AgentRun lanza una plataforma de código abierto para optimizar flujos de trabajo de agentes y reducir los costos de tokens

AgentRun ha lanzado una plataforma de código abierto diseñada para resolver la ineficiencia de los agentes de IA que realizan repetidamente las mismas tareas, lo que genera altos costos de tokens y planificación redundante. Al introducir una capa de auto-mejora y una arquitectura de computación desacoplada, la plataforma permite que los agentes 'aprendan' de ejecuciones anteriores y utilicen hardware costoso solo cuando sea específicamente requerido.

Resolviendo el problema de la repetición

Las estructuras de agentes estándar a menudo se construyen para iterar hasta que se resuelve un problema, lo que puede llevar a que los agentes 'redescubran' las mismas APIs o documentación cada vez que realizan una tarea familiar. AgentRun aborda esto permitiendo que los agentes dejen notas, pistas y estrategias exitosas después de una ejecución.

Con el tiempo, la plataforma ayuda a un agente a pasar de un enfoque basado en bucles a una solución general escrita en un DSL de flujo de trabajo. Esto permite al agente reutilizar el flujo de trabajo en ejecuciones futuras en lugar de planificar todo el proceso desde cero cada vez.

“Es como entregarle a Einstein una pila de papeleo: lo hará, pero pensará intensamente en cada formulario, cada vez.”

— Introducing AgentRun: Run smarter agents. Use fewer tokens.

El modelo de computación de 'red de trenes'

AgentRun separa el 'cerebro' del agente de sus 'manos' al ejecutar la lógica del agente en un ejecutor Node económico. Este ejecutor gestiona cientos de bucles simultáneamente y solo se conecta a una 'computadora' —como una máquina virtual con GPU o un teléfono Android persistente— cuando una llamada de herramienta específica lo requiere.

Esta arquitectura funciona como una red de trenes donde el agente elige el 'tren' apropiado para cada tramo de un viaje. Por ejemplo, podría usar un ejecutor local pequeño para leer archivos, pero cambiar a un 'tren bala' (una GPU de alto rendimiento) solo para el ajuste fino del modelo, reduciendo significativamente los costos de las operaciones de múltiples pasos.

Esta imagen explica la arquitectura de computación desacoplada donde el agente selecciona el hardware más eficiente para partes específicas de un flujo de trabajo.

Flujos de trabajo frente a agentes

La plataforma identifica que muchas tareas no requieren realmente un bucle agéntico completo. AgentRun permite a los usuarios construir flujos de trabajo que pueden tomar decisiones, clasificar datos o ejecutar sub-agentes más pequeños para pasos específicos como la investigación web.

Al utilizar decisiones basadas en la web, estos flujos de trabajo pueden verificar hechos en internet a una fracción del costo de un agente completo. La plataforma incluye un visualizador que permite a los usuarios observar estos flujos de trabajo ejecutándose nodo por nodo, pausarlos e inspeccionar cada punto de decisión.

Esta captura de pantalla demuestra la capacidad de la plataforma para visualizar flujos de trabajo complejos y monitorear su progreso en tiempo real.

Limitaciones e integración

Aunque AgentRun admite varios marcos de trabajo a través del Agent Client Protocol, las ganancias de rendimiento específicas del DSL de flujo de trabajo en comparación con otros motores como Temporal o Airflow no se detallan en la documentación actual. Además, aunque la plataforma proporciona un gráfico de costos comparativos, el precio exacto de sus computadoras 'bajo demanda' sigue siendo variable según el hardware específico seleccionado.

Este gráfico respalda la afirmación de que el enfoque basado en flujos de trabajo de la plataforma puede reducir drásticamente los costos de tokens en comparación con los bucles agénticos estándar.