Este post fue traducido automáticamente. Para la versión original, haz clic aquí.
Crear una app de conferencias con IA usando la pila componible de .NET — Microsoft creó ConferencePulse, una app Blazor Server para sesiones de conferencias en vivo, combinando cinco bibliotecas de extensión de .NET. La usaron en el MVP Summit.
Qué hace ConferencePulse
ConferencePulse se ejecuta durante las sesiones en vivo y proporciona: encuestas generadas por IA a partir del contenido de la sesión, preguntas y respuestas del público con un pipeline RAG que extrae de una base de conocimiento en vivo, insights generados automáticamente y resúmenes de sesiones producidos por múltiples agentes de IA concurrentes. La pila es .NET 10, Blazor Server, Aspire, dividida en cinco proyectos: Web, Core, Ingestion, Agents, Mcp y AppHost.
Microsoft.Extensions.AI: una abstracción para todo
IChatClient es la abstracción unificada — se configura una vez y la misma interfaz funciona para Azure OpenAI, OpenAI, Anthropic o cualquier otro proveedor. Seis líneas para obtener un cliente totalmente configurado con invocación de funciones, rastreo OpenTelemetry y middleware de registro:
services.AddChatClient(new AzureOpenAIClient(...).GetChatClient("gpt-4o"))
.UseFunctionInvocation()
.UseOpenTelemetry()
.UseLogging();
El mismo IChatClient se reutiliza más adelante para el paso de enriquecimiento de la ingesta de datos — no se necesita un cliente separado para eso.
Pipeline de DataIngestion
El contenido de la sesión fluye a través de un pipeline: MarkdownReader → HeaderChunker (500 tokens, 50 tokens de solapamiento) → SummaryEnricher + KeywordEnricher → VectorStoreWriter (Qdrant). Los enriquecedores usan el mismo IChatClient para generar resúmenes y extraer palabras clave antes de la indexación. Las preguntas del público, los pares de preguntas y respuestas y los resultados de las encuestas se ingieren en tiempo real a medida que avanza la sesión — la base de conocimiento crece durante la charla.
VectorData: búsqueda independiente del proveedor
VectorStoreCollection.SearchAsync() funciona igual tanto si el almacén subyacente es Qdrant como Azure AI Search. La búsqueda híbrida (vector + texto completo) es compatible. El pipeline RAG para preguntas y respuestas del público consulta esta colección y obtiene fragmentos relevantes para pasar como contexto al cliente de chat.
MCP: contenido de la sesión como herramientas
El contenido de la sesión se expone a través de MCP para que cualquier cliente compatible con MCP pueda acceder a él. Tanto el servidor como el cliente están implementados — el servidor expone el conocimiento de la sesión como herramientas MCP, y el cliente permite llamar a esas herramientas desde dentro del pipeline del agente.
Agent Framework: resumen multi-agente en paralelo
El resumen de la sesión es generado por tres agentes que se ejecutan de forma concurrente — PollSummaryAgent, QuestionSummaryAgent e InsightSummaryAgent — y luego se fusionan. Esto utiliza el patrón de chat en grupo o ejecución paralela de Microsoft Agent Framework. Cada agente maneja una preocupación; el orquestador fusiona las salidas.
El principio de diseño
El post hace un punto que vale la pena recordar: usa la herramienta más simple que se adapte. Llamadas directas a IChatClient para tareas de generación simples. Llamada de herramienta/función para la extracción de datos estructurados. Agentes completos solo cuando necesitas razonamiento autónomo de múltiples pasos. La superposición de bibliotecas lo enforza — puedes usar Microsoft.Extensions.AI sin incluir el Agent Framework completo.
Consulta el post completo para la estructura completa del proyecto y los enlaces al código fuente.
