[{"data":1,"prerenderedAt":29},["ShallowReactive",2],{"article-data-curso-gcp-google-adk-09":3},{"content":4,"date":5,"image":6,"sideArticles":7},"\u003C!DOCTYPE html>\r\n\u003Chtml lang=\"es\">\r\n\r\n\u003Chead>\r\n    \u003Cmeta charset=\"UTF-8\">\r\n    \u003Cmeta name=\"viewport\" content=\"width=device-width, initial-scale=1.0\">\r\n    \u003Cmeta name=\"description\"\r\n        content=\"Laboratorio 9: Domina la ejecución concurrente con ParallelAgent en ADK. Aprende a reducir la latencia total ejecutando múltiples agentes de IA de forma simultánea.\">\r\n    \u003Cmeta name=\"keywords\"\r\n        content=\"ParallelAgent, Concurrencia IA, Latencia, ADK, Multi-agentes, Paralelismo, Desarrollo IA, Python, Performance\">\r\n    \u003Cmeta name=\"author\" content=\"Eduardo Martínez Agrelo\">\r\n    \u003Ctitle>Paralelismo (ParallelAgent) | Curso Agentes IA\u003C/title>\r\n    \u003Cstyle>\r\n        body {\r\n            font-family: sans-serif;\r\n            line-height: 1.6;\r\n        }\r\n\r\n        h1,\r\n        h2,\r\n        h3 {\r\n            color: #333;\r\n        }\r\n\r\n        ul {\r\n            list-style-type: disc;\r\n            margin-left: 20px;\r\n        }\r\n\r\n        code {\r\n            background-color: #f4f4f4;\r\n            padding: 2px 5px;\r\n            border-radius: 3px;\r\n            font-family: monospace;\r\n        }\r\n    \u003C/style>\r\n\u003C/head>\r\n\r\n\u003Cbody>\r\n    \u003Ch1>Paralelismo (ParallelAgent - Alta Eficiencia)\u003C/h1>\r\n\r\n    \u003Cp>\u003Cstrong>Autor:\u003C/strong> \u003Ca href=\"https://www.youtube.com/@EduardoMartinezAgrelo\" target=\"_blank\">Eduardo Martínez\r\n            Agrelo\u003C/a>\u003C/p>\r\n\r\n    \u003Cp>En los laboratorios anteriores hemos construido flujos secuenciales donde un agente espera a otro. Sin embargo,\r\n        en entornos de producción masiva, el tiempo de respuesta es crítico. En este laboratorio utilizaremos\r\n        \u003Cstrong>ParallelAgent\u003C/strong> para ejecutar múltiples tareas de forma simultánea, reduciendo drásticamente la\r\n        latencia y mejorando la experiencia del usuario final.\r\n    \u003C/p>\r\n\r\n    \u003Ch2>¿Qué es la Ejecución Paralela en Agentes?\u003C/h2>\r\n\r\n    \u003Cp>El paralelismo consiste en lanzar diversas peticiones a diferentes unidades de inteligencia al mismo tiempo, sin\r\n        que dependan entre sí:\u003C/p>\r\n    \u003Cul>\r\n        \u003Cli>\u003Cstrong>Reducción de Latencia:\u003C/strong> En un flujo secuencial, el tiempo total es la suma de todos los\r\n            agentes. En un flujo paralelo, el tiempo total es igual al del agente más lento de la lista.\u003C/li>\r\n        \u003Cli>\u003Cstrong>Análisis Multidisciplinar:\u003C/strong> Permite obtener diferentes perspectivas sobre un mismo problema\r\n            (ej. legal, técnica y comercial) de forma instantánea.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Orquestación Concurrente con ADK\u003C/h2>\r\n\r\n    \u003Cp>ADK gestiona la complejidad de los hilos y las peticiones asíncronas por nosotros. Simplemente definimos qué\r\n        agentes deben trabajar en paralelo:\u003C/p>\r\n    \u003Cp>\u003Ccode>ParallelAgent(name=\"Analizador\", agents=[Agente_A, Agente_B, Agente_C])\u003C/code>\u003C/p>\r\n    \u003Cp>Este componente envía la entrada del usuario a todos los agentes de la lista simultáneamente y, una vez que todos\r\n        han terminado, recopila sus respuestas para entregar un informe consolidado o realizar un paso posterior de\r\n        síntesis.\u003C/p>\r\n\r\n    \u003Ch2>Desafíos Técnicos: Rate Limits\u003C/h2>\r\n\r\n    \u003Cp>Implementar paralelismo requiere una gestión responsable de los recursos de infraestructura:\u003C/p>\r\n    \u003Cul>\r\n        \u003Cli>\u003Cstrong>Límites de Cuota:\u003C/strong> Al lanzar múltiples llamadas al mismo tiempo, consumimos más rápido\r\n            nuestro límite de peticiones por minuto (RPM) de la API de Google Cloud.\u003C/li>\r\n        \u003Cli>\u003Cstrong>Consolidación de Datos:\u003C/strong> El sistema debe ser capaz de esperar a que la rama más lenta\r\n            finalice antes de proceder, asegurando que la respuesta final sea completa y coherente.\u003C/li>\r\n    \u003C/ul>\r\n\r\n    \u003Ch2>Implementación práctica\u003C/h2>\r\n\r\n    \u003Cp>En este laboratorio, construiremos un \"Comité de Expertos de Negocio\". Configuraremos tres especialistas: uno en\r\n        Marketing, uno Legal y uno Técnico. Les enviaremos una idea de aplicación móvil y observarás en la \u003Cstrong>Dev\r\n            UI\u003C/strong> cómo las tres barras de ejecución se activan al mismo tiempo. Verás cómo pasamos de una espera\r\n        de 30 segundos a recibir un análisis completo y estructurado en menos de 8 segundos, demostrando el poder de la\r\n        concurrencia en la ingeniería de IA.\u003C/p>\r\n\r\n    \u003Ch2>Conclusión: Velocidad a escala industrial\u003C/h2>\r\n    \u003Cp>Has aprendido que optimizar el tiempo es tan importante como optimizar el razonamiento. Ya sabes cómo ejecutar\r\n        agentes en paralelo. Con la eficiencia dominada, el siguiente paso es resolver el problema de la persistencia:\r\n        cómo hacer que estos agentes recuerden a sus usuarios a través de Sesiones y Memoria de estado.\u003C/p>\r\n\u003C/body>\r\n\r\n\u003C/html>","May 12, 2026","https://storage.googleapis.com/mp-blog/images/curso-gcp-google-adk-09.jpg",[8,14,19,24],{"id":9,"title":10,"description":11,"image":12,"date":13},"curso-gcp-apache-spark-01","Spark: Infraestructura como Código con Terraform | Curso Spark, Scala y Terraform","Aprende a desplegar clústeres de Big Data profesionalmente. Domina Terraform para crear infraestructura como código (IaC) en Google Cloud y automatiza tu entorno de Dataproc para Spark.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-01.jpg","March 12, 2026",{"id":15,"title":16,"description":17,"image":18,"date":13},"curso-gcp-apache-spark-02","Spark: Ingesta (Raw to Bronze) y Formatos Columnares | Curso Spark, Scala y Terraform","Domina la ingesta de datos con Spark. Aprende a convertir JSONs pesados en formato Parquet, optimiza tu almacenamiento en un 85% y domina los esquemas estrictos con Scala.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-02.jpg",{"id":20,"title":21,"description":22,"image":23,"date":13},"curso-gcp-apache-spark-03","Spark: Limpieza y Calidad (Bronze to Silver) | Curso Spark, Scala y Terraform","Domina la limpieza de datos en Spark. Aprende a usar Scala para implementar la capa Silver (Plata) de tu arquitectura Medallón, utilizando Case Classes para mayor seguridad.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-03.jpg",{"id":25,"title":26,"description":27,"image":28,"date":13},"curso-gcp-apache-spark-04","Spark: Analítica Avanzada (Silver to Gold) | Curso Spark, Scala y Terraform","Domina el Análisis Avanzado con Spark. Aprende a calcular métricas de negocio con Window Functions y a extraer el Top 3 de canciones por país y día para tu capa Gold.","https://storage.googleapis.com/mp-blog/images/curso-gcp-apache-spark-04.jpg",1778604634252]