Introducción a Agentes de IA
Nivel básico — qué es un agente de IA, su ciclo de razonamiento, y un primer agente funcional con Claude API.
El problema
Los LLMs son potentes generando texto, pero tienen una limitación fundamental: solo pueden responder con lo que saben. No pueden verificar información actual, ejecutar código, consultar bases de datos ni interactuar con sistemas externos.
Situación típica: tu equipo usa ChatGPT para responder preguntas de clientes. Un cliente pregunta "¿cuál es el estado de mi pedido #12345?". El LLM inventa una respuesta plausible pero falsa porque no tiene acceso a tu sistema de pedidos. // sin capacidad de acción, un LLM solo puede generar texto
El ciclo del agente
Un agente opera en un ciclo continuo de tres fases: Percepción (recibe información del entorno — input del usuario, resultados de herramientas, estado actual), Razonamiento (el LLM analiza la situación y decide qué hacer: si necesita más información, qué herramienta usar, o si ya puede dar una respuesta final), y Acción (ejecuta lo decidido — llamar una herramienta, hacer una consulta, generar output — y el resultado alimenta el siguiente ciclo).
Input → [Razonar] → [Actuar]
↑ |
└─── Observar ←──┘
(repite hasta completar)
Componentes esenciales
| Componente | Función | Ejemplo |
|---|---|---|
| LLM | Motor de razonamiento | Claude, GPT-4 |
| Herramientas | Capacidades de acción | API calls, búsqueda, código |
| Memoria | Contexto de la conversación | Historial de mensajes |
| Loop de control | Orquestación del ciclo | Código que conecta todo |
Cuándo usar agentes
| Usa agentes cuando... | NO uses agentes cuando... |
|---|---|
| La tarea requiere múltiples pasos con decisiones intermedias | Una sola llamada al LLM resuelve el problema |
| Necesitas información externa o actualizada | Toda la información está en el prompt |
| El plan de acción depende de resultados intermedios | El flujo es completamente predecible |
| Hay interacción con sistemas externos (APIs, DBs, archivos) | El output es puramente conversacional |
Es fácil describir el ejemplo de esta lección diciendo "el agente decidió usar la herramienta dos veces". Técnicamente el modelo selecciona la siguiente acción según los patrones de su entrenamiento y el contexto del prompt en cada paso del loop — no hay una intención en el sentido humano. La distinción importa en la práctica: cuando un agente se comporta de forma inesperada, depurar el prompt y el contexto da mejores resultados que preguntarse "por qué decidió eso".
Practica: agente con herramienta de calculadora
Con Python 3.8+ y la librería anthropic, construye un agente mínimo con una herramienta de calculadora (tool_use de Claude API):
def execute_tool(tool_name, tool_input): ...
def run_agent(user_message):
while True:
response = client.messages.create(model="claude-sonnet-4...", tools=tools, ...)
# si stop_reason == "tool_use": ejecutar y continuar el loop
# si no: devolver la respuesta final
Prueba: "Si tengo 150 euros y gasto el 23% en comida, ¿cuánto me queda?" — el agente debería encadenar dos llamadas a la calculadora (150 × 0.23, luego 150 − 34.5) sin que se lo indiques paso a paso. Después experimenta con una pregunta que no requiera herramienta, una con múltiples pasos, y una ambigua, para ver cómo cambia el comportamiento.