🧑‍⚖️ Asistente Legal Multi-Agente — extremadamente rápido RAG. Impulsado por CrewAI, esta demostración consulta más de 50M de vectores en <30ms utilizando Cuantización Binaria para ofrecer respuestas legales citadas. Construido por @akshay_pachaar.

¡Estamos emocionados de dar la bienvenida a @joaomdmoura, CEO de @crewAIInc, a ODSC West 2025! 🤖🚀 Si quieres entender cómo se combinan los agentes de IA, el ML escalable y la ingeniería del mundo real, la perspectiva de Joe es una que no querrás perderte. Regístrate ahora →

acabo de publicar un cuaderno de Jupyter conciso y paso a paso que muestra cómo construir un LLM personalizado para @crewAIInc que llama a la API de Mensajes de @AnthropicAI e implementa el almacenamiento en caché de prompts. bueno, ¿qué es el almacenamiento en caché de prompts y cuándo deberías usarlo en tu equipo? es una forma de almacenar en caché la parte larga y repetida de tu prompt (generalmente el contexto del sistema) entre llamadas a la API. lo envías una vez, luego las llamadas subsiguientes lo reutilizan; reduciendo el costo de entrada en un ~90% y acelerando el tiempo hasta el primer token en un ~85% para prompts largos, siempre que el contenido del sistema + modelo + encabezados permanezcan iguales y estés dentro del TTL (5m por defecto, 1h en beta). esto funciona muy bien para equipos conversadores y de múltiples turnos. también es útil cada vez que tu equipo reutiliza un contexto del sistema largo y estable a través de tareas (piensa: manual, especificación, resumen de código). si tu sistema/contexto cambia en cada llamada, el almacenamiento en caché no ayudará mucho. el libro de cocina utiliza “Frankenstein” de Project Gutenberg para demostrar el almacenamiento en caché con un contexto real y largo. diagrama a continuación: la primera ejecución escribe en la caché; las ejecuciones subsiguientes leen de la caché cuando el contenido del sistema, modelo y encabezados coinciden dentro del TTL. repositorio + cuaderno en los comentarios.

🧠 De idea → flujo de trabajo de agente desplegado. No se requiere código. Acabamos de lanzar un recorrido completo de CrewAI Studio — nuestra nueva plataforma que te permite construir, ejecutar y desplegar automatizaciones multi-agente directamente desde lenguaje natural. 💬 ¿Quieres escribir “Construir un agente que encuentre casas por debajo de $1M y me envíe un informe”? El Studio hará: ✅ Analizar el aviso ✅ Crear los agentes + herramientas adecuadas (por ejemplo, Serper, Gmail) ✅ Generar automáticamente todo el flujo de Crew — en vivo en el editor visual 🎯 En la demostración, construimos un asistente de investigación inmobiliaria que: • Busca listados por ciudad + precio • Compila un informe HTML inteligente • Envía los resultados al usuario • Todo con solo una entrada de una línea ⚙️ También puedes construir manualmente: • Arrastrar y soltar agentes, tareas, herramientas • Configurar LLMs, agregar memoria, activar razonamiento • Profunda observabilidad y seguimiento de ejecución en vivo ¿Una vez que hayas terminado? Presiona "Publicar" y despliega como: → Punto final de API → Componente React embebido → Aplicación de chat personalizada → Servidor MCP (stdio)

¡Actualmente estamos ejecutando nuestro nuevo @crewAIInc Studio en beta, pero pronto estará disponible para todos! Hasta ahora, ha sido asombroso ver la reacción de la gente cuando lo ven en acción por primera vez. He grabado un breve recorrido de adelanto sobre cómo codificar un agente a través de nuestra plataforma y hacerlo funcionar sin escribir una sola línea de código, todo en unos pocos minutos.

La velocidad para obtener valor y la velocidad de iteración marcan una gran diferencia en los Agentes de IA hoy en día. Las empresas que experimentan más rápido obtienen más ideas, las que iteran más rápido llegan al valor y a la fiabilidad más rápido. Este es el patrón que vemos en todas las empresas que están triunfando utilizando CrewAI!

🧾 Inteligencia regulatoria, impulsada por agentes. @tonykipkemboi acaba de publicar un tutorial paso a paso que muestra cómo construir un sistema multiagente que: ✅ Supervisa los cambios normativos ✅ Analiza >320k presentaciones ante la SEC ✅ Genera un informe de impacto pulido 🧠 CrewAI orquesta a los agentes ❄️ @Snowflake MCP desbloquea datos reales de la SEC 🔍 @serperapi maneja la búsqueda web + información Creado para equipos de fintech, cumplimiento y gestión de activos que necesitan automatización con contexto y precisión. 📦 Código completo + tutorial en 🧵

¡Mira esto! 🤝 @crewAIInc @googledevs

Barandillas del agente de IA.

Una campaña completa de Google Ads, desde la investigación hasta los recursos y los anuncios, creada y publicada con dos equipos de CrewAI en solo 10 minutos. 🎬 @crewAIInc @joaomdmoura @adsliaison 🎥👇 #AgenticAI #AIAgent #crewai