Jonathan Simon - Elasticsearch Labs

Primeros pasos con Elastic Agent Builder y Strands Agents SDK

Jonathan Simon — Mon, 15 Dec 2025 00:00:00 GMT

¿Tienes una idea para un agente de IA? Probablemente implica hacer algo con datos porque, si un agente va a iniciar una acción útil, necesita tomar una decisión y necesita los datos correctos para tomar la decisión correcta.

Elastic Agent Builder facilita la creación de agentes de IA conectados a datos. Te mostraremos cómo hacerlo en esta publicación de blog. Veamos todos los pasos necesarios para crear un agente con una herramienta MCP que acceda a los datos almacenados en Elastic. Luego usaremos el SDK de Strands Agents y sus capacidades Agent2Agent (A2A) para operar el agente. El SDK de Strands Agents es una plataforma de desarrollo de IA multiagente que puedes usar para crear apps de agentes con el código justo para asegurarte de obtener el resultado que quieres.

Construyamos un agente de IA que juegue el juego de RPS+, que es una versión del clásico juego de "Piedra, papel o tijeras" con un toque adicional; les da a los jugadores del juego un par de opciones adicionales.

Requisitos previos

Aquí está lo que se requiere para seguir los pasos en esta publicación de blog:

Un editor de texto ejecutándose en tu computadora local
- Visual Studio Code es lo que usaremos para las instrucciones de ejemplo en esta publicación de blog
Python 3.10 o superior funcionando en tu computadora local

Crea un proyecto Serverless

Lo primero que necesitamos es un proyecto Elasticsearch Serverless, que incluye Elastic Agent Builder.

Ve a cloud.elastic.co y crea un nuevo proyecto de Elasticsearch Serverless.

Crea un índice y agrega datos

A continuación, vamos a agregar algunos datos a nuestro proyecto de Elasticsearch. Abre Developer Tools, donde podemos ejecutar comandos para crear un nuevo índice e insertar algunos datos en él. Selecciona Herramientas para desarrolladores en el menú de navegación de nivel superior.

Copia y pega el siguiente comando PUT en el área de entrada de solicitud de la consola de Developer Tools. Esta declaración crea un índice de Elasticsearch llamado “game-docs”.

PUT /game-docs { "mappings": { "properties": { "title": { "type": "text" }, "content": { "type": "text" }, "filename": { "type": "keyword" }, "last_modified": { "type": "date" } } } }

Haz clic en el botón Enviar solicitud que aparece en el lado derecho de la declaración en Herramientas para desarrolladores. Deberías ver una notificación que confirme que el índice game-docs se creó en el área de respuesta de Herramientas para desarrolladores.

Un índice llamado game-docs es el lugar ideal para almacenar los datos del juego que estamos creando. Pongamos un documento llamado rps+-md en este índice que contiene todos los datos que requiere nuestro juego. Copia y pega el siguiente comando PUT en la consola de Herramientas para desarrolladores.

PUT /game-docs/_doc/rps+-md { "title": "Rock Paper Scissors +", "content": " # Game Name RPS+ # Starting Prompt Let's play RPS+ ! --- What do you choose? # Game Objects 1. Rock 🪨 👊 2. Paper 📜 🖐 3. Scissors ✄ ✌️ 4. Light ☼ 👍 5. Dark Energy ☄ 🫱 # Judgement of Victory * Rock beats Scissors * because rocks break scissors * Paper beats Rock * because paper covers rock * Scissors beat Paper * because scissors cut paper * Rock beats Light * because you can build a rock structure to block out light * Paper beats Light * because knowledge stored in files and paper books helps us understand light * Light beats Dark Energy * because light enables humans to lighten up and laugh in the face of dark energy as it causes the eventual heat death of the universe * Light beats Scissors * because light is needed to use scissors safely * Dark Energy beats Rock * because dark energy rocks more than rocks. It rocks rocks and everything else in its expansion of the universe * Dark Energy beats Paper * because humans, with their knowledge stored in files and paper books, can't explain dark energy * Scissors beat Dark Energy * because a human running with scissors is darker than dark energy # Invalid Input I was hoping for an worthy opponent - but alas it appears that time has past - but alas there's little time for your todo list when [todo:fix this] is so vast # Cancel Game The future belongs to the bold. Goodbye.. ", "filename": "RPS+.md", "last_modified": "2025-11-25T12:00:00Z" }

Haz clic en el botón Enviar solicitud junto a la instrucción para ejecutarlo y agregar el documento rps+-md al índice de documentación del juego.

Ahora deberíamos tener algunos datos para consultar, y con Agent Builder, eso es más simple que nunca.

Selecciona Agentes en el menú de navegación superior.

Luego, todo lo que tienes que hacer es preguntarle al agente de Elastic AI predeterminado: "¿Qué datos tengo?".

El agente de Elastic AI evalúa los datos y devuelve una explicación concisa de los datos que tenemos.

Crear una herramienta

Listo, ahora tenemos algunos datos en Elastic; vamos a ponerlos en práctica. Agent Builder incluye soporte integrado para crear herramientas MCP que ayudan a los agentes a acceder a los datos que necesitan para tener el contexto adecuado para su tarea. Vamos a crear una herramienta sencilla que recupere los datos de nuestro juego.

Haz clic en el menú de acciones de Agent Builder.

Selecciona Ver todas las herramientas en las opciones del menú.

Haz clic en + Nueva herramienta.

En el formulario Crear herramienta, selecciona ES|QLcomo Tipo de herramienta e ingresa los siguientes valores.

Para el ID de la herramienta:

example.get_game_docs

Para la Descripción:

Get RPS+ doc from Elasticsearch game-docs index.

Para la configuración, ingresa la siguiente consulta en el área de texto Consulta ES|QL :

FROM game-docs | WHERE filename == "RPS+.md"

Tu formulario completado de Crear herramienta debería verse así. Haz clic en Guardar para crear la herramienta.

Tenemos una nueva herramienta disponible en el estante de herramientas. Las herramientas no deberían estar colgadas perpetuamente en un estante; hay que darles un uso digno. Creemos un agente que pueda emplear nuestra nueva herramienta personalizada.

Crea un agente y asígnale una herramienta

Crear un agente es sorprendentemente sencillo con Agent Builder. Solo tienes que ingresar las instrucciones del agente con algunos detalles y eso es todo lo que necesitas. Vamos a crear un agente ahora.

Haz clic en Gestionar agentes.

Haz clic en + Nuevo agente.

Introduce la siguiente información en el formulario Nuevo agente.

Para ID de agente, ingresa el texto a continuación:

rps_plus_agent

En el área de texto de Instrucciones personalizadas , ingresa las siguientes instrucciones:

When prompted, if the prompt contains an integer, then select the corresponding numbered item in the list of "Game Objects" from your documents. Otherwise select a random game object. This is your chosen game object for a single round of the game. # General Game Rules * 2 players - the user: the person playing the game - you: the agent playing the game and serving as the game master * Each player chooses a game object which will be compared and cause them to tie, win or lose. # Start the game 1. This is the way each new game always starts. You make the first line of your response only the name of your chosen game object. 2. The remainder of your response should be the "Starting Prompt" text from your documents and generate a list of "Game Objects" for the person playing the game to choose a game object from. # End of Game: The game ends in one of the following three outcomes: 1. Invalid Input: If the player responds with an invalid game object choice, respond with variations of the "Invalid Input" text from your documents and then end the game. 2. Tie: The game ends in a tie if the user chooses the same game object as your game object choice. 3. Win or Lose: The game winner is decided based on the "Judgement of Victory" conditions from your documents. Compare the user's game object choice and your game object choice and determine who chose the winning game object. # Game conclusion Respond with a declaration of the winner of the game by outputting the corresponding text in the "Judgement of Victory" section of your documents.

Para el Nombre de visualización, ingresa el texto a continuación:

RPS+ Agent

Para la Descripción de la pantalla, ingresa el texto a continuación:

An agent that plays the game RPS+

Brinda al agente la herramienta personalizada que creamos previamente al hacer clic en la pestaña Herramientas.

Selecciona solo la herramienta example.get_game_docs que creamos anteriormente.

Haz clic en Guardar para crear el nuevo agente.

Probemos nuestro nuevo agente. Hay un enlace útil para iniciar un chat con cualquier agente de la lista de agentes.

Simplemente ingresa “iniciar juego” y el juego comenzará. ¡Funciona!

Puedes ver que el agente muestra su elección de objeto de juego en la parte superior de su respuesta. Esto es útil porque podemos ver la elección del agente y confirmar que el juego funciona como se espera. Sin embargo, conocer la elección de tu oponente antes de elegir no lo convierte en un juego muy divertido de "Piedra, papel o tijeras". Para pulir y perfeccionar el juego hasta su forma final, podemos usar una plataforma de orquestación de agentes que pueda controlar a los agentes con código.

El SDK de Strands Agents entra al chat.

SDK de agentes de Strands

Si tienes curiosidad por probar nuevos marcos de trabajo de desarrollo de agentes, entonces vale la pena probar el SDK de Strands Agents. El SDK de Strands Agents fue lanzado por AWS (mayo de 2025) como una implementación de open source Python, y ahora también hay una versión en Typescript.

Introducción al SDK de Strands Agents en Python

Enciende tus motores de programación, ahora vamos a pasar rápidamente por el proceso de clonación y ejecución de una app de ejemplo que usa Strands Agents para controlar el agente de RPS+ mediante el protocolo A2A. Vamos a crear una versión ajustada del juego RPS+ para que la elección del agente se revele después de que hagas tu elección, porque, después de todo, es la adivinación y el resultado sorpresa lo que hace que juegos como "Piedra, papel o tijeras" sean divertidos.

En tu computadora local, abre Visual Studio Code y abre una nueva terminal.

En la terminal recién abierta, ejecuta el siguiente comando para clonar el repositorio de Elasticsearch Labs:

git clone https://github.com/elastic/elasticsearch-labs

Ejecuta el siguiente comando cd para cambiar el directorio al directorio elasticsearch-labs:

cd elasticsearch-labs

A continuación, ejecuta el siguiente comando para abrir el repositorio en Visual Studio Code:

code .

En el Explorador de archivos de Visual Studio, expande las carpetas supporting-blog-content y agent-builder-a2a-strands-agents y luego abre el archivo elastic_agent_builder_a2a_rps+.py. Así es como se ve el archivo abierto en Visual Studio Code:

Aquí tienes el contenido de elastic_agent_builder_a2a_rps+.py que deberías ver en tu editor de texto:

import asyncio from dotenv import load_dotenv from uuid import uuid4 import httpx import os import random from a2a.client import A2ACardResolver, ClientConfig, ClientFactory from a2a.types import Message, Part, Role, TextPart DEFAULT_TIMEOUT = 60 # set request timeout to 1 minute def create_message(*, role: Role = Role.user, text: str, context_id=None) -> Message: return Message( kind="message", role="user", parts=[Part(TextPart(kind="text", text=text))], message_id=uuid4().hex, context_id=context_id, ) async def main(): load_dotenv() a2a_agent_host = os.getenv("ES_AGENT_URL") a2a_agent_key = os.getenv("ES_API_KEY") custom_headers = {"Authorization": f"ApiKey {a2a_agent_key}"} async with httpx.AsyncClient( timeout=DEFAULT_TIMEOUT, headers=custom_headers ) as httpx_client: # Get agent card resolver = A2ACardResolver(httpx_client=httpx_client, base_url=a2a_agent_host) agent_card = await resolver.get_agent_card( relative_card_path="/rps_plus_agent.json" ) # Create client using factory config = ClientConfig( httpx_client=httpx_client, streaming=True, ) factory = ClientFactory(config) client = factory.create(agent_card) # Use the client to communicate with the agent print("\nSending 'start game' message to Elastic A2A agent...") random_game_object = random.randint(1, 5) msg = create_message(text=f"start with game object {random_game_object}") async for event in client.send_message(msg): if isinstance(event, Message): context_id = event.context_id response_complete = event.parts[0].root.text # Get agent choice from the first line of the response parsed_response = response_complete.split("\n", 1) agent_choice = parsed_response[0] print(parsed_response[1]) # User choice sent for game results from the agent prompt = input("Your Choice : ") msg = create_message(text=prompt, context_id=context_id) async for event in client.send_message(msg): if isinstance(event, Message): print(f"Agent Choice : {agent_choice}") print(event.parts[0].root.text) if __name__ == "__main__": asyncio.run(main())

Repasemos qué está pasando en este código. A partir del método main() , el código comienza accediendo a las variables de entorno para la URL del agente y la clave de API. Luego, usamos esos valores para crear un httpx client que podamos usar para obtener la tarjeta de agente para el agente. El cliente luego usa los detalles de la tarjeta del agente para enviar una solicitud de "iniciar juego" al agente. Un aspecto interesante a tener en cuenta aquí es que incluimos un valor random_game_object como parte de la solicitud "start game". Este valor es un número aleatorio generado con el módulo aleatorio de la biblioteca estándar de Python. La razón para hacerlo es que resulta que los poderosos LLM (que hacen posibles a los agentes de IA) no son muy buenos en la aleatoriedad. No hay problema, Python viene al rescate.

Continuando con la programación, una vez que el agente responde a la solicitud de "iniciar juego", el código elimina la selección del objeto de juego del agente y lo guarda en la variable agent_choice. El resto de la respuesta se muestra como texto para el usuario final. Luego, se le solicita al usuario su entrada de elección de objeto de juego, la cual se envía al agente. El código muestra la elección del objeto del juego del agente junto con la determinación final del agente sobre el resultado del juego.

Establecer la URL de tu agente y la clave de API como variables de entorno

Dado que la app de ejemplo se ejecutará en tu computadora local, para comunicarla con nuestro agente Agent Builder, debemos proporcionar al SDK de Strands Agents una URL A2A y una clave API para el agente. La app de ejemplo emplea un archivo llamado .env para almacenar estos valores.

Haz una copia del archivo env.example y nombra el nuevo archivo .env

Vuelve a Elastic Agent Builder, donde podrás obtener los dos valores que necesitas.

Selecciona Ver todas las herramientas en el menú de acciones de Agent Builder en la parte superior derecha de la página.

Haz clic en el menú desplegable servidor MCP en la parte superior de la página Herramientas y selecciona Copiar URL del servidor MCP.

Pega la URL del servidor MCP en el archivo .env como reemplazo para el valor de marcador de posición . Ahora necesitamos hacer una actualización a la URL, es decir, reemplazar el texto final “mcp” con “a2a” porque el protocolo A2A es lo que usará el Agent Strands SDK para comunicarse con el agente que se ejecuta en Elastic Agent Builder.

La URL editada debería verse así:

https://rps-game-project-12345a.kb.us-east-1.aws.elastic.cloud/api/agent_builder/a2a

El otro valor que necesitamos obtener mientras estamos aquí en Elastic Cloud es una clave API. Haz clic en Elasticsearch en el menú de navegación superior.

Haz clic en el botón Copiar clave API para copiar la clave API.

Ahora, de vuelta en Visual Studio Code, pega la clave API en el archivo .env para reemplazar el texto del marcador de posición . Tu archivo .env debería verse algo así:

Ejecuta la app de ejemplo

Abre una nueva terminal en Visual Studio Code.

Empieza ejecutando el siguiente comando cd en la terminal:

cd elasticsearch-labs/supporting-blog-content/agent-builder-a2a-strands-agents

Ejecuta el siguiente comando para crear un entorno virtual en Python.

python -m venv .venv

Dependiendo del sistema operativo de tu computadora local, ejecuta el siguiente comando para activar el entorno virtual.

MacOS/Linux

source .venv/bin/activate

Windows

.venv\Scripts\activate

La app de ejemplo utiliza Strands Agents SDK, y ahora nos encontramos en el punto de este tutorial en el que debes instalarlo. Ejecuta el siguiente comando para instalar el SDK de Strands Agents junto con todas tus dependencias requeridas de la biblioteca de Python.

pip install -r requirements.txt

Es hora de limpiar la plataforma de lanzamiento y comenzar la cuenta regresiva. Estamos listos para lanzar esta app. Retírate. Vamos a ejecutarla usando el siguiente comando:

python elastic_agent_builder_a2a_rps+.py

Deberías desafiarte con un juego de RPS+. ¡Bien hecho y mucha suerte!

Crea tus apps de IA con contexto relevante

Crear un agente con IA es ahora una habilidad en tu caja de herramientas. Y has visto lo fácil que es usar agentes de Elastic Agent Builder a través de A2A en marcos de trabajo de agentes como Strands Agents SDK. Prueba Elastic para crear agentes de IA conectados al contexto relevante en tus datos personalizados.

Uso de Azure LLM Functions con Elasticsearch para experiencias de consulta más inteligentes

Jonathan Simon,James Williams — Fri, 13 Jun 2025 00:00:00 GMT

Precisión. Cuando importa, importa mucho. Cuando buscas algo específico, la precisión es muy importante. Sin embargo, a veces una consulta demasiado precisa no devuelve resultados, por lo que es ventajoso tener la flexibilidad de ampliar el ámbito de una consulta para encontrar datos adicionales potencialmente relevantes.

En esta entrada de blog se explica el uso de Elasticsearch y Azure Open AI para crear una aplicación de ejemplo que demuestre cómo encontrar resultados exactos al buscar propiedades inmobiliarias muy específicas y, al mismo tiempo, proporcionar resultados relevantes cuando una coincidencia específica no está disponible. Te guiaremos por todos los pasos necesarios para crear un índice de Elasticsearch junto con una plantilla de búsqueda. Luego, expondremos todo el proceso de cómo crear una aplicación que use Azure OpenAI para tomar consultas de usuarios y transformarlas en consultas de plantillas de búsqueda de Elasticsearch que pueden producir resultados increíblemente personalizados.

Aquí hay una lista de todos los recursos que usaremos para crear nuestra aplicación de búsqueda de bienes raíces de ejemplo:

Índice y plantilla de búsqueda de Elasticsearch
Azure OpenAI
Azure Maps API
Codespaces Jupyter Notebook
Núcleo semántico
Aplicación de C# con front-end de Blazor

Flujo de trabajo de consulta inteligente

Este flujo de trabajo combina LLM, herramientas de LLM y búsqueda para transformar las consultas en lenguaje natural en resultados de búsqueda estructurados y relevantes:

LLM (Large Language Model): interpreta consultas complejas de usuarios y organiza herramientas para extraer la intención de búsqueda y enriquecer el contexto.
Herramientas LLM : cada herramienta LLM es un programa de C # que creamos para esta publicación. Hay tres herramientas:
- Herramienta de extracción de parámetros: extrae atributos clave como dormitorios, baños, características y precio de la consulta.
- Herramienta GeoCode: convierte los nombres de ubicación en latitud/longitud para el filtrado espacial.
- Herramienta de búsqueda: completa una plantilla de búsqueda de Elasticsearch con parámetros de consulta y ejecuta una búsqueda. Búsqueda híbrida : ejecuta la búsqueda híbrida (texto completo + vector denso) con inferencia de ML integrada. Este enfoque por capas garantiza experiencias de consulta más inteligentes y sensibles al contexto para el usuario final.

Arquitectura de la aplicación

Este es un diagrama de arquitectura del sistema de la aplicación de ejemplo. Usaremos un bloc de notas de Codespaces Jupyter para interactuar con Elastic Cloud.

Prerrequisitos

Solo necesitarás tu navegador, ya que usaremos GitHub Codespaces para clonar la aplicación de ejemplo, configurarla y ejecutarla. Para la parte de Elastic de la solución, usaremos Elastic Cloud para crear un proyecto de Elasticsearch Serverless. Usaremos Azure Portal para trabajar con recursos de Azure.

Clonación de repositorio de aplicación de ejemplo en Codespaces

Comience clonando el código de la aplicación de ejemplo. Puede hacerlo en GitHub Codespaces, que proporciona una manera de clonar y ejecutar aplicaciones. Haga clic en Nuevo codespace.

A continuación, seleccione el repositorio jwilliams-elastic/msbuild-intelligent-query-demo en la lista desplegable Repositorio y haga clic en Crear codespace.

Crear .env archivo

Usaremos un cuaderno de Python Jupyter para acceder e interactuar con Elastic Cloud y lo hace empleando los valores de configuración que se almacenan en un archivo de configuración. El archivo de configuración del Notebook debe tener el nombre de archivo .env y lo crearás ahora.

En GitHub Codespaces, haga clic en el botón Nuevo archivo y agregue un archivo denominado .env
Agregue el siguiente contenido al .env recién creado archivo

ELASTIC_URL= ELASTIC_API_KEY=

Como puede ver, tenemos un par de valores faltantes, ELASTIC_URL y ELASTIC_API_KEY, que deben agregar al .env archivo. Obtengámoslos ahora creando un proyecto sin servidor de Elasticsearch para que sirva como backend que impulsará la funcionalidad de búsqueda para nuestra aplicación de ejemplo.

Crear un proyecto de Elastic Serverless

Vaya a cloud.elastic.co y haga clic en Crear nuevo proyecto sin servidor
Haz clic en Siguiente para la solución de Elasticsearch
Seleccione Optimizado para vectores
Establezca el proveedor de nube para que sea Azure
Haga clic en Crear proyecto sin servidor
Haga clic en Primeros pasos en el menú de navegación principal y desplazar hacia abajo para copiar los detalles de la conexión
Haga clic en el botón Copiar para copiar el endpoint de Elasticsearch desde los detalles de la conexión
Actualizar .env para establecer el ELASTIC_URL para que sea el endpoint de Elasticsearchcopiado

Crear una clave de API elástica

Abra la página Introducción a Elasticsearch, haga clic en Nuevo en la sección Agregar una clave de API
Ingrese un nombrede clave
Haga clic en Crear clave de API
Haga clic en el botón Copiar para copiar el valor de la clave de API
De vuelta en Codespaces, donde tenemos el .envarchivo abierto para editar, pegue el valor copiado para establecer el ELASTIC_API_KEY

Abra el cuaderno de Codespaces e instale las dependencias de la biblioteca

En el explorador de archivos, seleccione el archivo VectorDBSetup.ipynb para abrir el cuaderno. Después de que se cargue el Notebook, busque la sección del Notebook titulada Instalar bibliotecas. Haga clic en el botón de reproducción de la sección.

Si es la primera vez que ejecuta un cuaderno en GitHub Codespaces, se le pedirá que seleccione un kernel de Codespaces y configure el entorno de Python.

Definición de importaciones y carga de variables de entorno mediante Codespaces Notebook

Vaya a la siguiente sección del Notebook titulada Definir importaciones y cargar variables de entorno. Haga clic en el botón de reproducción de la sección.

Este código importa las bibliotecas de Python usadas por el Notebook y carga las variables de entorno del archivo .env que creaste anteriormente.

Creación de un punto de enlace de inferencia de Elastic ML mediante Codespaces Notebook

Vaya a la siguiente sección del cuaderno titulada Crear punto de conexión de inferencia de ML. Haga clic en el botón de reproducción de la sección.

Esto creará un nuevo punto final de inferencia de ML en el proyecto de Elasticsearch que usaremos para generar incrustaciones de texto a partir de nuestros datos. Las incrustaciones de texto son representaciones vectoriales de texto que se almacenarán en Elasticsearch para potenciar la búsqueda semántica.

Creación de un índice de Elasticsearch con Codespaces Notebook

Ve a la siguiente sección de Notebook titulada Crear índice de Elasticsearch. Haga clic en el botón de reproducción de la sección.

Esto creará el índice de Elasticsearch que almacenará nuestros datos de ejemplo y cualquier dato vectorial asociado generado a través del punto de enlace de inferencia de ML.

Crear una plantilla de búsqueda de Elasticsearch con Codespaces Notebook

Continúe con la siguiente sección de Notebook titulada Plantilla de búsqueda. Haga clic en el botón de reproducción de la sección.

Esto crea una plantilla de búsqueda, que es lo que nuestra aplicación de ejemplo usará como plantilla rellenada con las palabras analizadas de la consulta de búsqueda de un usuario. Esto nos permite configurar y controlar qué tan específicos somos al consultar datos en el índice de Elasticsearch.

Ingesta de datos en el índice de Elasticsearch mediante Codespaces Notebook

Vaya a la siguiente sección del Notebook titulada Ingesta de datos de propiedades. Haga clic en el botón de ejecución de sección.

Al ejecutar esta sección de código, se cargarán de forma masiva los datos de ejemplo contenidos en el archivo properties.jsonl . Luego de un par de minutos, debería ver una confirmación de que el proceso se completó correctamente. Puedes confirmar que el índice contiene el registro esperado yendo a la sección Gestión de índices en Elastic Cloud.

Creación de appsetting.json para configurar la aplicación de C#

Con nuestro índice de Elasticsearch creado y poblado con datos, ahora estamos listos para configurar la aplicación de ejemplo para que funcione con Elastic y Azure Cloud. La aplicación de ejemplo de C# usa un archivo denominado appsettings.json para almacenar y cargar su información de acceso, como claves API. Creará el archivo appsettings.json ahora usando el editor en Codespaces.

1. Cree appsettings.json en la carpeta HomeFinderApp

2. Pegue el siguiente código en el archivo appsettings.json

{ "ElasticSettings": { "Url": "", "ApiKey": "", "IndexName": "properties", "TemplateId": "properties-search-template" }, "AzureOpenAISettings": { "Endpoint": "", "ApiKey": "", "DeploymentName": "gpt-4o" }, "AzureMapsSettings": { "Url": "https://atlas.microsoft.com/geocode", "ApiKey": "" }, "Logging": { "LogLevel": { "Default": "Information", "Microsoft.AspNetCore": "Warning" } }, "AllowedHosts": "*" }

3. Busca los valores de Url y ApiKey en la sección ElasticSettings . Establézcalos para que sean los mismos valores que estableció en el archivo .env en un paso anterior.

Creación del servicio Azure OpenAI

Nuestra aplicación de ejemplo usará Azure OpenAI para analizar la consulta del usuario de la aplicación y, a continuación, enviará una solicitud a Elasticsearch rellenando la plantilla de búsqueda para intentar comunicar de forma flexible lo que busca el usuario.

Abra una nueva pestaña del navegador y vaya a AI Foundry | Azure OpenAI en Azure Portal. Haga clic en +Crear
En el formulario de creación, elija un grupo de recursos.
Ingrese un nombre
Elija un plan de tarifa
Haga clic en Siguiente
En la pestaña Red , haga clic en Siguiente
En la pestaña Etiquetas , haga clic en Siguiente
En la pestaña Revisar y enviar , haga clic en Crear
Una vez completada la creación, haga clic en Ir al recurso
Seleccione Claves y punto de conexión en el menú de navegación izquierdo
Copie el punto de conexión y péguelo en el archivo appsettings.json que creó en la pestaña del navegador que tiene abierto el editor de Codespaces.
A continuación, vuelva a la pestaña del explorador que contiene la clave de Azure OpenAI y la página del punto de conexión. Haga clic en el botón de copia de la clave 1 y pegue el valor copiado en el archivo appsettings.json , de nuevo en la pestaña del navegador que tiene abierto el editor de Codespaces.

Adición de la implementación del modelo gpt-4o al servicio Azure Open AI

Genial, ahora tenemos un servicio Azure OpenAI en ejecución, pero aún necesita una implementación de modelo para brindarnos las funcionalidades de LLM que requiere nuestra aplicación de ejemplo. Hay un montón de modelos para elegir. Implementemos gpt-4o ya que ya está especificado en el archivo appsettings.json que creó.

Vaya a Azure AI Foundry y haga clic en Crear una implementación
Busque gpt-4o y selecciónelo de los resultados
Haga clic en Confirmar para seleccionarlo
Haga clic en Implementar para implementar el modelo

Una vez que implementó correctamente el modelo gpt-4o, puede seleccionar Implementaciones en el menú de navegación izquierdo y confirmar que la implementación de gpt-4o aparece con un estado correcto.

Creación de una cuenta de Azure Maps

Queremos que los usuarios de nuestra aplicación de ejemplo puedan buscar propiedades inmobiliarias en áreas específicas, pero sin tener que ser demasiado específicos. Si alguien quiere buscar una propiedad cerca del mercado de agricultores local, Azure Maps es un servicio que OpenAI LLM puede usar para obtener coordenadas de latitud y longitud para el mercado. Luego, las coordenadas se pueden incluir en las solicitudes basadas en plantillas de búsqueda enviadas a Elasticsearch para consultas de usuarios que incluyen ubicaciones específicas y consideraciones de distancia geográfica.

Haga clic en Crear en cuentas de Azure Maps
Seleccionar un grupo de recursos
Ingrese un nombre
Aceptar la declaración de licencia y privacidad
Haz clic en Revisar y crear
Haga clic en Crear
Una vez completada la creación de la cuenta, haga clic en Ir al recurso
Haga clic en Autenticación en el menú de navegación izquierdo
Copie el valor de la clave principal y péguelo para que sea el valor de ApiKey en la sección AzureMapsSettings del archivo appsettings.json , de nuevo en la pestaña del explorador que contiene el editor de Codespaces

Prueba la aplicación de ejemplo

Ahora viene la parte divertida. Es hora de ejecutar la aplicación de ejemplo. Tenemos todos los detalles de configuración en su lugar junto con los recursos de Elastic Cloud y Azure Cloud que necesitamos para impulsar la aplicación.

1. Abra una ventana de Terminal en el editor de Codespaces.

2. Emplee el siguiente comando para cambiar el directorio activo para que sea la carpeta de la aplicación de ejemplo.

cd HomeFinderApp

3. Use el siguiente comando dotnet para ejecutar la aplicación.

dotnet run

4. Haga clic en el botón Abrir en el navegador cuando aparezca.

5. Pruebe la búsqueda predeterminada y luego pruebe algunas de sus propias búsquedas personalizadas. Si desea ver más detalles sobre lo que se realiza en el backend para generar los resultados de búsqueda, puede hacer clic en el enlace Mostrar junto a Invocaciones de herramientas.

Sobresueldo: Si realmente desea probar GPT-4o, intente la siguiente búsqueda: Estoy buscando una propiedad cerca de disney world fl con 30+ habitaciones y 20+ baños y una piscina y garaje y cerca de la playa por menos de 200K. Esta consulta devolverá resultados luego de varias invocaciones de herramientas de búsqueda.

Elastic es tu solución para la IA de búsqueda

La aplicación en ejecución es un ejemplo de búsqueda guiada de Gen AI LLM empleando Elasticsearch a través de plantillas de búsqueda como fuente de datos de base. Sentir libre de experimentar y personalizar la aplicación de ejemplo para crear una experiencia de búsqueda que sea precisa pero flexible, para ayudar a sus usuarios a encontrar lo que buscan.

Gracias por leer. Prueba Elastic Cloud .