Presentamos Kasal

Los sistemas de AI agéntica están siendo adoptados por un número creciente de organizaciones. Aumentan la productividad y liberan a las personas de tareas repetitivas. A medida que estos sistemas continúan madurando y pasando a producción, las empresas obtendrán un valor tremendo de su capacidad para operar de manera autónoma y tomar mejores decisiones en nuestro nombre.

Sin embargo, a medida que crece la adopción de la AI agéntica, surgen nuevos desafíos. Uno de ellos es la escasez de talento calificado. Construir y gestionar sistemas agénticos eficaces requiere una profunda experiencia técnica, y la demanda de ingenieros de AI experimentados está aumentando rápidamente. Otro desafío es que para los expertos resulta cada vez más difícil mantenerse al día con la constante evolución de las tecnologías, frameworks y herramientas en este campo.

Kasal se creó para abordar estos desafíos. Es una plataforma impulsada por agentes que permite a usuarios de diferentes niveles de habilidad diseñar, desarrollar e implementar sistemas de AI agéntica eficaces a través de una interfaz visual intuitiva. Los no expertos pueden utilizar la UI intuitiva de Kasal para crear sistemas de AI agéntica sofisticados y adaptados a sus necesidades específicas. Los expertos pueden usar Kasal para comenzar rápidamente y luego exportar sus agentes a código para una personalización y desarrollo más profundos.

El objetivo de Kasal es democratizar la AI agéntica tanto para expertos como para no expertos dentro de entornos empresariales.

¿Qué es Kasal?

Kasal es un framework centrado en la UI para diseñar, ejecutar y observar flujos de trabajo de agente único y multiagente. En lugar de escribir manualmente código de orquestación complejo, puede arrastrar y soltar agentes en un lienzo visual o simplemente describir lo que desea a través de un asistente conversacional. Kasal creará automáticamente el flujo de trabajo por usted. Luego puede conectar herramientas, ejecutar agentes y observar su comportamiento en tiempo real. Detrás de escena, Kasal utiliza CrewAI, un framework de Python de código abierto para crear y orquestar agentes de AI, pero lo envuelve en una capa de aplicación compatible con Databricks que gestiona la autenticación, la implementación y el monitoreo. Esto significa que el mismo flujo que diseña visualmente se puede llevar a producción con el mínimo esfuerzo. El flujo generado también se puede exportar como código, lo que permite a los ingenieros de AI refinarlo o extenderlo aún más según sea necesario.

">

Por qué es importante Kasal

Kasal ofrece tres capacidades principales: un diseñador visual de flujos de trabajo impulsado por agentes, una integración profunda con Databricks y un conjunto de herramientas extensible que incluye servidores MCP, Genie, APIs personalizadas y conectores de datos.

• La orquestación visual hace que los agentes, las transferencias y la lógica de ramificación sean claros y tangibles, lo que facilita su revisión con personas que no son desarrolladores y su posterior auditoría. Además, los agentes integrados en Kasal comprenden la intención del usuario al definir qué tipo de agente desea crear y proponen un diseño optimizado que se alinea con las mejores prácticas de la industria.
• Nativo de Databricks: Kasal se puede instalar como una Databricks App o acceder a ella a través del Marketplace, lo que permite a los usuarios heredar la autenticación y la gobernanza del espacio de trabajo en lugar de gestionar las suyas propias. Además, los flujos generados por Kasal aprovechan de forma nativa las características de Databricks, lo que los hace listos para la empresa y de nivel de producción desde el principio. Estos incluyen MLflow para rastreo y seguimiento, AI Search para memoria, Databricks Apps para servicio, Lakebase para registro de transacciones, autenticación en nombre del usuario (on-behalf-of-user) y más.
• Extensibilidad: Kasal ofrece soporte de primer nivel para servidores MCP, espacios de Genie, Agent Bricks, así como APIs personalizadas y conectores de datos. También puede exportar el flujo como un notebook, proporcionando total transparencia en su lógica interna y permitiendo a los ingenieros de AI extender y refinar la solución más allá de la versión inicial con total flexibilidad.

La observabilidad en vivo de Kasal proporciona un monitoreo de doble capa para los flujos de trabajo de AI multiagente. A través del frontend de Kasal, los usuarios de negocios pueden ver líneas de tiempo de ejecución que rastrean el estado del flujo de trabajo, las interacciones de los agentes y el progreso de las tareas. Al mismo tiempo, la integración del rastreo de MLflow permite a los ingenieros de AI depurar el rendimiento del modelo, las llamadas de LLM y los comportamientos de los agentes. Cuando se implementa en Databricks Apps, Kasal utiliza la autenticación OBO de Databricks para el aislamiento de usuarios y la persistencia de SQLite o Lakebase lista para producción para operaciones agénticas transparentes.

Primeros pasos con Kasal

El recorrido típico de un usuario comienza indicándole a Kasal (mediante un prompt) la especificación del agente que desea crear. Por ejemplo, podría preguntar: “Crea un plan que genere una presentación de ventas (pitch deck) para que nuestros representantes de ventas vendan nuestros diferentes productos adaptados a los clientes”. Luego, Kasal generará un plan estructurado, a menudo jerárquico, utilizando sus prompts y modelos de lenguaje grande (LLM).

En este ejemplo, si el plan está en modo secuencial, los agentes se ejecutarán uno tras otro en un orden establecido. Sin embargo, si el plan está en un modo jerárquico, incluirá un agente administrador y varios subagentes, cada uno responsable de tareas específicas: por ejemplo, uno que recupera y analiza datos de clientes, otro que recupera datos de productos, uno que combina ambos para diseñar una narrativa para la presentación y otro que genera una presentación que refleja la información detallada y la narrativa.

Luego puede ejecutar el plan para generar una presentación de producto para un cliente específico. Si desea modificar el flujo de trabajo, como experimentar con diferentes modelos o herramientas, esto se puede hacer fácilmente a través de la interfaz de usuario de Kasal.

Si cree que el plan que creó en Kasal podría ser valioso para otros, puede registrarlo en el catálogo de Kasal, haciéndolo disponible para su reutilización y prompts en futuras sesiones. Si desea industrializar el plan fuera de Kasal, puede exportar su código y construir un pipeline de producción a su alrededor. Tiene total flexibilidad para extender e integrar el plan en la arquitectura de su solución más amplia.

Qué puede crear con Kasal

Ya estamos viendo a los usuarios crear una amplia gama de agentes y sistemas de AI multiagente con Kasal. A continuación se presentan algunos ejemplos:

• Pipelines de análisis de datos: agentes que consultan, analizan y visualizan datos
• Sistemas de generación de contenido: agentes colaborativos para investigación, redacción y creación de contenido
• Automatización de procesos de negocio: flujos de trabajo inteligentes que se adaptan y toman decisiones
• Investigación y desarrollo: agentes que recopilan, sintetizan y presentan información relevante.

Hoy en día, existen dos caminos sencillos para comenzar con Kasal:

• Instalar desde el Marketplace directamente en su espacio de trabajo de Databricks (recomendado): una configuración de un solo clic que agrega Kasal como una Databricks App. Este enfoque le permite aprovechar la interfaz administrada, la gobernanza integrada y las actualizaciones automáticas. Consulte más detalles aquí.
• Implementar desde el código fuente: clone el repositorio de GitHub de Databricks Labs y ejecute el script de implementación proporcionado. Esta opción es ideal si desea personalizar o extender Kasal para adaptarlo a sus necesidades específicas.
• Vea la serie de Kasal para conocer nuevas características y anuncios.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original