La búsqueda web que heredó tu agente no es lo suficientemente buena

Un agente que necesita el mundo exterior

Un ingeniero de una empresa de software está creando un agente para mantener actualizada la visión del mercado de la empresa. Monitorea unos cientos de miles de clientes potenciales y cuentas de clientes en busca de señales de que una cuenta está abierta a la interacción: una nueva ronda de financiación, un cambio de liderazgo, el lanzamiento de un producto o un aumento en las contrataciones que indique presupuesto.

Los registros de las cuentas ya residen en Databricks, en tablas Delta gobernadas por Unity Catalog y combinadas con los datos de uso y del pipeline de la propia empresa. Pero las señales que mueven una cuenta están fuera de la empresa, en la web. El trabajo del agente consiste en combinar ambas cosas, de forma continua, en una imagen coherente y actualizada al minuto de cada cuenta, para poder indicarle a un vendedor a qué pequeño grupo llamar esta semana.

Versión 1.0: un caos funcional

La primera versión no es un único sistema. Es la misma lógica de enriquecimiento, reconstruida desde cero tres veces distintas, una en cada herramienta que el ingeniero tenía a mano. La primera pasada se ejecuta en Claude Code, donde las partes del agente (decidir qué cuentas necesitan una nueva revisión, encadenar búsquedas, escribir el resumen) representan la mayor parte del trabajo. Cuando un colega menciona que Codex gestiona un determinado tipo de scripting por lotes más rápido, el ingeniero migra el bucle de enriquecimiento para comprobarlo. Una tercera copia omite por completo el harness y llama a un modelo directamente a través de la API, para una tarea nocturna ligera que solo necesita un único prompt y una respuesta, sin necesidad de orquestación de herramientas. El mismo trabajo, tres versiones, cada una adaptada a la herramienta que mejor encajaba en ese momento.

Cada harness incluye sus propias herramientas y su propia búsqueda web y las conecta a su manera, por lo que el ingeniero crea la misma lógica de enriquecimiento tres veces, una en el formato de configuración de cada harness. Ahí se va el día. En lugar de mejorar cómo se enriquecen las cuentas, el ingeniero está aprendiendo cómo quiere Claude Code que se declaren sus herramientas, por qué el mismo servidor MCP se conecta de forma diferente en Codex y qué le falta a la ruta de la API directa que las otras dos ofrecían de forma nativa.

Las herramientas no son equivalentes, por lo que los resultados tampoco lo son. La búsqueda web integrada en un harness devuelve datos diferentes a los del siguiente. Una fuente accesible en uno se pasa por alto en otro. Las herramientas de búsqueda web integradas para LLM pueden encontrar información de alto nivel, como rondas de financiación y cambios de liderazgo, pero pasan por alto detalles granulares como los cambios en la pila tecnológica. El acceso a la información en línea es la razón de ser de este agente, pero ahora su calidad depende de una búsqueda web que no puede mostrar de manera confiable los detalles clave en la web.

Y no hay nada por encima de ellos tres. No hay un medidor compartido, por lo que nadie puede ver ni limitar el costo de un ciclo en unos cientos de miles de cuentas. No hay un conjunto de reglas compartido, por lo que las fuentes que un agente puede leer y el momento en que un humano da su aprobación se definen de tres maneras distintas o directamente no se definen. No hay un registro compartido, por lo que cuando un resultado es incorrecto, no hay ningún lugar donde reconstruir lo que el agente leyó, gastó o decidió.

En cierta manera funciona, ya que produce un resultado. Y esa es exactamente la razón por la que nunca se soluciona. Funciona lo suficientemente bien como para conservarlo, pero no lo suficiente como para confiar plenamente en él.

Omnigent: una definición, cualquier harness

Omnigent es la capa que controla la dispersión. Se sitúa por encima de los harnesses individuales, de modo que el ingeniero define el agente una sola vez, así como el modelo en el que se ejecuta, las herramientas a las que puede acceder y las políticas y límites dentro de los cuales opera. Las tres reconstrucciones se reducen a una sola definición, y la atención del ingeniero vuelve al enriquecimiento de cuentas. Las herramientas dejan de ser las que venían integradas en cada harness y pasan a ser declaraciones en el agente, que se configuran una vez y se intercambian libremente. Al ejecutarse en un modelo alojado en Databricks, las llamadas al modelo se enrutan a través de las Foundation Model APIs, donde cada llamada se registra para fines de costo, auditoría y gobernanza en un solo lugar, en vez de estar dispersas en tres runtimes. And cuando el modelo o los costos cambian, el ingeniero modifica una sola línea, eligiendo un nuevo modelo o pasando a uno más económico sin interrupciones.

Eso soluciona la mayor parte de la dispersión, pero deja un elemento crítico decidido por defecto en lugar de por diseño. La búsqueda web es una de las capacidades principales que incluye cada harness, y no hay dos que incluyan la misma. La misma consulta ofrece un resultado a través de Claude Code y otro a través de Codex. Omnigent le ofrece la capacidad de definir una opción consistente para cada tarea, pero no toma la decisión por usted. Debe asignar una capacidad de búsqueda de un socio. Con un socio como Nimble, puede colocar en ese espacio algo que se adapte a la tarea y ofrecer a cada harness subyacente la misma lectura experta.

Nimble: ocupando el espacio de búsqueda

La Search API de Nimble puede fundamentar las respuestas en datos web actualizados y en tiempo real a través de búsquedas en vivo. Para tareas de investigación profunda, los Web Search Agents de Nimble automatizan la búsqueda web y la orquestación de la extracción para completar su tarea, trabajando con múltiples fuentes, contrastándolas y devolviendo una respuesta con las citas que respaldan cada afirmación, un registro de auditoría que la ruta general nunca podría generar.

Mientras que las herramientas de búsqueda web generales tratan todos los casos de uso de la misma manera, Nimble se especializa en el caso de uso específico del agente, aprende de forma autónoma los mejores métodos de recuperación y adapta la búsqueda y el rastreo web para profundizar en el dominio y capturar datos que las herramientas de búsqueda genéricas pasan por alto. Accede a los datos detrás de JavaScript, los filtros y la paginación con los que un rastreador común se daría por vencido. Y como recuerda la mejor manera de recuperar los datos relevantes, reutiliza las rutas de recuperación de datos en lugar de volver a descubrir todo desde cero para reducir los costos de tokens. Al designarlo como proveedor en la configuración, este es el camino rápido hacia un contexto web más completo para sus agentes.

En las pruebas de Nimble, agregar la búsqueda web de Nimble aumentó la precisión de referencia (benchmark) de los LLM del 46 por ciento al 71 por ciento, al tiempo que redujo a la mitad los costos de búsqueda web (costos de búsqueda web de Claude frente a Nimble). Los Web Search Agents se pueden dirigir a un dominio y mantenerse allí, de modo que recuerden qué fuentes y qué rutas de recuperación produjeron los datos correctos y los reutilicen la próxima vez. Se vuelven más precisos cuanto más tiempo trabajan en un dominio, y el costo de volver a descubrir dónde se encuentra una señal disminuye en las cuentas con las que más se ejecutan.

Versión 2.0: creado una sola vez, en Databricks y Nimble

Volviendo al ingeniero, el agente ahora está en camino de convertirse en un todo coherente, manejable y confiable. El agente se define una vez en Omnigent, en un modelo alojado en Databricks, con sus herramientas, políticas y límites en una sola especificación. Las tres reconstrucciones han desaparecido. También el costo de la integración técnica; el ingeniero vuelve a centrarse en el enriquecimiento, no en cómo quiere cada harness que se declaren sus herramientas.

La búsqueda web es ahora una sola decisión en lugar de tres. Al designar a Nimble en la función integrada web_search, se dirige cada harness subyacente a la misma Nimble Search API para una búsqueda web rápida y eficiente:

Para las cuentas que necesitan una respuesta justificable en lugar de datos web sin procesar, Omnigent puede recurrir a los Web Search Agents de Nimble, que automatizan la búsqueda y extracción web para investigación, enriquecimiento o creación de conjuntos de datos (datasets).

La clave proviene de una cuenta de Nimble, que puede comenzar de forma gratuita.

El control ahora tiene un único hogar. Las llamadas al modelo se enrutan a través de las Foundation Model APIs bajo gobernanza, el costo es visible y está limitado en un solo lugar, y lo que el agente lee, gasta y decide se registra de manera consistente en una única superficie de gobernanza.

Y las dos mitades de la imagen finalmente se unen. El registro interno en Databricks y la señal externa de Nimble, en un solo lugar, gobernados y leídos por un solo agente. La versión 1.0 consistía en tres harnesses y ningún punto de vista unificado. Este es un solo agente, fundamentado en lo que la empresa sabe y lo que la web puede decirle, ejecutándose donde ya se encuentran los datos. Consistente donde antes solía desviarse, profundo donde antes solía ser superficial, y con una gobernanza total sobre la recuperación del contexto web externo.

Pruébelo hoy mismo

Poner esto en marcha requiere dos pasos.

Conecte Omnigent a Databricks. Databricks ejecuta el servidor de Omnigent por usted. En su propia máquina, instale la CLI con la integración de Databricks y registre la máquina como host:

Luego, inicie sesión con la identidad de su espacio de trabajo y ejecute su primer agente en un modelo alojado en Databricks. Omnigent en Databricks es el lugar para comenzar; cubre la configuración administrada de extremo a extremo y vincula los pasos de la CLI. Dos requisitos previos que debe verificar primero: la versión Beta de Omnigent debe estar habilitada para su espacio de trabajo y el espacio de trabajo debe estar en una región que admita Unity AI Gateway. Para otros métodos de instalación y requisitos, la referencia de instalación completa los contiene.

Sus agentes se ejecutan en el servidor administrado, por lo que las mismas sesiones lo acompañan en cada superficie:

• la terminal, donde lo instalaste
• la aplicación de escritorio, una ventana nativa con notificaciones y un indicador en el dock para los agentes que esperan por ti
• móvil, aplicaciones nativas para iOS y Android, o la interfaz de usuario web en cualquier navegador móvil, ingresando la URL de tu espacio de trabajo

Dirige la búsqueda a Nimble. Nombra a Nimble en la función integrada web_search, el cambio de una sola línea de antes, y cada agente alojado en Databricks basará sus respuestas en él. Para un trabajo justificable y auditable, recurre al pase de investigación. La documentación del conector de Nimble cubre ambos. Necesitarás una clave de Nimble; inicia una prueba gratuita para obtener una.

El registro interno ya es tuyo. Esto es lo que se necesita para permitir que tus agentes razonen sobre el resto de la web, con la misma plataforma albergando ambas partes.

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