“Agente de IA” es uno de los términos más usados y menos definidos del ecosistema actual. Para este artículo, usamos una definición práctica: un sistema donde un LLM toma decisiones sobre qué acciones ejecutar, en qué orden, basándose en el objetivo y el estado actual.
Los patrones que funcionan
ReAct: Razonar y Actuar en bucle
ReAct (Reasoning + Acting) es el patrón más probado. El modelo alterna entre:
- Thought: razonamiento sobre el estado actual y qué hacer
- Action: ejecutar una herramienta
- Observation: procesar el resultado de la herramienta
Thought: Necesito saber el precio actual de la acción
Action: search_stock_price(symbol="AAPL")
Observation: AAPL cotiza a $187.43
Thought: Ahora puedo calcular el cambio respecto al día anterior
Action: get_previous_close(symbol="AAPL")
...ReAct funciona bien para tareas con pasos claros y herramientas bien definidas. Falla cuando el espacio de decisiones es muy amplio o los pasos son muy interdependientes.
Plan-and-Execute: planificación separada de ejecución
En lugar de planificar y ejecutar en el mismo bucle, este patrón tiene dos fases:
- Un LLM crea un plan completo de pasos
- Otro LLM (o el mismo) ejecuta cada paso
La ventaja: el plan puede revisarse antes de ejecutarse. La desventaja: los planes generados antes de ejecutar nada pueden quedar obsoletos cuando las condiciones cambian.
Multi-agent: agentes especializados coordinados
Varios agentes con responsabilidades diferentes que se pasan información. Un agente “orchestrator” delega tareas a agentes “worker” especializados.
Funciona cuando las subtareas son suficientemente independientes. Añade complejidad significativa: gestión de estado entre agentes, fallos en cascada, debugging difícil.
Los antipatrones más comunes
El agente todopoderoso: darle al agente acceso a demasiadas herramientas. Más herramientas significa más superficie para errores y más dificultad para que el modelo elija bien.
Sin estado ni memoria: agentes que no recuerdan lo que hicieron dos pasos antes. Produce bucles y trabajo duplicado.
Sin límites de iteración: un agente sin un máximo de pasos puede ejecutarse indefinidamente en bucles. Siempre pon límites explícitos.
Herramientas no idempotentes sin confirmación: si una herramienta tiene efectos secundarios (enviar email, modificar base de datos), el agente debe confirmar antes de ejecutarla, no hacerlo automáticamente.
El estado del arte en frameworks
LangGraph: el framework más maduro para agentes con estado. Usa un grafo donde los nodos son funciones y las aristas son transiciones condicionales.
CrewAI: para multi-agent con roles definidos. Más opinionado, menos flexible.
Autogen de Microsoft: enfocado en colaboración entre agentes, con soporte para conversaciones entre múltiples modelos.
Para empezar, la recomendación es implementar ReAct a mano antes de adoptar un framework: entender qué hace cada pieza es esencial para debuggear cuando falle.
Fuentes: Paper “ReAct: Synergizing Reasoning and Acting” (Yao et al., 2023), documentación de LangGraph, análisis de Anthropic sobre patrones de agentes.