Sistema de investigación autónomo basado en agentes inteligentes coordinados con LangGraph, FastAPI y Google Gemini.
El sistema orquesta tres agentes especializados que colaboran de manera secuencial para recopilar información, analizar tendencias y generar un reporte completo en Markdown/PDF.
El proyecto funciona con una arquitectura cliente-servidor:
| Componente | Tecnología | Dirección / Puerto por Defecto | Descripción |
|---|---|---|---|
| Backend API | FastAPI + Uvicorn + LangGraph | http://localhost:8000 |
Endpoints REST y streaming SSE para transmisión en tiempo real. |
| Frontend Web | Vanilla HTML / CSS / JS | http://localhost:3000 / 5500 o index.html |
Interfaz web para visualizar el flujo del grafo y el reporte generado. |
- Framework de Agentes: LangGraph (máquina de estados).
- Modelo de IA: Google Gemini (
gemini-2.5-flash) mediante LangChain. - Backend: FastAPI con Server-Sent Events (SSE).
- Frontend: HTML5, CSS3 y JavaScript con visualización interactiva del grafo y exportación a PDF/Markdown.
- Agente Investigador (
agente_investigador): Realiza búsquedas de información, fuentes y recopila imágenes web sobre el tema solicitado (vía Tavily Search API o simulador inteligente con Gemini). - Agente Analista (
agente_analista): Valida la consistencia de los datos recopilados, estima el sentimiento del mercado (positivo/negativo/neutro) y extrae las métricas clave. - Agente Redactor (
agente_redactor): Toma la información agregada, el análisis y las imágenes para redactar un reporte completo estructurado en Markdown listo para descargar en PDF o .md.
- Python 3.10 o superior instalado.
- Una clave de API de Google Gemini (puedes obtenerla gratis en Google AI Studio).
- (Opcional) Clave de API de Tavily Search para búsquedas web en vivo.
Navega a la carpeta del backend e instala los requerimientos (se recomienda usar un entorno virtual):
# Navegar a la carpeta backend
cd backend
# (Opcional pero recomendado) Crear y activar entorno virtual
python -m venv venv
# En Windows:
venv\Scripts\activate
# En Linux/macOS:
source venv/bin/activate
# Instalar dependencias
pip install -r requirements.txtPara que el sistema funcione, necesitas un archivo llamado .env (con el punto al principio) dentro de la carpeta backend/.
Puedes crearlo copiando o renombrando la plantilla existente:
Por comando (Terminal / Bash / PowerShell):
# En Windows (PowerShell):
Copy-Item .env.example .env
# En Linux / macOS / Git Bash:
cp .env.example .envO de forma manual:
Haz una copia o renombra el archivo backend/.env.example a backend/.env.
Abre el archivo .env que acabas de crear y coloca tus claves API:
GEMINI_API_KEY=tu_clave_de_gemini_aqui
TAVILY_API_KEY=tu_clave_de_tavily_aqui
⚠️ Nota de Seguridad: El archivo.gitignoreya está configurado para que tu archivo.envreal nunca se suba a GitHub, manteniendo tus claves 100% privadas. Si no posees clave API de Tavily, no te preocupes: el agente investigador utilizará automáticamente su simulador interno inteligente para completar la búsqueda web sin interrumpir el flujo.
Desde la carpeta backend, ejecuta el servidor FastAPI con Uvicorn:
python servidor.pyO bien:
uvicorn servidor:app --host 0.0.0.0 --port 8000 --reloadEl servidor estará escuchando en: http://localhost:8000.
Tienes dos opciones para abrir la interfaz web:
Desde la raíz del proyecto (donde está index.html):
# Usando Python (Puerto 3000):
python -m http.server 3000Luego abre en tu navegador: http://localhost:3000
(También puedes usar la extensión Live Server de VS Code, que normalmente corre en http://localhost:5500).
Haz doble clic sobre el archivo index.html en el explorador de archivos para abrirlo en tu navegador.
- Escribe un tema de interés en el cuadro de búsqueda (ej. El futuro de la fusión nuclear y la energía limpia en 2026).
- Pulsa "Iniciar Investigación".
- Observa la orquestación en vivo del grafo de agentes de IA y revisa el reporte final generado en Markdown.
Desarrollado por enicxus como proyecto de Inteligencia Artificial y Sistemas Multi-Agente.