónico con una interfaz de sondeo similar a una máquina de estados sobre HTTP estándar. Este enfoque hace que las tareas de agentes de larga duración y de gran tamaño sean desplegables en plataformas sin servidor o de contenedores estándar sin maquinaria adicional de cola o socket.