¡Hola Chiquis!👋🏻la evolución de la inteligencia artificial está entrando en una nueva etapa: los sistemas que no solo responden preguntas, sino que planifican y ejecutan tareas completas. ¿Cómo diseñar agentes autónomos modernos paso a paso?
A esto se le llama Agentic AI. Un AI Agent es un sistema que puede: percibir información, razonar sobre un objetivo, planificar pasos, usar herramientas, ejecutar acciones y aprender de la experiencia.
Dicho de forma sencilla: un agente es una IA con iniciativa. En esta guía vamos a ver:
- La arquitectura real de un agente moderno
- Los componentes clave
- Diagramas de funcionamiento
- Ejemplos de código funcional
- Cómo construir un agente completo
Arquitectura de un AI Agent moderno
Un agente no es solo un LLM. Es un sistema compuesto por varios módulos.
-
Arquitectura base
Usuario │ ▼ ┌───────────────┐ │ Interface/API │ └───────┬───────┘ │ ▼ ┌───────────────┐ │ LLM Reasoning │ │ (brain agent) │ └───────┬───────┘ │ ┌───────┴────────┐ ▼ ▼ ┌─────────────┐ ┌─────────────┐ │ Memory │ │ Planning │ │ (vector DB) │ │ task system │ └──────┬──────┘ └──────┬──────┘ │ │ ▼ ▼ ┌────────────────────────┐ │ Tool Manager │ │ APIs / DB / Services │ └──────────┬─────────────┘ │ ▼ External Tools Componentes clave:
- Ciclo de ejecución de un agente
Un agente funciona mediante un loop de razonamiento.
Input → Reason → Plan → Act → Observe → Repeat
-
Diagrama
┌───────────┐ │ Usuario │ └─────┬─────┘ │ ▼ ┌─────────────┐ │ Razonar │ │ LLM │ └─────┬───────┘ │ ▼ ┌─────────────┐ │ Planear │ │dividir tarea│ └─────┬───────┘ │ ▼ ┌─────────────┐ │ Ejecutar │ │ herramientas│ └─────┬───────┘ │ ▼ ┌─────────────┐ │ Observar │ │ resultados │ └─────┬───────┘ │ └──── loopEste ciclo se llama ReAct Framework (Reason + Act).
Componentes técnicos del agente
- El cerebro: LLM Reasoning
El LLM toma decisiones. Ejemplo simple usando OpenAI compatible API.
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="gpt-4o-mini",
messages=[
{"role": "system", "content": "You are an AI agent that plans tasks."},
{"role": "user", "content": "Find the weather in Bogotá"}
]
)
print(response.choices[0].message.content)
El modelo genera: pensamiento, decisión y acción.
- Memory (memoria del agente)
Sin memoria, un agente olvida todo. Hay dos tipos:
- Memoria corta: historial de conversación.
- Memoria larga: base de datos vectorial.
-
Arquitectura típica:
Agent │ ▼ Embedding Model │ ▼ Vector Database │ ▼ Semantic Search Ejemplo con FAISS
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
texts = [
"Bogotá is the capital of Colombia",
"The city is located in the Andes mountains"
]
db = FAISS.from_texts(texts, OpenAIEmbeddings())
query = "Where is Bogota located?"
docs = db.similarity_search(query)
print(docs[0].page_content)
Esto permite recordar información semánticamente.
Tool Use (uso de herramientas)
Los agentes modernos pueden usar: APIs, bases de datos, buscadores, calculadoras y sistemas internos.
-
Arquitectura:
LLM │ ▼ Tool Selector │ ▼ Tool Execution │ ▼ Return result Ejemplo de herramienta:
import requests
def get_weather(city):
url = f"https://api.weatherapi.com/v1/current.json?key=API_KEY&q={city}"
response = requests.get(url)
data = response.json()
return data["current"]["temp_c"]
El agente decide cuándo usarla.
Planner (planificación de tareas)
Los agentes complejos dividen problemas grandes. Ejemplo:
- Usuario:
Analiza el mercado de IA y crea un resumen
- Plan generado:
1. Buscar tendencias IA
2. Analizar artículos
3. Generar resumen
- Ejemplo de planner simple:
def planner(task):
steps = [
"search information",
"analyze data",
"generate report"
]
return steps
Ejemplo agente simple
Vamos a construir un agente que: recibe una pregunta, decide usar herramientas y devuelve una respuesta.
- Paso 1: definir las herramientas
def calculator(a, b):
return a + b
- Paso 2: definir el agente
class SimpleAgent:
def __init__(self):
self.tools = {
"calculator": calculator
}
def run(self, query):
if "sum" in query:
result = self.tools["calculator"](5, 3)
return f"Result: {result}"
return "I don't know how to solve that"
- Paso 3: ejecutar el agente
agent = SimpleAgent()
print(agent.run("sum numbers"))
Output:
Result: 8
Este es el concepto base de los agentes modernos.
Arquitectura de agentes en producción
Los sistemas reales usan múltiples servicios.
-
Arquitectura empresarial
User │ ▼ API Gateway │ ▼ Agent Controller │ ┌───────────┴───────────┐ ▼ ▼ Planner Engine Memory Service │ │ ▼ ▼ Tool Manager Vector Database │ ▼ External APIs
Tecnologías comunes:
Multi-Agent Systems
La siguiente evolución son equipos de agentes. Ejemplo:
Research Agent
│
▼
Analysis Agent
│
▼
Writer Agent
-
Diagrama:
Manager Agent │ ┌─────────┼─────────┐ ▼ ▼ ▼ Research Analysis Writing Agent Agent Agent
Frameworks que permiten esto: CrewAI, Autogen, LangGraph.
Ejemplo de sistema multi-agente
- Ejemplo conceptual:
class ResearchAgent:
def run(self, topic):
return f"Research about {topic}"
class WriterAgent:
def run(self, research):
return f"Article based on {research}"
researcher = ResearchAgent()
writer = WriterAgent()
data = researcher.run("AI agents")
article = writer.run(data)
print(article)
3 Mejores prácticas para diseñar agentes
- Limitar herramientas: demasiadas herramientas confunden al LLM.
- Diseñar prompts claros: el prompt es el sistema operativo del agente.
- Usar memoria estructurada: vector memory, episodic memory, knowledge base.
- Observabilidad: siempre registrar:
logs
decisions
tool calls
errors
Tendencias del futuro
La evolución actual apunta a:
- **Autonomous AI Systems: **sistemas completos operando sin humanos.
- Agent marketplaces: agentes especializados interactuando.
- E*dge AI Agents:* agentes ejecutándose en dispositivos.
- Self-improving agents: agentes que mejoran su propio código.
Conclusión
Los AI Agents representan el cambio más importante en la arquitectura de software desde la nube. Estamos pasando de:
Software tradicional
↓
Model-centric AI
↓
Agent-centric systems
En los próximos años veremos: empresas operadas por agentes, desarrollo de software automático e investigación científica asistida por IA
La pregunta ya no es: ¿puede la IA responder preguntas?; la pregunta ahora es: ¿qué sistemas completos puede ejecutar?.
¡Gracias por acompañarme en esta aventura tech! 👩🏻🦰 👩🏻💻✨
🚀 ¿Te ha inspirado este contenido?
Me encantaría saber tu opinión o leer tus experiencias. 🧡
Si quieres explorar más de lo que estoy creando (proyectos, blogs, contenido tech y novedades en IA/ML), te invito a visitar:
Y si prefieres conectar:
✨ Code with heart - Create with soul ✨
Referencias:
Imágenes creadas con Gemini (google.com)
porunmillondeamigos #makeyourselfvisible #creatorcontent #linkedin #developers #opentowork #AIAgents #AgenticAI #AIArchitecture #MultiAgentSystems #AIEngineering #FutureOfAI #TechLeadership
Top comments (0)