🧩 Propósito general

Este script define un workflow de investigación histórica usando LangGraph y modelos LLM (Deepseek y GPT‑4o). La idea es:

1. Planificar pasos de investigación.
2. Ejecutar cada paso con un agente que usa herramientas externas (Wikipedia, noticias, RAG).
3. Replanificar si hace falta, hasta llegar a una respuesta final.
4. Registrar todo en archivos Markdown y opcionalmente visualizar el grafo del flujo.

🔎 Partes principales del código

1. Imports y configuración

• Usa asyncio para ejecución asíncrona.
• logging para registrar eventos.
• langchain, langgraph y pydantic para definir agentes, prompts y estructuras de datos.
• Intenta importar herramientas personalizadas (wikipedia_tool, ddg_news_tool, agent_tools, etc.). Si no existen, crea dummy definitions para que compile.

2. Carga de modelos y herramientas

• Llama a get_model("Deepseek") y get_model("gpt-4o").
• Si ambos modelos están disponibles, prepara una lista de herramientas (planner_tools) que incluyen:
  • Wikipedia, noticias, feedback humano.
  • Agentes RAG especializados en historia (visigodos, íberos, celtas, etc.).
• Si no se cargan, usa solo herramientas básicas o un dummy agent.

3. Estructuras de datos (Pydantic)

Define clases para estructurar la información:

• Plan: lista de pasos de investigación.
• Response: respuesta final al usuario.
• Act: puede ser un Plan o una Response.
• PlanExecute: estado compartido del workflow (input, plan, pasos pasados, respuesta, logs).

4. Agentes y prompts

• planner_agent: ejecuta pasos del plan con herramientas.
• planner_runnable: genera un plan inicial enfocado en la época visigoda.
• replanner_runnable: revisa el plan y decide si continuar o dar respuesta final.

Los prompts están diseñados para que el agente actúe como investigador histórico y se enfoque en evidencias arqueológicas, cronológicas y culturales.

5. Funciones de nodos

• plan_step: genera un plan inicial.
• execute_step: ejecuta el primer paso del plan.
• replan_step: decide si continuar o responder.
• log_to_file: guarda cada salida en un archivo Markdown (../informes_trace/trace_YYYYMMDD_HHMMSS.md).
• should_end: condición de finalización (si ya hay respuesta o plan vacío).

6. Construcción del workflow

Usa StateGraph de LangGraph:

• Flujo inicial: START → planner → log_plan → agent.
• Bucle: agent → log_exec → replan → log_replan → (agent o END).

Esto asegura que el agente planifica, ejecuta, replanifica y registra cada paso hasta terminar.

7. Ejecución

• Función run_planner_agent(question) ejecuta el flujo asíncrono.
• Captura la respuesta final y la imprime.
• En __main__, define una pregunta de investigación sobre Sant Martí de les Tombetes (Vall d’Àger) y ejecuta el workflow.
• Intenta además generar una visualización del grafo con Graphviz.

📌 Resumen conceptual

Este código es un pipeline de investigación histórica automatizado:

• Planifica → qué pasos seguir.
• Ejecuta → cada paso con agentes y herramientas.
• Replanifica → si falta información.
• Responde → con una síntesis final.
• Loggea → todo en archivos Markdown y opcionalmente genera un grafo visual.