Event sourcing para agentes: ensamblaje declarativo de sistemas de IA

# Ensamblaje Declarativo de Agentes: Cómo el Event Sourcing Resuelve el Problema del Estado Mutable

Los sistemas multiagente modernos basados en LLMs enfrentan un desafío fundamental: gestionar el estado mediante estado mutable provoca inestabilidad y dolores de cabeza al depurar. La solución llega de una fuente inesperada: las prácticas de ingeniería de datos. El nuevo framework zymi aplica principios de event sourcing y descripción declarativa, familiares de dbt, para construir sistemas orientados a agentes confiables.

Enfoque Declarativo en Lugar de Código Imperativo

Los frameworks tradicionales como LangGraph requieren instrucciones detalladas sobre cómo procesar datos a través de estado mutable. Esto genera varios problemas críticos:

• El estado se convierte en un vertedero desordenado con dependencias ocultas
• Cada cambio exige sincronización manual
• La depuración se transforma en una tarea tediosa de rastrear logs de print

zymi invierte el paradigma: describes qué hay que hacer mediante configs YAML, y el motor maneja la ejecución de forma automática. La estructura del proyecto refleja un proyecto dbt:

zymi-research/
├── agents/
│  ├── researcher.yml
│  └── writer.yml
├── pipelines/
│  └── research.yml
├── tools/
└── project.yml

Cada agente se define mediante un manifiesto declarativo. Por ejemplo, el agente researcher:

name: researcher
description: "Research agent — searches the web, scrapes pages, and stores findings in memory"
model: ${default_model}
system_prompt: |
  You are a thorough research assistant. Your job is to find accurate,
  up-to-date information on the given topic.

tools:
  - web_search
  - web_scrape
  - write_memory
max_iterations: 15

Las herramientas también se describen de forma declarativa. La implementación de web_search vía Tavily API:

name: web_search
description: "Search the web for information on a given query"
parameters:
  type: object
  properties:
    query:
      type: string
      description: "Search query"
  required: [query]

implementation:
  kind: http
  method: POST
  url: "https://api.tavily.com/search"
  headers:
    Authorization: "Bearer ${env.TAVILY_API_KEY}"
  body_template: '{"query": "${args.query}", "max_results": 5}'

Una pipeline encadena agentes en pasos con dependencias:

name: research
steps:
  - id: search_web
    agent: researcher
    task: "Search the web for information about: ${inputs.topic}"

  - id: analyze
    agent: researcher
    task: "Analyze findings and store structured summary"
    depends_on: [search_web]

  - id: write_report
    agent: writer
    task: "Write report to ./output/report.md"
    depends_on: [analyze]

Ejecuta la pipeline vía CLI:

zymi run research -i topic="Event sourcing in AI"

Event Sourcing: De Eventos Inmutables a la Reproducibilidad

La distinción clave de zymi respecto a LangGraph es abandonar el estado mutable por una arquitectura basada en event sourcing. Todas las interacciones se registran como eventos inmutables en una cadena verificada criptográficamente. Cada evento incluye:

• Hash del evento anterior (asegura la integridad de la cadena)
• Datos de la operación
• Marca de tiempo
• Fuente del evento

Este modelo ofrece tres ventajas críticas:

• Trazabilidad Completa — cualquier resultado se puede reconstruir desde la cadena de eventos
• Pista de Auditoría Integrada — todos los cambios se registran sin esfuerzo
• Seguridad de Operaciones — el monitor evalúa intenciones antes de la ejecución

Aquí un fragmento de un log de ejecución:

#4    10:50:52.806 intention_emitted source=orchestrator
  call_custom_tool data={"type":"CallCustomTool","data":{"tool_name":"web_search"}}
#5    10:50:52.806 intention_evaluated source=orchestrator
  call_custom_tool -> approved
#49   11:20:15.321 intention_emitted source=orchestrator
  write_file data={"path":"output/report.md"}
#50   11:20:15.322 intention_evaluated source=orchestrator
  write_file -> requires_approval

Esto muestra cómo el sistema primero emite una intención para realizar una operación (intention_emitted), luego el monitor decide si aprobarla (intention_evaluated). En el intento de escritura de archivo, el monitor requirió aprobación: una salvaguarda imposible con mutación directa del estado.

Beneficios para Desarrolladores y LLMs

El enfoque declarativo ofrece ventajas prácticas, especialmente en la era de la IA generativa:

• Complejidad Reducida para LLMs — las configs YAML son más simples de generar que código imperativo
• Esquema de Validación Estricta — JSON Schema previene errores en las configs
• Ejecución Paralela — el motor identifica automáticamente pasos independientes
• Reproducibilidad — cualquier ejecución se puede reproducir desde el log de eventos

Los experimentos muestran que las pipelines generadas por LLM para zymi requieren un 30-40% menos iteraciones que el código equivalente de LangGraph. Esto se debe a:

• Ausencia de gestión manual del estado
• Límites claros de responsabilidad entre componentes
• Validación estática de configs

Lo Que Importa

• Declarativo sobre Imperativo — describir qué hacer, no cómo, reduce la carga cognitiva
• Event Sourcing como Base — eventos inmutables aseguran reproducibilidad y seguridad
• Integración con el Desarrollo de LLMs — configs estructuradas son más fáciles de generar y refinar para la IA
• Integridad Criptográfica — la cadena de hash garantiza la autenticidad del historial de ejecución
• Monitoreo de Intenciones — una capa dedicada verifica operaciones para bloquear acciones no deseadas

El framework zymi demuestra cómo conceptos de ingeniería de datos pueden abordar desafíos sistémicos en la programación orientada a agentes. Pasar de estado mutable a arquitectura basada en event sourcing no solo simplifica el desarrollo, sino que desbloquea nuevas posibilidades para controlar y analizar el comportamiento de agentes de IA. Para profesionales técnicos, esto implica un cambio de sistemas frágiles a soluciones confiables y trazables, donde cada paso cuenta con prueba verificable y reproducibilidad.

— Editorial Team