.jpg)
En l'ecosistema actual d'intel·ligència artificial empresarial, la gestió d'agents amb centenars d'eines i habilitats s'ha convertit en un desafiament crític. Quan un sistema ha d'orquestrar tasques complexes com descarregar conjunts de dades, transformar-los i generar informes visuals, la clau no està només a tenir un catàleg ampli de capacitats, sinó a saber com descompondre el problema en passos atòmics i triar l'eina adequada per a cadascun. Investigadors d'Alibaba han presentat SkillWeaver, un framework que aborda aquesta qüestió mitjançant la creació d'un graf d'execució i un nou bucle de retroalimentació anomenat Skill-Aware Decomposition (SAD). Aquest enfocament compositiu permet que un agent d'IA pugui recuperar i avaluar candidats d'eines de manera iterativa, en lloc de seleccionar-los en un sol pas. Els resultats experimentals mostren que aquesta tècnica redueix el consum de tokens en més d'un 99% respecte a exposar tot el catàleg d'eines al model, cosa que es tradueix en menors costos d'API i temps de resposta més ràpids. Per a les empreses que busquen implementar IA per a empreses de manera eficient, entendre la granularitat de la descomposició de tasques es converteix en el coll d'ampolla principal per a un encaminament precís d'habilitats.
SkillWeaver s'estructura en tres fases: descomposició, recuperació i composició. En la primera, un model de llenguatge actua com a descomponedor, dividint la consulta de l'usuari en subtasques que requereixen una única habilitat. Després, mitjançant un model d'embeddings, es compara cada subtasca contra una biblioteca d'habilitats per obtenir una llista curta de candidats. Finalment, un planificador avalua la compatibilitat entre les eines seleccionades i genera un graf acíclic dirigit (DAG) que permet executar tasques independents en paral·lel. El bucle de retroalimentació SAD millora la precisió de la descomposició: quan el model genera descripcions genèriques, el sistema recupera habilitats similars i les injecta com a pistes perquè el LLM ajusti el seu vocabulari tècnic. Aquesta capacitat d'alinear el llenguatge de l'agent amb el de les eines reals és especialment rellevant en entorns on es manegen desenes de milers de skills, com passa en els ecosistemes d'agents d'IA que integren protocols com Model Context Protocol (MCP).
Els experiments sobre el benchmark CompSkillBench, que inclou 300 consultes de múltiples passos i més de 2.200 habilitats reals, revelen que els models grans sense guia tendeixen a sobre-descompondre les tasques, mentre que el bucle SAD els ancla a la realitat. La precisió en la descomposició va saltar del 51% al 67,7% amb un model de 7 mil milions de paràmetres, i va assolir el 92% amb un model més gran. A més, l'enfocament de recuperació selectiva consumeix només 1.160 tokens per consulta enfront dels 884.000 del mètode directe, una reducció del 99,9%. Això demostra que l'optimització de l'encaminament d'habilitats pot ser més impactant que pagar per un model més gran. Per a les companyies que necessiten aplicacions a mida amb capacitats d'IA, integrar aquest tipus de patrons de descomposició i recuperació és fonamental per escalar sense disparar els costos.
Des d'una perspectiva pràctica, implementar un sistema similar al de SkillWeaver no requereix infraestructures exòtiques. Els investigadors van compartir les plantilles de prompts i van utilitzar eines de codi obert com el model d'embeddings all-MiniLM-L6-v2 i un índex FAISS. La indexació de tota la biblioteca d'habilitats va trigar només 15 segons, i la latència de recuperació és inferior a 15 mil·lisegons. No obstant això, per assolir un rendiment òptim en producció, és aconsellable afegir un reranker secundari (com un cross-encoder) que millori la precisió del primer lloc, que actualment ronda el 37%. A més, el framework actual no disposa de mecanismes de recuperació davant errors; quan una crida API falla enmig d'una cadena de múltiples passos, tot el flux s'atura. Per això, en desplegaments reals és necessari construir capes de reintents i fallbacks.
En Q2BSTUDIO, entenem que la intel·ligència artificial aplicada a processos empresarials requereix anar més enllà de la simple integració de models. El nostre equip desenvolupa programari a mida que incorpora aquests patrons d'encaminament compositiu, permetent a les organitzacions automatitzar fluxos de treball complexos amb un consum eficient de recursos. Per exemple, combinem serveis cloud AWS i Azure per allotjar índexs vectorials i models de llenguatge, i apliquem serveis d'intel·ligència de negoci amb Power BI per visualitzar els resultats d'aquests processos automatitzats. A més, les nostres solucions de ciberseguretat garanteixen que la comunicació entre agents i eines es mantingui segura, especialment quan es manegen dades sensibles. Si la seva empresa necessita implementar agents d'IA capaços d'orquestrar múltiples habilitats sense disparar costos, l'invitem a explorar com podem adaptar aquestes arquitectures al seu context.
Per aprofundir en com aplicar aquests conceptes en entorns reals, li recomanem consultar la nostra pàgina sobre IA per a empreses, on detallem com dissenyem sistemes d'encaminament intel·ligent. Així mateix, si està interessat a desenvolupar aplicacions que integrin aquest tipus de lògica compositiva, pot informar-se sobre les nostres capacitats de programari a mida, on combinem innovació amb eficiència operativa.
