Funciones de IA: Generación de Código en Tiempo de Ejecución con Verificación Automatizada

AI Functions es un nuevo proyecto de Strands Labs construido sobre el SDK de Strands Agents que permite la generación de código de IA en tiempo de ejecución con verificación automatizada continua. En lugar de solo generar texto para que los humanos lo integren, produce código que se ejecuta dentro de tu aplicación en el momento de la llamada, devolviendo objetos nativos de Python como DataFrames, modelos Pydantic o conexiones de bases de datos.

Cómo funcionan las AI Functions

La abstracción principal es el decorador @ai_function. Escribes una función de Python con una especificación en lenguaje natural en el docstring en lugar de código de implementación. Cuando se llama a la función, el decorador intercepta la llamada, construye un prompt a partir del docstring (sustituyendo argumentos), lo envía a un LLM, ejecuta el código generado en tu proceso de Python y devuelve el resultado como un objeto nativo.

Aquí está el ejemplo básico de la fuente:

from ai_functions import ai_function

@ai_function
def translate_text(text: str, lang: str) -> str:
    """
    Traduce el texto siguiente al siguiente idioma: {lang}.
    {text}
    """
result = translate_text("The quarterly results exceeded expectations.", lang="French")

Diferenciador clave: Verificación automatizada

La característica crítica son las postcondiciones – aserciones simples de Python que definen cómo debe verse la salida correcta. Estas se ejecutan en cada llamada a la función, no solo antes del despliegue. Si la verificación falla, el sistema reintenta automáticamente con el error como retroalimentación. El humano nunca inspecciona el código generado; las postcondiciones manejan la verificación cada vez.

Concepto de Software 3.1

El artículo posiciona esto como "Software 3.1" – una evolución del marco de Andrej Karpathy donde Software 3.0 es "el humano indica, el LLM genera, el humano verifica". AI Functions representan "el humano especifica, el LLM genera y ejecuta, la máquina verifica – en tiempo de ejecución". El modelo de ejecución difiere fundamentalmente: el LLM no produce texto para integración humana sino código que se ejecuta directamente en tu aplicación.

Esto cambia tres aspectos simultáneamente: dónde encaja la IA en tu software (tiempo de ejecución en lugar de solo tiempo de desarrollo), qué produce (objetos vivos sobre los que puedes llamar métodos en lugar de texto serializado) y cómo confías en ella (verificación automatizada continua en lugar de revisión humana única).