Parte 4 de la serie From Zero to AI Agent: Mi viaje hacia aplicaciones inteligentes basadas en Java. Ahora que nuestro MCPService ya gestiona las conexiones con las herramientas, es el momento de añadir la inteligencia que decida qué hacer con las consultas de los usuarios integrando modelos de lenguaje grande LLMs.

En lugar de usar dependencias complejas, construimos un cliente HTTP moderno en Java que usa HttpClient y parsing JSON limpio con records y Jackson. La base es una interfaz simple que cualquier proveedor LLM puede implementar para enviar prompts, obtener respuestas y verificar el estado del servicio, facilitando la integración con agentes IA y flujos de herramientas personalizados.

Por qué elegimos Groq y Google Gemini: ambos ofrecen APIs REST sencillas, planes gratuitos generosos y capacidades complementarias que los hacen ideales para prototipos y aprendizaje. Groq destaca por inferencia rápida con modelos Llama y altos límites de tokens por minuto, perfecto para aplicaciones en tiempo real. Google Gemini aporta razonamiento profundo y ventanas de contexto muy amplias, útil en tareas complejas como generación de código y análisis intensivo de contexto.

Arquitectura resumida: una clase base BaseLLMClient centraliza la lógica HTTP, validación de clave API, envío de prompts y manejo de errores. Las implementaciones concretas GroqClient y GeminiClient construyen las peticiones específicas y extraen la respuesta usando records que mapean las estructuras JSON de cada proveedor. Además se creó una fábrica simple LLMClientFactory para instanciar clientes por proveedor y facilitar pruebas y despliegues.

Implementación práctica y pruebas: el flujo consiste en crear el cliente con la clave API, invocar send con el prompt deseado y procesar la respuesta. También se incluye un método isHealthy que verifica la disponibilidad del servicio con una petición mínima. Este diseño mantiene separado el transporte HTTP, el mapeo JSON y la lógica de negocio del agente, lo que simplifica la adopción de nuevos proveedores y modelos.

Detalles importantes a tener en cuenta en producción: controlar timeouts y reintentos, sanitizar prompts, gestionar cuotas y tokens, y auditar logs para trazabilidad. Para entornos corporativos es recomendable integrar monitorización y alertas, y encapsular las claves en gestores seguros de secretos o en servicios cloud con gestión de identidades.

Ejemplo rápido de variables de entorno para pruebas locales en Windows y Unix MacOS: Windows set GROQ_API_KEY=tu_clave_groq set GEMINI_API_KEY=tu_clave_gemini Unix MacOS export GROQ_API_KEY=tu_clave_groq export GEMINI_API_KEY=tu_clave_gemini

Qué sigue: en la siguiente entrega construiremos una estrategia de inferencia que actúe como puente entre la intención del usuario y la ejecución de herramientas, creando un agente que decide cuándo y cómo invocar cada recurso. La base HTTP y el mapeo con records que explicamos hoy serán la columna vertebral para esas capacidades.

Sobre Q2BSTUDIO: somos una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida, con experiencia en inteligencia artificial, ciberseguridad y servicios cloud aws y azure. Ofrecemos soluciones integrales desde consultoría hasta implementación y soporte, diseñando agentes IA y pipelines de datos para empresas que buscan automatizar procesos y extraer valor con inteligencia de negocio. Si buscas potenciar tus productos con IA y soluciones personalizadas visita nuestra página de Inteligencia artificial y conoce cómo aplicamos la tecnología en proyectos reales. También desarrollamos aplicaciones corporativas adaptadas a tus necesidades, descubre más sobre nuestras aplicaciones a medida.

Palabras clave integradas naturalmente: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi. Estas capacidades permiten a Q2BSTUDIO ofrecer soluciones completas que van desde el desarrollo de agentes IA hasta la seguridad y la analítica avanzada con Power BI.

Resumen final: con un cliente HTTP limpio y modular podemos integrar LLMs como Groq y Google Gemini rápidamente, mantener el código mantenible y preparar el terreno para estrategias de inferencia y orquestación de herramientas. Esta aproximación es ideal para equipos que iteran rápido y quieren llevar agentes inteligentes a producción sin añadir complejidad innecesaria.