agente de IA
agentic system · autonomous agent
En corto
Un agente de IA es un modelo de lenguaje conectado a herramientas que puede llamar, dado un objetivo en lugar de una sola pregunta, y permitido para hacer un bucle — llamando a una herramienta, leyendo el resultado, decidiendo el siguiente paso — hasta que juzgue que el objetivo se ha cumplido o alcance un límite. El bucle es lo que distingue a este de un chatbot.
Un agente es tres componentes alrededor de un modelo: herramientas que puede llamar, un objetivo declarado por encima del nivel de una sola acción, y un bucle en el que decide qué hacer a continuación después de cada resultado.
Las herramientas son funciones ordinarias — una consulta a base de datos, una solicitud HTTP, una escritura de archivo — descritas al modelo por nombre, propósito y esquema de argumentos. El modelo nunca ejecuta nada por sí mismo; emite una llamada estructurada, tu tiempo de ejecución la ejecuta y el resultado se devuelve como texto. Un agente solo es tan capaz como las herramientas que se le dan.
La ingeniería que importa es casi enteramente sobre acotar el bucle:
- Paso, tiempo y presupuestos de tokens, de modo que un agente atascado se detenga.
- Un límite de permisos impuesto en el tiempo de ejecución: leer ampliamente, escribir de forma estrecha, requerir aprobación para cualquier cosa irreversible.
- Un registro reproducible de cada llamada y resultado.
- Una verificación económica del resultado — la razón por la que los agentes de codificación funcionaron primero es que las pruebas responden automáticamente «¿funcionó?».
La consideración de seguridad específica para agentes es inyección de prompt: cualquier contenido que lea el agente puede contener instrucciones dirigidas a él. La defensa no es un mejor prompt sino un conjunto menor de permisos. Vea el explicador completo en qué es un agente de IA.
Preguntas frecuentes
- ¿Cómo es un agente diferente de un flujo de trabajo?
- Un flujo de trabajo sigue pasos decididos con antelación. Un agente decide la secuencia en tiempo de ejecución a partir de lo que observa, lo que compra flexibilidad y sacrifica la predictibilidad.
- ¿Por qué los agentes fallan más de lo esperado?
- Los errores por paso se acumulan. Con una fiabilidad del 95 % por paso, una tarea de veinte pasos tiene éxito aproximadamente un tercio de las veces. Reducir el alcance ayuda mucho más que un modelo más grande.