Investigar y crear un reporte HTML tematizado sobre Google Gemma usando un Gemma 4 autoalojado
Investigar una nueva familia de modelos de IA implica hacer malabarismos con múltiples fuentes, sintetizar hallazgos y luego dar formato a todo en un entregable presentable. Este flujo de trabajo muestra cómo Eigent elimina todo ese proceso: impulsado por un modelo Gemma 4 31B alojado localmente que se ejecuta mediante vLLM, orquesta múltiples agentes para investigar, redactar, estilizar y entregar una página HTML pulida a partir de una sola instrucción.
Lo que hace que esta demostración sea extraordinaria es que todo el flujo de trabajo —orquestación multiagente, investigación web en vivo, generación de documentos basada en habilidades y salida HTML tematizada— está impulsado por un modelo de 31B parámetros de pesos abiertos que se ejecuta en tu propio hardware.
Configura Gemma 4 como tu modelo en Eigent
Ve a Settings → Agents → vLLM y establece la Model Endpoint URL en tu instancia alojada localmente (por ejemplo, http://localhost:8000/v1) y define Model Type como gemma4-31b.
Esto indica a Eigent que enrute todas las tareas de los agentes a través de tu instancia de Gemma 4 autoalojada en lugar de una API en la nube, manteniendo tus datos locales y tus costes de inferencia en cero.
Descarga e importa las habilidades de agente
Ve al Eigent Skills Hub en eigent.ai/skills y descarga los paquetes de habilidades doc-coauthoring y theme-factory como archivos zip.
De vuelta en Eigent, ve a Settings → Agents → Skills y usa el diálogo Add Skill para arrastrar y soltar ambos archivos zip. Cada paquete de habilidades contiene un archivo SKILL.md que le indica a Eigent cuándo y cómo activar la habilidad. La habilidad theme-factory también incluye 10 definiciones de temas preconstruidas con paletas de colores y combinaciones de fuentes seleccionadas.
Envía la instrucción de investigación
Con las habilidades importadas y Gemma 4 configurado, escribe tu prompt de tarea en la entrada de chat de Eigent:
Investiga la familia Gemma usando Reuters, TechCrunch, el sitio web de la empresa y la documentación oficial. Luego usa {{doc-coauthoring}} y {{theme-factory}} para crear una página HTML pulida con hallazgos clave, comparaciones y próximos pasos. Guarda el archivo html en la carpeta del workspace.
Las referencias {{doc-coauthoring}} y {{theme-factory}} indican a Eigent que active ambas habilidades para este flujo de trabajo. Eigent comienza de inmediato a planificar la ejecución.
Observa cómo Eigent descompone y planifica la tarea
Gemma 4 analiza el prompt y lo divide en dos tareas secuenciales:
-
Tarea de investigación: Investigar la familia de modelos Gemma utilizando Reuters, TechCrunch, el sitio web oficial de Google y la documentación oficial. Extraer hallazgos clave, comparaciones de modelos y próximos pasos recomendados. Generar un resumen detallado de investigación en formato markdown que contenga tres secciones: "Hallazgos clave", "Comparaciones" y "Próximos pasos".
-
Tarea de generación HTML: Usando el resumen de investigación proporcionado, emplear las habilidades
doc-coauthoringytheme-factorypara crear una página HTML pulida y profesional. Guardar el archivo HTML final en el directorio de trabajo.
Esta descomposición de tareas ocurre automáticamente: Gemma 4 entiende las dependencias y secuencia el trabajo en consecuencia.
Se pone en marcha la orquestación multiagente
Eigent activa múltiples agentes especializados en paralelo para ejecutar el plan:
-
Browser Agent lanza sesiones de navegador concurrentes para investigar en toda la web. Visita Google Search, Reuters, TechCrunch, la página oficial de Google DeepMind para Gemma y el blog de Google AI, todo simultáneamente para maximizar el rendimiento.
-
Developer Agent permanece a la espera con su tarea pendiente, esperando el resumen de investigación antes de continuar con la generación HTML.
El Browser Agent aprovecha la gran ventana de contexto de Gemma 4 procesando varias páginas web a la vez, extrayendo información relevante sobre la arquitectura de la familia de modelos Gemma, las opciones de despliegue, el ecosistema y la licencia.
El Browser Agent entrega el resumen de investigación
Después de visitar todas las fuentes especificadas, el Browser Agent produce un Completion Report estructurado con la investigación sintetizada. El informe cubre:
-
Hallazgos clave: Gemma es una familia de modelos ligeros y de última generación de pesos abiertos desarrollada por Google DeepMind, construida con la misma tecnología que los modelos Gemini. El ecosistema está diseñado para la eficiencia, permitiendo a los desarrolladores crear aplicaciones de IA que pueden ejecutarse localmente en distintos hardware.
-
Características principales: Base arquitectónica construida sobre la investigación de Gemini; altamente optimizada para funcionamiento en el dispositivo y local; accesible a través de Hugging Face, Kaggle, Vertex AI, Ollama y LM Studio; crecimiento del ecosistema superior a 110 millones de descargas; licencia de pesos abiertos con términos de licencia personalizados para uso comercial.
-
Comparaciones con GPT-4: Mientras que GPT-4 es un modelo multimodal a gran escala normalmente accesible mediante API o en la nube, Gemma ofrece una alternativa de pesos abiertos que permite despliegue local, control total del fine-tuning y funcionamiento sin conexión.
-
Próximos pasos: Acciones recomendadas que incluyen integración en desarrollo, pruebas de despliegue en el dispositivo, casos de uso especializados y opciones de escalado.
Este resumen de investigación en markdown se pasa automáticamente al Developer Agent como entrada para la siguiente fase.
El Developer Agent ingiere las habilidades y genera el HTML
El Developer Agent recibe el resumen de investigación y activa ambas habilidades. Lee el doc-coauthoring SKILL.md para entender el flujo estructurado de documentos y el theme-factory SKILL.md para acceder a la colección curada de temas.
Usando la terminal, el Developer Agent:
- Busca las habilidades disponibles para encontrar doc-coauthoring y theme-factory
- Lee el escaparate de temas para seleccionar un tema visual adecuado
- Crea el directorio del proyecto en el workspace
- Escribe un archivo HTML completo e independiente que combina el contenido de investigación con la paleta de colores y la tipografía del tema seleccionado
El Developer Agent aplica los códigos hexadecimales, las combinaciones de fuentes y la identidad visual del tema en todas las secciones —títulos, texto del cuerpo, componentes de tarjetas y elementos de fondo—, produciendo un entregable que parece diseñado a mano por un profesional.
Revisa el informe HTML tematizado final
La página HTML terminada se guarda directamente en la carpeta del workspace. Al abrirla se revela un informe pulido con tema oscuro titulado "Google Gemma Family of Models — Advanced Research Summary & Strategic Analysis" con:
- Una sección Hallazgos clave con viñetas estilizadas que cubren la arquitectura de Gemma, las características de despliegue, la accesibilidad, el crecimiento del ecosistema y los términos de licencia
- Una matriz de Comparaciones que contrasta Gemma con alternativas basadas en la nube como GPT-4
- Una sección Próximos pasos con recomendaciones accionables para integración en desarrollo, despliegue en el dispositivo, casos de uso especializados y escalado
- Un pie de página profesional con atribución de fuentes
Toda la página es responsive, independiente en un único archivo HTML y está lista para compartir con las partes interesadas o publicar internamente, todo generado por un modelo de pesos abiertos de 31B que se ejecuta en hardware local.
Por qué importa este flujo de trabajo
Esta demostración muestra tres capacidades trabajando juntas:
- Potencia del modelo de pesos abiertos: Gemma 4 31B, ejecutándose localmente mediante vLLM, maneja orquestación compleja multiagente, investigación web en vivo y generación de código, tareas normalmente asociadas con modelos en la nube mucho más grandes.
- Composición de habilidades: Las habilidades doc-coauthoring y theme-factory se componen sin problemas. Ninguna habilidad conoce la otra; Eigent las orquesta en un único pipeline.
- Paralelismo multiagente: El Browser Agent investiga de forma concurrente en múltiples fuentes mientras el Developer Agent espera la transferencia estructurada, maximizando el rendimiento sin sacrificar la calidad.
Qué probar después
Una vez generado el primer informe, puedes ampliarlo con prompts de seguimiento como:
Cambia el tema a "Arctic Frost" y regenera el mismo informe.
Sustituye la investigación de Gemma por una exploración profunda de otra familia de modelos de IA.
Añade la habilidad pptx para generar una presentación a partir de la misma investigación.
Ejecuta el mismo flujo de trabajo con una variante distinta de Gemma para comparar la calidad de salida entre tamaños de modelo.
Consejos para obtener mejores resultados
- Nombra tus fuentes explícitamente. Especificar Reuters, TechCrunch y la documentación oficial le da al Browser Agent una ruta de investigación clara en lugar de depender de búsquedas abiertas.
- Usa referencias de habilidades con dobles llaves. Escribir
{{doc-coauthoring}}y{{theme-factory}}en tu prompt activa explícitamente esas habilidades importadas. - Especifica la ubicación de salida. Pedir que "guarde el archivo HTML en la carpeta del workspace" le indica al Developer Agent exactamente dónde escribir el entregable final.
- Deja que el modelo planifique. La descomposición de tareas de Gemma 4 es más efectiva cuando describes el resultado deseado en lugar de prescribir pasos individuales.
