SurrealDB se ha integrado con Agno, un marco multiagente que facilita la orquestación de agentes y la generación de entradas fiables para modelos de lenguaje. En una transmisión reciente el CEO de Agno Ashpreet Bedi explicó que uno de los focos principales de Agno es garantizar que los agentes produzcan contexto útil y fiable, y SurrealDB encaja muy bien porque provee al LLM del contexto perfecto en cada consulta.

En el repositorio del Agno Cookbook, mi compañero Martin Schaer ha incluido varios ejemplos prácticos que muestran cómo trabajan juntos SurrealDB y Agno. Para empezar con los ejemplos se requiere una clave del servicio Claude, clonar el repositorio y ejecutar el script de preparación ./scripts/dev_setup.sh. Después hay que situarse en la carpeta cookbook/db/surrealdb y levantar una instancia de SurrealDB con surreal start --user root --pass root o, si se usa Docker, con docker run --rm --pull always -p 8000:8000 surrealdb/surrealdb:latest start --user root --pass root.

El primer ejemplo surrealdb_for_agent.py crea un agente sencillo que usa DuckDuckGo para resolver preguntas. Un parámetro clave es add_history_to_context en True, que añade el historial de conversaciones al contexto; gracias a eso una pregunta de seguimiento como How many people live in Costa Rica seguido de What is their national anthem called se entiende correctamente sin necesidad de repetir el país. Si se desactiva add_history_to_context el agente responde que no tiene suficiente contexto para identificar a qué país se refiere.

Los datos contextuales se almacenan en SurrealDB. Las variables de entorno usadas por el ejemplo apuntan a ws://localhost:8000 con usuario root y namespace agno y base de datos surrealdb_for_agent, lo que permite conectarse con surreal sql --ns agno --db surrealdb_for_agent --user root --pass root. En la base de datos por defecto aparece una tabla agno_sessions que contiene las sesiones del agente: cada sesión incluye campos como runs, input y messages con el contenido de las búsquedas, las respuestas y si el mensaje proviene del historial.

Gracias a la naturaleza documental de SurrealDB se puede guardar respuestas complejas sin requerir un esquema previo. Cuando se necesita limitar la vista se emplea el operador de desestructuración para devolver solo las partes necesarias, por ejemplo mostrando los primeros caracteres del campo content para evitar salidas excesivamente largas.

El segundo ejemplo surrealdb_for_team.py muestra colaboración entre agentes. Se define un esquema de salida con una clase Article basada en Pydantic para que Agno provea al LLM el JSON schema esperado. Se crean dos agentes, uno enfocado en Hacker News y otro en búsquedas web, y se agrupan en un Team que recibe instrucciones para primero buscar en Hacker News, luego ampliar la información en la web y finalmente generar un resumen coherente en formato Markdown. El flujo produce artículos estructurados sobre las noticias más relevantes, demostrando cómo los agentes pueden combinar fuentes y devolver un resultado con formato y enlaces de referencia.

El tercer ejemplo surrealdb_for_workflow.py muestra un workflow por pasos. Dos agentes investigan tendencias y un tercer agente planifica un calendario de contenidos de cuatro semanas con al menos tres publicaciones por semana. El Workflow ejecuta primero la fase de investigación y luego la fase de planificación de contenidos, generando un calendario detallado y reutilizable. Este ejemplo ilustra cómo coordinar agentes y pasos para procesos complejos de investigación y planificación automáticos.

En conjunto, la integración Agno más SurrealDB aporta varias ventajas: persistencia y trazabilidad del contexto del agente, capacidad para consultar y reusar historial de conversaciones, generación de salidas estructuradas cuando se requiere esquema y flexibilidad documental para respuestas ricas sin forzar un diseño de esquema rígido. Además, cuando se combina con modelos LLM como Claude y herramientas de búsqueda, se consigue una solución práctica para producir información fiable y reproducible en aplicaciones de agente IA.

En Q2BSTUDIO aplicamos estos conceptos a proyectos reales de software a medida y aplicaciones a medida, desarrollando soluciones que integran agentes IA, almacenamiento contextual y flujos de trabajo automatizados para empresas. Si buscas servicios de inteligencia artificial para tu organización podemos diseñar arquitecturas que combinan agentes IA, bases de datos documentales y modelos LLM para mejorar procesos, atención al cliente y generación de contenido. Descubre nuestros servicios de inteligencia artificial y cómo aplicarlos en tu negocio.

Además ofrecemos desarrollo de software personalizado, ciberseguridad y servicios cloud aws y azure, todo alineado con objetivos de negocio y escalabilidad. Podemos integrar análisis y visualización con Power BI, automatizar procesos y asegurar tus aplicaciones con pruebas de pentesting. Con experiencia en inteligencia de negocio y proyectos de ia para empresas, Q2BSTUDIO acompaña desde la definición hasta la puesta en producción. Consulta nuestro enfoque en desarrollo de aplicaciones a medida para ver ejemplos de proyectos y tecnologías que utilizamos.

Si te interesa explorar cómo aprovechar SurrealDB con Agno para crear agentes colaborativos, generar contexto persistente y obtener salidas estructuradas para tus casos de uso, contacta con Q2BSTUDIO. Podemos ayudarte a integrar agentes IA, soluciones de inteligencia artificial corporativa, servicios cloud aws y azure, ciberseguridad, servicios inteligencia de negocio y Power BI para impulsar tus proyectos con software a medida y automatización inteligente.