tienes que modificar el metodo esrepetitivo ya que no funciona, luego por otra parte…
- User
tienes que modificar el metodo es_repetitivo ya que no funciona, luego por otra parte modifica el codigo para que los agentes si ven que van a repetirse pasen a otro tema dentro de la pregunta inicial: "import random import requests import time from datetime import datetime import difflib
MODEL_USED = 'openai'
Función para generar texto utilizando el LLM
def generar_texto(mensajes, model=MODEL_USED, seed=random.randint(1, 1000000), system_message=None): """Genera texto a partir de un modelo basado en las entradas dadas.""" base_url = "https://text.pollinations.ai/" payload = {"messages": mensajes, "model": model, "seed": seed} headers = {'Content-Type': 'application/json'}
try: response = requests.post(base_url, headers=headers, json=payload) response.raise_for_status() return response.text.strip() except requests.exceptions.HTTPError as http_err: return f"Error HTTP: {http_err}\nContenido de la respuesta: {response.text}" except requests.exceptions.RequestException as req_err: return f"Error en la solicitud: {req_err}" except Exception as e: return f"Ocurrió un error: {e}"Función para cargar el historial de conversaciones desde un archivo
def cargar_historial(nombre_archivo="historial_conversacion.txt"): """ Carga el historial de conversaciones desde un archivo de texto. """ try: with open(nombre_archivo, 'r', encoding='utf-8') as archivo: contenido = archivo.read() return contenido except FileNotFoundError: # Si el archivo no existe, simplemente retornamos una cadena vacía return "" except Exception as e: print(f"Error al cargar el historial: {e}") return ""
Función para verificar si una respuesta es repetitiva
def es_repetitivo(nueva_respuesta, respuestas_anteriores, threshold=0.8): """ Compara la nueva respuesta con las respuestas anteriores y determina si es repetitiva. """ for respuesta in respuestas_anteriores: ratio = difflib.SequenceMatcher(None, nueva_respuesta, respuesta).ratio() if ratio > threshold: print(f"\n******************************************************************") print(f"Respuesta repetitiva!!!!") print(f"\n******************************************************************") return True return False
Definición del Algoritmo de Flujo de Conversación
def flujo_conversacion(problema, num_turnos=5, limite_tiempo_respuesta=60, limite_longitud_respuesta=500, modelo=MODEL_USED, historial_previo=""): """ Gestiona la conversación entre dos agentes LLM para resolver un problema. """ # Inicialización historial_conversacion = []
# Cargar el historial previo y agregar la fecha if historial_previo: fecha_actual = datetime.now().strftime("%Y-%m-%d %H:%M:%S") historial_prev_formateado = f"\n--- Sesión anterior ({fecha_actual}) ---\n{historial_previo}\n\n" else: historial_prev_formateado = "" # Mensajes iniciales para los agentes, incluyendo el historial previo contexto_agente_a = [ {'role': 'system', 'content': ( 'Eres el Agente "Visionario Creativo" A. Te enfocas en la generación de ideas innovadoras ' 'y fuera de lo común. Tienes un enfoque optimista y priorizas la creatividad y la posibilidad ' 'de encontrar enfoques poco convencionales para resolver problemas. Durante el debate, ' 'presentas propuestas frescas, sugieres alternativas audaces y eres capaz de ver oportunidades ' 'donde otros ven limitaciones. Aportas energía al proceso y mantienes un flujo constante de opciones para evaluar. ' 'Tu objetivo es avanzar en la conversación, evitar repetir ideas y buscar nuevas perspectivas que enriquezcan el debate. ' 'Considera seriamente los puntos del Agente B y construye sobre ellos.' )}, {'role': 'user', 'content': historial_prev_formateado + problema} ] contexto_agente_b = [ {'role': 'system', 'content': ( 'Eres el Agente "Analítico Crítico" B. Te especializas en el análisis profundo y crítico ' 'de las ideas propuestas. Tienes un enfoque lógico y eres escéptico por naturaleza, pero también estás dispuesto a considerar ' 'nuevas perspectivas. Buscas encontrar fallos, inconsistencias o puntos de mejora en las soluciones presentadas, ' 'pero también aportas críticas constructivas que ayudan a avanzar en la discusión. Evita repetir los mismos argumentos y ' 'procura ofrecer nuevos puntos de vista en cada intervención.' )}, {'role': 'user', 'content': historial_prev_formateado + problema} ] respuestas_agente_a = [] respuestas_agente_b = [] for turno in range(num_turnos): print(f"\n--- Turno {turno + 1} ---") # Esperar 3 segundos antes de cada turno time.sleep(3) # Turno del Agente A print("Agente A está respondiendo...") inicio_tiempo = time.time() respuesta_agente_a = generar_texto(contexto_agente_a, modelo) tiempo_transcurrido = time.time() - inicio_tiempo # Política de Enforzamiento para Agente A if tiempo_transcurrido > limite_tiempo_respuesta: print("Agente A excedió el límite de tiempo de respuesta.") respuesta_agente_a = "Lo siento, no pude generar una respuesta a tiempo." if len(respuesta_agente_a) > limite_longitud_respuesta: print("Agente A excedió el límite de longitud de respuesta.") respuesta_agente_a = respuesta_agente_a[:limite_longitud_respuesta] # Verificar si la respuesta es repetitiva if es_repetitivo(respuesta_agente_a, respuestas_agente_a): print("Agente A está repitiendo ideas anteriores. Solicitando una nueva respuesta...") # Añadir instrucción para evitar repetición en el contexto contexto_agente_a.append({'role': 'system', 'content': 'Por favor, no repitas las mismas ideas. Intenta ofrecer una perspectiva diferente.'}) respuesta_agente_a = generar_texto(contexto_agente_a, modelo) # Añadir respuesta al historial y contexto de Agente B historial_conversacion.append({'orador': 'Agente A', 'contenido': respuesta_agente_a}) respuestas_agente_a.append(respuesta_agente_a) contexto_agente_b.append({'role': 'assistant', 'content': respuesta_agente_a}) print(f"Agente A: {respuesta_agente_a}") # Esperar 3 segundos antes del siguiente turno time.sleep(3) # Turno del Agente B print("Agente B está respondiendo...") inicio_tiempo = time.time() respuesta_agente_b = generar_texto(contexto_agente_b, modelo) tiempo_transcurrido = time.time() - inicio_tiempo # Política de Enforzamiento para Agente B if tiempo_transcurrido > limite_tiempo_respuesta: print("Agente B excedió el límite de tiempo de respuesta.") respuesta_agente_b = "Lo siento, no pude generar una respuesta a tiempo." if len(respuesta_agente_b) > limite_longitud_respuesta: print("Agente B excedió el límite de longitud de respuesta.") respuesta_agente_b = respuesta_agente_b[:limite_longitud_respuesta] # Verificar si la respuesta es repetitiva if es_repetitivo(respuesta_agente_b, respuestas_agente_b): print("Agente B está repitiendo ideas anteriores. Solicitando una nueva respuesta...") # Añadir instrucción para evitar repetición en el contexto contexto_agente_b.append({'role': 'system', 'content': 'Por favor, no repitas las mismas ideas. Intenta ofrecer una perspectiva diferente.'}) respuesta_agente_b = generar_texto(contexto_agente_b, modelo) # Añadir respuesta al historial y contexto de Agente A historial_conversacion.append({'orador': 'Agente B', 'contenido': respuesta_agente_b}) respuestas_agente_b.append(respuesta_agente_b) contexto_agente_a.append({'role': 'assistant', 'content': respuesta_agente_b}) print(f"Agente B: {respuesta_agente_b}") return historial_conversacionFunción para guardar el historial de la conversación en un archivo
def guardar_historial(historial, nombre_archivo="historial_conversacion.txt"): """ Guarda el historial de la conversación en un archivo de texto, anexándolo al final, y agrega la fecha al inicio. """ try: fecha_actual = datetime.now().strftime("%Y-%m-%d %H:%M:%S") with open(nombre_archivo, 'a', encoding='utf-8') as archivo: archivo.write(f"\n=== Nueva sesión iniciada el {fecha_actual} ===\n\n") for entrada in historial: archivo.write(f"{entrada['orador']}: {entrada['contenido']}\n\n") print(f"Historial guardado exitosamente en '{nombre_archivo}'.") except Exception as e: print(f"Error al guardar el historial: {e}")
Ejemplo de uso del algoritmo
if name == "main": # Problema a resolver problema = """El Agente A: a través de la mente de Hannah Arendt crear los mejores argumentos para responder al nacionalismo populista de los independentistas catalanes, el Agente B: como abogado del diablo has de actuar como nacionalista y hacerle las cosas difíciles al Agente A."""
# Cargar el historial previo historial_prev = cargar_historial(nombre_archivo="historial_conversacion2.txt") # Ejecutar el flujo de conversación historial = flujo_conversacion( problema=problema, num_turnos=5, limite_tiempo_respuesta=60, limite_longitud_respuesta=10000, modelo=MODEL_USED, # Reemplaza con el modelo que deseas utilizar historial_previo=historial_prev ) # Mostrar el historial de la conversación print("\n=== Historial de la Conversación ===") for entrada in historial: print(f"{entrada['orador']}: {entrada['contenido']}\n") # Guardar el historial en un archivo guardar_historial(historial, nombre_archivo="historial_conversacion2.txt")" - Assistant
Entiendo que quieres mejorar el método
es_repetitivoy ajustar el flujo de la conversación para que los agentes cambien de tema cuando detecten que están repitiendo ideas. A continuación, te proporciono una versión modificada del método y ajusto el flujo de conversación para cumplir con estos requisitos.1. Modificación del Método
es_repetitivoEl método actual utiliza
difflib.SequenceMatcherpara comparar la similitud entre respuestas, lo cual puede no ser la mejor métrica para detectar repeticiones semánticas. Para mejorar la detección de repeticiones, podemos:- Reducir el umbral de similitud: Un umbral más bajo puede detectar repeticiones con mayor sensibilidad.
- Implementar detección basada en palabras clave: Identificar palabras repetidas clave en las respuestas anteriores.
- Utilizar técnicas de procesamiento de lenguaje natural más avanzadas: Como el uso de embeddings para medir la similitud semántica (aunque esto requiere bibliotecas adicionales como
spaCyosentence-transformers).
Para mantenerlo sencillo y sin agregar dependencias adicionales, ajustaremos el umbral y añadiremos una verificación básica de palabras clave.
Implementación Mejorada de
es_repetitivodef es_repetitivo(nueva_respuesta, respuestas_anteriores, threshold=0.7): """ Compara la nueva respuesta con las respuestas anteriores y determina si es repetitiva. Se reduce el umbral y se añade verificación de palabras clave para mejorar la detección. """ nueva_respuesta_min = nueva_respuesta.lower() for respuesta in respuestas_anteriores: respuesta_min = respuesta.lower() ratio = difflib.SequenceMatcher(None, nueva_respuesta_min, respuesta_min).ratio() if ratio > threshold: print("\n******************************************************************") print("Respuesta repetitiva detectada por similitud de texto.") print("******************************************************************\n") return True # Verificar palabras clave comunes palabras_nueva = set(nueva_respuesta_min.split()) palabras_anterior = set(respuesta_min.split()) interseccion = palabras_nueva.intersection(palabras_anterior) if len(interseccion) > 5: # Ajusta este número según sea necesario print("\n******************************************************************") print("Respuesta repetitiva detectada por palabras clave comunes.") print("******************************************************************\n") return True return FalseCambios Realizados:
- Umbral Reducido: Se disminuyó el
thresholdde 0.8 a 0.7 para detectar repeticiones con mayor sensibilidad. - Verificación de Palabras Clave: Si más de 5 palabras son comunes entre la nueva respuesta y alguna anterior, también se considera repetitiva. Puedes ajustar este número según tus necesidades.
2. Modificación del Flujo de Conversación para Cambiar de Tema
Para que los agentes cambien de tema cuando detectan repetición, podemos introducir una lista de subtemas extraídos de la pregunta inicial y asignar a cada agente un subtema diferente. Cuando un agente detecta que está repitiendo, puede pasar al siguiente subtema disponible.
Pasos a Implementar:
- Extraer Subtemas de la Pregunta Inicial: Dividir la pregunta en distintas áreas temáticas que los agentes puedan abordar.
- Asignar Subtemas a los Agentes: Cada agente maneja un subtema específico.
- Gestionar el Cambio de Subtema: Si se detecta repetición, el agente cambia al siguiente subtema disponible.
Implementación Modificada
A continuación, se muestra una versión ajustada del flujo de conversación que implementa estos cambios:
import random import requests import time from datetime import datetime import difflib MODEL_USED = 'openai' # Función para generar texto utilizando el LLM def generar_texto(mensajes, model=MODEL_USED, seed=random.randint(1, 1000000), system_message=None): """Genera texto a partir de un modelo basado en las entradas dadas.""" base_url = "https://text.pollinations.ai/" payload = {"messages": mensajes, "model": model, "seed": seed} headers = {'Content-Type': 'application/json'} try: response = requests.post(base_url, headers=headers, json=payload) response.raise_for_status() return response.text.strip() except requests.exceptions.HTTPError as http_err: return f"Error HTTP: {http_err}\nContenido de la respuesta: {response.text}" except requests.exceptions.RequestException as req_err: return f"Error en la solicitud: {req_err}" except Exception as e: return f"Ocurrió un error: {e}" # Función para cargar el historial de conversaciones desde un archivo def cargar_historial(nombre_archivo="historial_conversacion.txt"): """ Carga el historial de conversaciones desde un archivo de texto. """ try: with open(nombre_archivo, 'r', encoding='utf-8') as archivo: contenido = archivo.read() return contenido except FileNotFoundError: # Si el archivo no existe, simplemente retornamos una cadena vacía return "" except Exception as e: print(f"Error al cargar el historial: {e}") return "" # Función para verificar si una respuesta es repetitiva def es_repetitivo(nueva_respuesta, respuestas_anteriores, threshold=0.7): """ Compara la nueva respuesta con las respuestas anteriores y determina si es repetitiva. Se reduce el umbral y se añade verificación de palabras clave para mejorar la detección. """ nueva_respuesta_min = nueva_respuesta.lower() for respuesta in respuestas_anteriores: respuesta_min = respuesta.lower() ratio = difflib.SequenceMatcher(None, nueva_respuesta_min, respuesta_min).ratio() if ratio > threshold: print("\n******************************************************************") print("Respuesta repetitiva detectada por similitud de texto.") print("******************************************************************\n") return True # Verificar palabras clave comunes palabras_nueva = set(nueva_respuesta_min.split()) palabras_anterior = set(respuesta_min.split()) interseccion = palabras_nueva.intersection(palabras_anterior) if len(interseccion) > 5: # Ajusta este número según sea necesario print("\n******************************************************************") print("Respuesta repetitiva detectada por palabras clave comunes.") print("******************************************************************\n") return True return False # Función para extraer subtemas de la pregunta inicial def extraer_subtemas(problema): """ Extrae una lista de subtemas desde la pregunta inicial. Aquí, simplificamos asumiendo que los subtemas están separados por comas o punto y coma. """ import re # Asume que los subtemas están separados por comas o punto y coma subtemas = re.split(r'[;,]', problema) # Limpia espacios en blanco subtemas = [subtema.strip() for subtema in subtemas if subtema.strip()] return subtemas # Definición del Algoritmo de Flujo de Conversación def flujo_conversacion(problema, num_turnos=5, limite_tiempo_respuesta=60, limite_longitud_respuesta=500, modelo=MODEL_USED, historial_previo=""): """ Gestiona la conversación entre dos agentes LLM para resolver un problema. """ # Inicialización historial_conversacion = [] # Extraer subtemas subtemas = extraer_subtemas(problema) if not subtemas: subtemas = [problema] # Si no se extrajeron subtemas, usar el problema completo # Asignar subtemas a los agentes subtema_agente_a = subtemas[0] if len(subtemas) > 0 else problema subtema_agente_b = subtemas[1] if len(subtemas) > 1 else problema # Cargar el historial previo y agregar la fecha if historial_previo: fecha_actual = datetime.now().strftime("%Y-%m-%d %H:%M:%S") historial_prev_formateado = f"\n--- Sesión anterior ({fecha_actual}) ---\n{historial_previo}\n\n" else: historial_prev_formateado = "" # Mensajes iniciales para los agentes, incluyendo el historial previo contexto_agente_a = [ {'role': 'system', 'content': ( 'Eres el Agente "Visionario Creativo" A. Te enfocas en la generación de ideas innovadoras ' 'y fuera de lo común. Tienes un enfoque optimista y priorizas la creatividad y la posibilidad ' 'de encontrar enfoques poco convencionales para resolver problemas. Durante el debate, ' 'presentas propuestas frescas, sugieres alternativas audaces y eres capaz de ver oportunidades ' 'donde otros ven limitaciones. Aportas energía al proceso y mantienes un flujo constante de opciones para evaluar. ' 'Tu objetivo es avanzar en la conversación, evitar repetir ideas y buscar nuevas perspectivas que enriquezcan el debate. ' 'Considera seriamente los puntos del Agente B y construye sobre ellos. ' f'Tema asignado: {subtema_agente_a}' )}, {'role': 'user', 'content': historial_prev_formateado + problema} ] contexto_agente_b = [ {'role': 'system', 'content': ( 'Eres el Agente "Analítico Crítico" B. Te especializas en el análisis profundo y crítico ' 'de las ideas propuestas. Tienes un enfoque lógico y eres escéptico por naturaleza, pero también estás dispuesto a considerar ' 'nuevas perspectivas. Buscas encontrar fallos, inconsistencias o puntos de mejora en las soluciones presentadas, ' 'pero también aportas críticas constructivas que ayudan a avanzar en la discusión. Evita repetir los mismos argumentos y ' 'procura ofrecer nuevos puntos de vista en cada intervención. ' f'Tema asignado: {subtema_agente_b}' )}, {'role': 'user', 'content': historial_prev_formateado + problema} ] respuestas_agente_a = [] respuestas_agente_b = [] # Puntero para los subtemas puntero_subtema_a = 0 puntero_subtema_b = 0 for turno in range(num_turnos): print(f"\n--- Turno {turno + 1} ---") # Esperar 3 segundos antes de cada turno time.sleep(3) # Turno del Agente A print("Agente A está respondiendo...") inicio_tiempo = time.time() respuesta_agente_a = generar_texto(contexto_agente_a, modelo) tiempo_transcurrido = time.time() - inicio_tiempo # Política de Enforzamiento para Agente A if tiempo_transcurrido > limite_tiempo_respuesta: print("Agente A excedió el límite de tiempo de respuesta.") respuesta_agente_a = "Lo siento, no pude generar una respuesta a tiempo." if len(respuesta_agente_a) > limite_longitud_respuesta: print("Agente A excedió el límite de longitud de respuesta.") respuesta_agente_a = respuesta_agente_a[:limite_longitud_respuesta] # Verificar si la respuesta es repetitiva if es_repetitivo(respuesta_agente_a, respuestas_agente_a): print("Agente A está repitiendo ideas anteriores. Cambiando de tema...") puntero_subtema_a += 1 if puntero_subtema_a < len(subtemas): subtema_agente_a = subtemas[puntero_subtema_a] contexto_agente_a.append({'role': 'system', 'content': f'Cambia tu enfoque al siguiente tema: {subtema_agente_a}'}) else: # Si no hay más subtemas, reinicia o notifica contexto_agente_a.append({'role': 'system', 'content': 'Hemos cubierto todos los subtemas disponibles. Intenta reformular tu respuesta.'}) respuesta_agente_a = generar_texto(contexto_agente_a, modelo) # Añadir respuesta al historial y contexto de Agente B historial_conversacion.append({'orador': 'Agente A', 'contenido': respuesta_agente_a}) respuestas_agente_a.append(respuesta_agente_a) contexto_agente_b.append({'role': 'assistant', 'content': respuesta_agente_a}) print(f"Agente A: {respuesta_agente_a}") # Esperar 3 segundos antes del siguiente turno time.sleep(3) # Turno del Agente B print("Agente B está respondiendo...") inicio_tiempo = time.time() respuesta_agente_b = generar_texto(contexto_agente_b, modelo) tiempo_transcurrido = time.time() - inicio_tiempo # Política de Enforzamiento para Agente B if tiempo_transcurrido > limite_tiempo_respuesta: print("Agente B excedió el límite de tiempo de respuesta.") respuesta_agente_b = "Lo siento, no pude generar una respuesta a tiempo." if len(respuesta_agente_b) > limite_longitud_respuesta: print("Agente B excedió el límite de longitud de respuesta.") respuesta_agente_b = respuesta_agente_b[:limite_longitud_respuesta] # Verificar si la respuesta es repetitiva if es_repetitivo(respuesta_agente_b, respuestas_agente_b): print("Agente B está repitiendo ideas anteriores. Cambiando de tema...") puntero_subtema_b += 1 if puntero_subtema_b < len(subtemas): subtema_agente_b = subtemas[puntero_subtema_b] contexto_agente_b.append({'role': 'system', 'content': f'Cambia tu enfoque al siguiente tema: {subtema_agente_b}'}) else: # Si no hay más subtemas, reinicia o notifica contexto_agente_b.append({'role': 'system', 'content': 'Hemos cubierto todos los subtemas disponibles. Intenta reformular tu respuesta.'}) respuesta_agente_b = generar_texto(contexto_agente_b, modelo) # Añadir respuesta al historial y contexto de Agente A historial_conversacion.append({'orador': 'Agente B', 'contenido': respuesta_agente_b}) respuestas_agente_b.append(respuesta_agente_b) contexto_agente_a.append({'role': 'assistant', 'content': respuesta_agente_b}) print(f"Agente B: {respuesta_agente_b}") return historial_conversacionCambios Realizados:
-
Extracción de Subtemas:
- Se añadió la función
extraer_subtemasque divide la pregunta inicial en subtemas utilizando separadores como comas o punto y coma. - Asigna cada subtema a los agentes A y B respectivamente.
- Se añadió la función
-
Asignación de Subtemas a los Agentes:
- Al inicializar el contexto de cada agente, se incluye el subtema asignado en el mensaje del sistema.
-
Cambio de Subtema al Detectar Repetición:
- Se introducen punteros (
puntero_subtema_aypuntero_subtema_b) para rastrear el subtema actual de cada agente. - Si
es_repetitivodetecta una repetición, el agente cambia al siguiente subtema disponible y actualiza su contexto con una nueva instrucción para enfocarse en dicho subtema. - Si no hay más subtemas disponibles, se añade una instrucción final para reformular la respuesta.
- Se introducen punteros (
-
Manejo Dinámico de Contexto:
- Después de cambiar de subtema, se genera una nueva respuesta basada en el nuevo contexto.
3. Ejemplo Completo de Uso
A continuación, se presenta el código completo con las modificaciones mencionadas:
import random import requests import time from datetime import datetime import difflib import re MODEL_USED = 'openai' # [Incluir aquí todas las funciones modificadas anteriormente: generar_texto, cargar_historial, es_repetitivo, extraer_subtemas, flujo_conversacion, guardar_historial] # Función para guardar el historial de la conversación en un archivo def guardar_historial(historial, nombre_archivo="historial_conversacion.txt"): """ Guarda el historial de la conversación en un archivo de texto, anexándolo al final, y agrega la fecha al inicio. """ try: fecha_actual = datetime.now().strftime("%Y-%m-%d %H:%M:%S") with open(nombre_archivo, 'a', encoding='utf-8') as archivo: archivo.write(f"\n=== Nueva sesión iniciada el {fecha_actual} ===\n\n") for entrada in historial: archivo.write(f"{entrada['orador']}: {entrada['contenido']}\n\n") print(f"Historial guardado exitosamente en '{nombre_archivo}'.") except Exception as e: print(f"Error al guardar el historial: {e}") # Ejemplo de uso del algoritmo if __name__ == "__main__": # Problema a resolver problema = """El Agente A: a través de la mente de Hannah Arendt crear los mejores argumentos para responder al nacionalismo populista de los independentistas catalanes, el Agente B: como abogado del diablo has de actuar como nacionalista y hacerle las cosas difíciles al Agente A.""" # Cargar el historial previo historial_prev = cargar_historial(nombre_archivo="historial_conversacion2.txt") # Ejecutar el flujo de conversación historial = flujo_conversacion( problema=problema, num_turnos=5, limite_tiempo_respuesta=60, limite_longitud_respuesta=10000, modelo=MODEL_USED, # Reemplaza con el modelo que deseas utilizar historial_previo=historial_prev ) # Mostrar el historial de la conversación print("\n=== Historial de la Conversación ===") for entrada in historial: print(f"{entrada['orador']}: {entrada['contenido']}\n") # Guardar el historial en un archivo guardar_historial(historial, nombre_archivo="historial_conversacion2.txt")4. Consideraciones Adicionales
-
Extracción de Subtemas Más Avanzada: Si los subtemas no se dividen claramente por comas o puntos y comas, podrías necesitar una lógica más sofisticada para identificar distintos aspectos de la pregunta inicial.
-
Gestión de Subtemas Limitada: Actualmente, los subtemas se asignan secuencialmente. Podrías implementar una lógica más dinámica para identificar cuáles subtemas ya han sido abordados en mayor profundidad.
-
Uso de Modelos de Similaridad Semántica: Para una detección más precisa de repeticiones, considera utilizar modelos que calculen similitud semántica como
spaCyosentence-transformers. Esto permitiría detectar repeticiones incluso si las respuestas están formuladas de manera diferente. -
Control de Sesiones y Contexto: Asegúrate de manejar correctamente el contexto de cada agente para evitar que las instrucciones de cambio de subtema se acumulen y compliquen la generación de respuestas.
Con estas modificaciones, tus agentes deberían ser más efectivos para evitar la repetición de ideas y gestionar mejor los diferentes aspectos de la pregunta inicial.