AnovaX: A Local, Multi-Agent Voice Assistant with LLM Planning, Typed Executors, and Adaptive Recovery
El artículo presenta AnovaX, un asistente de voz multiagente de prioridad local que se ejecuta íntegramente en el dispositivo del usuario para orquestar interacciones de escritorio mediante un planificador de LLM, agentes de herramientas tipificadas y recuperación adaptativa, al tiempo que permite el control y la monitorización remotos en tiempo real a través de una interfaz de teléfono compañera.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
La voz que vive en tu máquina
Imagina que tienes un asistente súper inteligente viviendo en tu bolsillo, uno que puede escuchar tu voz, entender peticiones complejas e incluso controlar tu computadora. Durante años, esta idea ha estado dominada por asistentes en la "nube" como Siri o Alexa. Piensa en estos asistentes de la nube como mensajeros que toman tu voz, la llevan kilómetros de distancia hasta una granja de servidores gigante, obtienen una respuesta y regresan con ella. Aunque es rápido, esto significa que tus conversaciones privadas salen de tu casa, y el asistente solo puede hacer un conjunto fijo de trucos para los que fue programado. Es como tener un mayordomo que solo puede abrir las puertas que ya has instalado, pero que no puede tomar una pluma para escribir una nota por ti.
El campo de la Inteligencia Artificial (IA) ha descubierto recientemente que los modelos de lenguaje extensos (LLM) son increíblemente buenos entendiendo el lenguaje humano. Sin embargo, ha surgido una nueva pregunta: ¿Podemos construir un asistente que se quede dentro de tu computadora, mantenga tus secretos de forma local y realmente haga cosas en tu escritorio —como abrir aplicaciones, escribir texto o hacer clic en botones— en lugar de solo responder preguntas de cultura general? Este documento explora un proyecto llamado AnovaX, que intenta construir un asistente de voz de enfoque "local-first". En lugar de enviar tu voz a la nube, AnovaX se ejecuta enteramente en tu laptop. Utiliza un planificador inteligente para determinar qué hacer, pero depende de un equipo de "trabajadores" especializados y preprogramados para tocar realmente el teclado y el ratón. El objetivo no es vencer a los gigantes tecnológicos en su propio juego, sino demostrar que una persona sola puede construir un sistema pequeño, legible y seguro para controlar su propia máquina sin necesidad de una conexión a la nube para cada movimiento.
AnovaX: El mayordomo local que no necesita la nube
Conoce a AnovaX. Es un asistente de voz que vive enteramente en tu laptop, diseñado para ser una alternativa transparente, segura y local a los grandes asistentes basados en la nube. Los creadores lo construyeron para demostrar que no necesitas un sistema masivo y opaco para controlar tu computadora; solo necesitas un equipo pequeño y bien organizado de trabajadores digitales.
La gran idea: Un planificador y un equipo de especialistas
Imagina que eres el jefe de una oficina con mucho movimiento. No quieres hacer cada tarea tú mismo; quieres delegar. En AnovaX, el "jefe" es un planificador de IA inteligente (usando un modelo llamado Gemini). Cuando dices: "Abre el Bloc de notas y escribe una historia", el planificador no intenta realizar la escritura por sí mismo. En su lugar, escribe un plan rápido en un código especial (JSON) y se lo entrega a un Orquestador Multi-Agente.
Piensa en el Orquestador como un director de escena frenético pero eficiente. Toma la lista del planificador y asigna cada tarea a un "agente hijo" específico.
- AppAgent es quien sabe cómo lanzar programas.
- TypingAgent es quien realmente escribe en el teclado.
- BrowserAgent gestiona las búsquedas web.
- MediaAgent toma capturas de pantalla.
Cada uno de estos agentes es un pequeño robot especializado con sus propias reglas. Por ejemplo, el TypingAgent tiene una regla estricta: debe esperar a que el teclado esté libre antes de empezar a escribir, para no chocar con otro agente que intente presionar una tecla. Este sistema permite al asistente hacer múltiples cosas a la vez. Si le pides que "Tome una captura de pantalla y me diga la hora", el Orquestador envía esos dos trabajos a dos agentes diferentes simultáneamente, ahorrándote tiempo.
La seguridad es lo primero: El filtro de doble verificación
Una de las mayores preocupaciones con la IA es que pueda hacer algo peligroso, como borrar tus archivos. AnovaX resuelve esto con un "filtro de seguridad de dos etapas".
- El Filtro Suave: Al planificador de IA se le da una lista de palabras "prohibidas" (como "borrar" o "formatear") y se le indica que no las use.
- El Filtro Duro: Antes de que cualquier agente tenga permitido tocar tu computadora, un programa de Python verifica el plan contra una "lista blanca" estricta (solo se permiten herramientas aprobadas) y una "lista negra" (palabras clave prohibidas). Si el plan intenta colar un comando peligroso, todo el proceso se bloquea inmediatamente y el usuario recibe una negativa cortés.
Esto sucede cada vez, incluso si la IA intenta dividir el plan en subtareas más pequeñas. Es como tener un guardia de seguridad que revisa tu identificación antes de que entres al edificio, y luego revisa tu identificación de nuevo antes de que entres a la habitación específica.
El "Bucle de Recuperación": Cuando las cosas salen mal
A veces, incluso los mejores planes fallan. Tal vez la aplicación que pediste abrir no está instalada, o una ventana emergente roba el foco de atención. En sistemas antiguos, esto simplemente detendría todo el proceso. AnovaX tiene un ingenioso "bucle de recuperación".
Si un paso falla, el sistema no se rinde. Despierta un segundo bucle de IA, más rápido, que actúa como un detective. Observa qué salió mal, piensa en un nuevo plan (como "Ah, el nombre de la aplicación era incorrecto, déjame intentar buscarla") e intenta de nuevo. Para que esto se sienta instantáneo, mientras el detective está pensando, el sistema ejecuta de manera "especulativa" tareas seguras de solo lectura en segundo plano (como revisar la hora) para que, cuando el nuevo plan esté listo, esas partes ya estén terminadas.
Vigilando desde el teléfono
El proyecto también incluye una función genial donde puedes controlar tu laptop desde tu teléfono. Puedes hablar a tu teléfono y el comando se envía a tu laptop a través de tu red Wi-Fi doméstica. Aún más increíble, la laptop transmite su pantalla de vuelta a tu teléfono en tiempo real. Puedes estar en otra habitación, observar cómo la laptop abre aplicaciones y escribe por sí sola, y ver exactamente qué están haciendo los "agentes" mientras trabajan.
Lo que puede y no puede hacer
El documento muestra que AnovaX puede realizar con éxito:
- Abrir aplicaciones de escritorio (como el Bloc de notas).
- Escribir texto y presionar teclas.
- Buscar en la web y en YouTube.
- Tomar capturas de pantalla y decirte la hora.
- Manejar solicitudes complejas de varios pasos (como "Abre el Bloc de notas, escribe un párrafo y guárdalo").
- Rechazar comandos peligrosos (como "Borra mi carpeta de descargas").
Sin embargo, los autores son muy claros sobre sus límites. El sistema es "ciego". No ve realmente la pantalla para saber si una ventana se abrió correctamente; simplemente envía el comando y espera que funcione. Si una ventana emergente bloquea la pantalla, el agente podría seguir escribiendo en el lugar equivero. También depende de la nube para el "pensamiento" inicial (el planificador de IA) y para escuchar tu voz, aunque los autores sugieren que estas funciones podrían sustituirse por versiones locales en el futuro para hacerlo completamente offline.
La conclusión
AnovaX no intenta ser el próximo Siri. Es una prueba de concepto que demuestra que un asistente local pequeño, legible y seguro es posible. Al desglosar el problema en un planificador, un guardi de seguridad y un equipo de agentes especializados y tipificados, los creadores han construido un sistema que es transparente y controlable. Demuestra que no necesitas una caja negra en la nube para controlar tu computadora; solo necesitas un equipo bien organizado de ayudantes digitales corriendo directamente en tu escritorio.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.