Herramientas de los agentes y APIs preentrenadas
Un agente es una aplicación que persigue un objetivo observando su entorno y actuando con herramientas (Extensions, Functions, Data stores y Plugins); si una API preentrenada resuelve una tarea a escala, dársela suele costar menos que pedírselo todo al modelo.
1. El problema de negocio
Un operador logístico ha prototipado un agente que gestiona las incidencias de entrega: lee albaranes escaneados, escucha las notas de voz de los conductores y revisa documentos de aduanas en varios idiomas, y todo lo resuelve el propio modelo generalista. Al calcular el paso a producción, con unos 40 000 documentos y audios al mes, el coste por petición se dispara y los datos extraídos no salen siempre iguales.
2. Solución de Google: APIs preentrenadas de Google Cloud como herramientas del agente
- Servicio
- APIs preentrenadas de Google Cloud como herramientas del agente
- Capa
- Agentes
- Por qué
- El modelo mantiene el bucle de razonamiento, que observa, interpreta, razona y actúa, pero delega en la extracción de los albaranes, en la transcripción de las notas de voz y en los documentos en otros idiomas. Cada API resuelve su tarea a escala y suele ser más barata, rápida y predecible.
Ver la capa en el mapa de 5 capas
Capa 5Aplicaciones
La parte con la que interactúa el usuario final.
- Gemini app
- Gemini Enterprise
- Google Workspace with Gemini
- Gemini Notebook
- Gemini for Google Cloud
Capa 4Agentes[Capa de esta lección]
Software que persigue un objetivo usando un modelo y herramientas.
- Agentes en Agent Platform
- Gemini Enterprise for Customer Experience
Capa 3Plataforma
APIs, gestión de datos y despliegue de modelos; abstrae la infraestructura.
- Agent Studio
- Agent Search
- Model Garden
- Agent Platform AutoML
- RAG Engine
- Agent Runtime
Capa 2Modelos
Algoritmos entrenados con grandes volúmenes de datos que generan contenido.
- Gemini
- Gemma
- Imagen
- Veo
Capa 1Infraestructura
Cómputo y almacenamiento físico para entrenar y servir modelos.
- AI Hypercomputer
- Cloud TPU
- GPU
- Centros de datos de Google
3. Límites
- No la uses si
- Las peticiones son pocas y tan variadas que ninguna API preentrenada resuelve exactamente la tarea, de modo que integrar y mantener servicios separados cuesta más de lo que ahorra.
- Variable que fuerza el cambio
- Coste
- Alternativa
- , el modelo del agente, resolviendo la tarea directamente sin herramienta especializada.
4. La trampa habitual
- [✗] Distractor
- Dejar que el modelo generalista del agente extraiga los datos de todos los albaranes y transcriba y traduzca por sí mismo cada documento y cada audio.
- Por qué tienta
- Parece más sencillo pedírselo todo a un único modelo que conectar varias APIs como herramientas.
- Por qué es incorrecto
- Con decenas de miles de documentos y audios al mes, extraer, transcribir y traducir son tareas que una API preentrenada resuelve exactamente a escala, con menos coste y más previsibilidad; el modelo se reserva para razonar sobre la incidencia.
5. Micro-check
Fuentes oficiales
Plataforma de Google Cloud, con procesadores preentrenados, que convierte el contenido no estructurado de los documentos en datos estructurados: digitaliza el texto con OCR, clasifica los documentos por tipo y extrae sus campos, como importes, fechas o nombres.
Ficha de Document AIAPI preentrenada de Google Cloud que convierte la voz en texto con la tecnología de reconocimiento de voz de Google. Transcribe tanto grabaciones completas como audio en directo, por ejemplo llamadas, notas de voz o reuniones.
Ficha de Speech-to-TextAPI preentrenada de Google Cloud que traduce texto entre muchos idiomas y detecta el idioma de origen. Su traducción de documentos, la Document Translation API, conserva el formato original, y los glosarios mantienen la terminología propia de cada organización.
Ficha de Translation APIModelos fundacionales multimodales nativos de Google: procesan texto, código, imagen, audio y vídeo. Gamas: Pro (razonamiento complejo), Flash (equilibrio entre coste y latencia), Flash-Lite (volumen masivo a mínimo coste) y Nano (en el dispositivo). «Gemini» es también la marca de aplicaciones como la Gemini app.
Ficha de GeminiAPI preentrenada de Google Cloud que analiza imágenes: les asigna etiquetas, detecta objetos, caras y lugares conocidos, extrae el texto que contienen y valora si su contenido es explícito, lo que sirve para moderarlas.
Ficha de Cloud Vision APIAPI preentrenada de Google Cloud que analiza vídeo almacenado o en streaming: reconoce objetos, lugares y acciones, detecta los cambios de plano, el texto y el contenido explícito, y transcribe el habla, para extraer metadatos con los que indexar y buscar el contenido.
Vigencia: Google la declaró obsoleta el 14 de septiembre de 2026 y la apagará el 14 de septiembre de 2027. Recomienda migrar a los modelos Gemini.
Ficha de Cloud Video Intelligence API