Google Gemini y Anthropic Claude

Google Gemini y Anthropic Claude representan dos de las familias de modelos de frontera más potentes para flujos de trabajo basados en agentes. chatflow-agent proporciona motores dedicados y nativos para ambos proveedores, optimizados para baja latencia, cero dependencia cautiva de SDKs y ejecución fiable de llamadas a herramientas.

Motor Google GeminiCopy Anchor Link

GeminiEngine se comunica directamente con la API para desarrolladores de Gemini (v1beta) para ejecutar conversaciones de múltiples turnos y llamadas a funciones.

Autenticación y CredencialesCopy Anchor Link

El motor lee las credenciales desde las siguientes fuentes, en orden de prioridad:

1. api_key pasado directamente a GeminiEngine(api_key="...") o Agent(api_key="...").
2. Variable de entorno GEMINI_API_KEY.
3. Variable de entorno GOOGLE_API_KEY.

Por defecto, la clave de API se transmite a través de la cabecera HTTP segura x-goog-api-key. Pasar api_key_in_query=True transmite la clave como parámetro de consulta ?key=:

import os
from chatflow_agent import Agent, Runner
from chatflow_agent.core.engines.gemini import GeminiEngine

# Recomendado: Autenticación segura mediante cabecera HTTP
gemini_engine = GeminiEngine(
    api_key=os.environ.get("GEMINI_API_KEY"),
    timeout_seconds=30.0,
    max_retries=3,
)

assistant = Agent(
    name="GeminiAssistant",
    model="gemini-2.5-flash",
    engine=gemini_engine,
    instructions="Provide concise, accurate answers.",
)

Pool de Conexiones y Arquitectura sin Dependencias de SDKCopy Anchor Link

La implementación de Gemini experimentó una evolución arquitectónica entre versiones:

• En v0.3.4 (Estable): El motor importaba el SDK oficial google-genai de Google (from google import genai), requiriendo la instalación de la biblioteca cliente externa.
• En v0.4.0rc1 (Pre-lanzamiento): El motor fue rediseñado íntegramente utilizando httpx asíncrono nativo contra https://generativelanguage.googleapis.com/v1beta. Esto elimina dependencias pesadas y habilita un pool de conexiones reutilizables entre turnos de agentes:

# [no-exec: requires real gemini api key]
import asyncio
from chatflow_agent import Agent, Runner

agent = Agent(name="Assistant", model="gemini-2.5-flash")
runner = Runner(starting_agent=agent)

async def main():
    # En v0.3.x, ejecuta turnos asíncronos directamente sobre el runner
    res1 = await runner.run_async("session-1", "What is quantum computing?")
    res2 = await runner.run_async("session-1", "Summarize in 3 bullet points.")
    print(res2.text)

asyncio.run(main())

Configuración de Proxies PersonalizadosCopy Anchor Link

Para enrutar peticiones de Gemini a través de una pasarela o proxy corporativo, define la variable de entorno GOOGLE_GEMINI_BASE_URL:

export GOOGLE_GEMINI_BASE_URL="https://gemini-proxy.internal.corp"

El motor añade automáticamente /v1beta a la URL base.

Motor Anthropic ClaudeCopy Anchor Link

AnthropicEngine proporciona integración nativa con Claude 3.5 Sonnet, Claude 3.5 Haiku y Claude 3 Opus de Anthropic a través de la Messages API.

Autenticación y CabecerasCopy Anchor Link

Las peticiones a Anthropic requieren la cabecera x-api-key y la cabecera anthropic-version (por defecto "2023-06-01").

El motor lee las credenciales de:

1. api_key pasado explícitamente a AnthropicEngine(api_key="...") o Agent(api_key="...").
2. Variable de entorno ANTHROPIC_API_KEY.

import os
from chatflow_agent import Agent
from chatflow_agent.core.engines.anthropic import AnthropicEngine

claude_engine = AnthropicEngine(
    api_key=os.environ.get("ANTHROPIC_API_KEY"),
    timeout=60.0,
)

editor = Agent(
    name="Editor",
    model="claude-3-5-sonnet-20241022",
    engine=claude_engine,
    instructions="Edit and refine technical documentation.",
)

Reintentos Automáticos y Retroceso con JitterCopy Anchor Link

AnthropicEngine gestiona automáticamente los límites de tasa (429 Too Many Requests) y errores temporales de pasarela (500, 502, 503, 504) mediante retroceso exponencial:

• Reintentos Máximos: 3 intentos.
• Demora Base: 1.0 segundo.
• Demora Máxima: 10.0 segundos.

Si una respuesta 429 incluye la cabecera Retry-After, el motor respeta el retraso solicitado por el proveedor antes de reintentar.

Colaboración Multimodelo entre AgentesCopy Anchor Link

Una ventaja clave de chatflow-agent es componer enjambres donde distintos agentes emplean diferentes modelos fundacionales según sus fortalezas:

from chatflow_agent import Agent, Runner
from chatflow_agent.core.engines.gemini import GeminiEngine
from chatflow_agent.core.engines.anthropic import AnthropicEngine

gemini = GeminiEngine()
claude = AnthropicEngine()

researcher = Agent(
    name="Researcher",
    model="gemini-2.5-flash",
    engine=gemini,
    instructions="Gather facts quickly using Gemini's high-throughput processing.",
)

synthesizer = Agent(
    name="Synthesizer",
    model="claude-3-5-sonnet-20241022",
    engine=claude,
    instructions="Synthesize gathered facts into clear, well-structured prose.",
)

# Conectar agentes mediante handoffs
researcher.add_handoff(synthesizer)
synthesizer.add_handoff(researcher)

runner = Runner(starting_agent=researcher)

En este enjambre:

1. El Investigador se ejecuta sobre Gemini 2.5 Flash para ingestión y búsqueda de alto rendimiento.
2. Una vez recopilados los datos, la sesión se transfiere al Sintetizador sobre Claude 3.5 Sonnet.
3. Los mensajes históricos y los IDs de llamadas a herramientas se normalizan automáticamente, evitando incompatibilidades de formato entre proveedores.