Hackathon de Elasticsearch Agent Builder
Esto es lo que la comunidad construyó

A principios de este año, Elastic organizó el hackathon de Elasticsearch Agent Builder, un desafío que invitaba a los desarrolladores a crear agentes de IA significativos y funcionales usando Elastic Agent Builder. El objetivo era combinar un modelo de razonamiento con herramientas de Elastic Agent Builder como Elastic Workflows, Elasticsearch o el lenguaje de búsqueda de Elasticsearch (ES|QL) para automatizar flujos de trabajo internos complejos, conectar sistemas desconectados y construir agentes efectivos y específicos para cada dominio. La respuesta fue extraordinaria. Desarrolladores de todo el mundo presentaron proyectos que abarcan la atención médica, la seguridad, el cumplimiento normativo y mucho más.
Cada participante identificó un punto problemático real en su campo; pensó cuidadosamente en cómo los agentes, la búsqueda y la orquestación podrían trabajar juntos para abordarlo; y construyó algo que resuelve un problema real. Los resultados muestran lo que es posible cuando el razonamiento de grandes modelos de lenguaje (LLM) se combina con la velocidad y estructura agéntica, incluyendo pipelines que detectan señales de seguridad de fármacos en menos de 60 segundos, sistemas de pruebas adversariales que se vuelven más inteligentes con el tiempo y herramientas de detección de duplicados que ahorran a los trabajadores sanitarios días de trabajo manual.
A continuación, encontrarás publicaciones de blog de los tres equipos ganadores que tratan sobre el problema que eligieron, cómo diseñaron la arquitectura de sus agentes y las lecciones que aprendieron en el camino. Tanto si acabas de empezar con Agent Builder como si ya estás creando sistemas de producción, vale la pena que leas estas publicaciones.
Los ganadores
PHAROS: Cuatro agentes, 60 segundos, una señal perdida de seguridad farmacológica lejos del desastre
Prajwal Sutar creó PHAROS, un sistema de farmacovigilancia de cuatro agentes que ingiere reportes de eventos adversos de la FDA, ejecuta análisis estadísticos según los estándares de la OMS completamente dentro de ES|QL, genera documentación regulatoria y envía alertas a Slack, Jira y email en menos de un minuto. Su publicación describe la arquitectura deliberada de los agentes, la decisión de mantener el cálculo estadístico dentro de Elasticsearch y el análisis de JSON en el pipeline.
Gauntlet: Qué sucede cuando las herramientas de tu agente contraatacan
Kavish Sathia desarrolló Gauntlet, un marco de trabajo de pruebas adversariales en el que un agente de simulación intercepta las llamadas de herramientas de tu agente principal e intenta romperlo automáticamente y con una memoria a largo plazo que lo hace más creativo con cada ejecución. Reconstruido desde cero 48 horas antes de la fecha límite tras un cambio de enfoque, Gauntlet es un argumento convincente de por qué las pruebas de camino feliz o flujo ideal no son suficientes para los agentes con acceso a herramientas del mundo real. Su publicación explica la arquitectura de memoria dual y cómo la función de completado de ES|QL lo sorprendió.
Detectar errores invisibles: un agente de detección de duplicados para el programa de VIH de Kenia
Fredrick Kioko es arquitecto de soluciones en Nairobi que desarrolla sistemas de información de salud en los 47 condados de Kenia. Llevó al hackathon un problema que llevaba meses observando: registros duplicados de pacientes en la infraestructura de pruebas de VIH de Kenia que inflan silenciosamente los dashboard y desperdician reactivos. Su sistema de tres agentes escaneó 1,010 registros anónimos reales en menos de 10 segundos, identificando 131 duplicados, incluidos casos de varias instalaciones en el mismo día que habrían tardado semanas en detectarse manualmente. Su blog ilustra por qué la explicabilidad no es un lujo en la IA clínica.
Conoce más sobre los ganadores
Estos tres proyectos representan dominios muy diferentes, pero comparten un tema en común: Cada creador comenzó con un problema concreto y costoso y utilizó Agent Builder para construir algo que razona sobre él en lugar de simplemente consultarlo. Ese es exactamente el tipo de trabajo que este hackathon fue diseñado para poner en evidencia.
Lee el blog de cada ganador a continuación, y descubre qué es posible.
El momento del lanzamiento de cualquiera de las características o funcionalidades descritas en esta publicación queda a exclusivo criterio de Elastic. Es posible que algunas características o funcionalidades que no estén disponibles en este momento no se lancen a tiempo o no se lancen en absoluto.
En esta publicación del blog, es posible que hayamos usado o nos hayamos referido a herramientas de AI generativa de terceros, que son propiedad de sus respectivos propietarios y están gestionadas por ellos. Elastic no tiene ningún control sobre las herramientas de terceros y no tenemos ninguna responsabilidad por su contenido, operación o uso, ni por ninguna pérdida o daño que pueda surgir de tu uso de dichas herramientas. Ten cuidado al usar herramientas de AI con información personal, sensible o confidencial. Cualquier dato que envíes puede usarse para el entrenamiento de la AI u otros fines. No se garantiza que la información que proporciones se mantenga segura o confidencial. Debes familiarizarte con las prácticas de privacidad y los términos de uso de cualquier herramienta de IA generativa antes de usarla.
Elastic, Elasticsearch y las marcas asociadas son marcas comerciales, logotipos o marcas comerciales registradas de Elasticsearch B.V. en los Estados Unidos y otros países. Todos los demás nombres de empresas y productos son marcas comerciales, logotipos o marcas comerciales registradas de sus respectivos dueños.