Agente Python simple

solicitudes de importación importar antrópico cliente = antrópico.Antrópico() def búsqueda (consulta: str, plataforma: str = "google") -> dict: solicitudes de devolución.post( "https://api.Scavio.dev/api/v1/search", encabezados = {"x-api-key": "TU_LLAVE"}, json={"consulta": consulta, "plataforma": plataforma}, ).json() herramientas = [{"name": "search", "description": "Buscar en la web", "input_schema": {"type": "object", "properties": {"query": {"type": "string"}, "platform": {"type": "string"}}}}]

Agente Python simple es relevante para Google, Amazon, YouTube, TikTok, Reddit. Scavio proporciona una API unificada para acceder a datos de todas estas plataformas.

El patrón simple del agente Python surgió como un contramovimiento a la complejidad del marco en 2025-2026. A medida que LangChain, CrewAI y AutoGen crecieron en capas de abstracción, los desarrolladores que crean agentes de producción optaron cada vez más por escribir código Python directo. Arquitectura: (1) Cliente LLM: llamadas HTTP directas a las API Anthropic u OpenAI utilizando la biblioteca de solicitudes o SDK oficiales ligeros. (2) Definiciones de herramientas: funciones de Python que llaman a API externas y devuelven resultados estructurados. (3) Bucle de envío: un bucle while que envía mensajes al LLM, verifica las llamadas a herramientas en la respuesta, las ejecuta y agrega los resultados. (4) Gestión de estado: una lista de mensajes (historial de conversaciones) pasados ​​a cada llamada de LLM. El tiempo de ejecución completo del agente suele ser de 50 a 150 líneas de Python. Compárese con los agentes de LangChain que importan más de 50 paquetes y utilizan múltiples capas de abstracción (cadenas, herramientas, agentes, memoria, devoluciones de llamadas). Ventajas en producción: (1) Depuración: cuando falla una llamada a una herramienta, el seguimiento de la pila muestra su código, no las partes internas del marco. (2) Dependencias: solicitudes de instalación de pip antrópicas (2 paquetes) frente a pip install langchain langchain-community langchain-core (más de 50 paquetes transitivos). (3) Rendimiento: sin sobrecarga de serialización ni sobrecarga de ejecución en cadena. Las llamadas API directas son entre 10 y 30 ms más rápidas por llamada a herramienta. (4) Capacidad de actualización: cuando Anthropic u OpenAI cambian su API, usted actualiza una función. Los usuarios del marco esperan a que se actualice el marco. Ejemplo de integración de herramientas con Scavio: una función de Python que toma una cadena de consulta, llama a api.Scavio.dev/api/v1/search con request.post y devuelve la respuesta JSON. Código total: 8 líneas. Sin clases contenedoras, sin decoradores, sin generación de esquemas.