8. AI Agents y flujos agénticos

1 · QUÉ ES — PARA PROFANOS

Un LLM responde. Un agente actúa. La fórmula del sector es de una línea:

La metáfora del becario: el modelo es un becario brillante. El agente es el mismo becario

con teléfono, manual y normas: puede llamar a herramientas (buscar un documento, crear una

tarea, enviar un mensaje), ver el resultado, y decidir el siguiente paso. Eso es un flujo

agéntico: un bucle de pensar → actuar → observar → volver a pensar, que el sector llama ReAct.

Ejemplo de andar por casa: "¿ha llegado la transferencia de X?" — un LLM pelado diría "no lo

sé". Un agente llama a la herramienta de pagos, mira el resultado, y responde con el dato. La

diferencia entre responder y hacer es exactamente la frontera que define el puesto de la JD.

Y la parte que se descubre al vivirlo: el becario, en el bucle, puede llamarse a sí mismo. O

llamar a otro que le llama a él. Y ahí se queda, quemando tokens en círculos, sin que nadie lo vea.

Controlar el bucle es la mitad del oficio — la otra mitad es medir lo que el bucle produce

(documento 07).

Las piezas estándar:, Pieza, Qué es, Productos típicos,, Tool calling, declarar funciones y que el modelo pida llamarlas, function calling de OpenAI, MCP,, Orquestación, definir el flujo del agente, LangChain, LangGraph, CrewAI, AutoGen, OpenAI Agents SDK,, Protocolo de herramientas, cómo las herramientas se exponen al agente, MCP (estándar desde 2025),, Supervisión humana, cuándo una persona revisa, human-in-the-loop, aprobaciones,, Observabilidad, ver qué hizo el agente, paso a paso, LangSmith, Langfuse, Los dos estilos de orquestación que conviven:

1. Agente único con herramientas — un modelo que decide y llama. Simple, para tareas cortas.

2. Multi-agente — varios agentes con especialidad y jerarquía. Para procesos largos, donde un

solo contexto no basta o donde conviene separar responsabilidades.

Los errores conocidos del sector: bucles infinitos (quema de tokens), agentes que se inventan

haber hecho algo (alucinan la acción), y "autonomía excesiva" — darle al agente permisos que no

necesita. Todo esto está documentado en los postmortems públicos de 2025: los agentes fallan por

el bucle y por el permiso, no por el modelo.

- MCP como estándar universal: Anthropic lo propuso, y en 2025 OpenAI y Google lo adoptaron. Un

agente puede usar herramientas de cualquier proveedor que hable MCP. La apuesta que hicimos

nosotros antes de que fuera moda es ahora la apuesta del sector.

- A2A (Agent-to-Agent): el protocolo de Google para que agentes de organizaciones distintas se

deleguen trabajo. Multi-agente, pero cruzando fronteras de empresa.

- Agentes con ordenador (computer use): el agente maneja pantallas y navegadores. Potente,

caro, y aún difícil de auditar — por eso los entornos regulados lo miran con cautela.

- Evaluación de agentes como producto: de "probamos a ver" a baterías que miden tasa de tarea

completada y coste por tarea. El agente deja de ser una demo y se convierte en un servicio

con SLA.

- Agentes que se corrigen (self-reflection): el agente revisa su propia salida antes de

entregarla. Mejora calidad, añade latencia y coste — la misma tensión que nuestra auditoría

multi-modelo resuelve por capas (documento 08).

El ecosistema es un equipo de agentes con contrato, no un agente que hace todo:, Agente, Rol, Nota medida (últimas 30 rondas),, Zalo, coordinación, base de conocimiento y memoria, 7,1,, Lisa, planificación y orquestación, 7,1,, Tom, worker ligero: clasificar, extraer, resumir, 6,8,, Angi, PM: tareas, dashboards, métricas, 6,4,, Campo, contenidos y campañas, 6,0,, Gon, redes y publicación, 2,8 — degradado, y el sistema lo sabe, La orquestación es una cadena con roles: orquestador → coordinador → analista → ejecutores

ligeros. Cada agente con su modelo, su contexto y su contrato — lo que la industria llama

multi-agente, operado con criterio propio.

Las dos decisiones de diseño que nos separan del tutorial:

1 · El anti-bucle vive en el esquema, no en el prompt.

El conjunto de agentes delegables se reduce dinámicamente a los que no están ya en la cadena.

Si la cadena está llena, la herramienta desaparece del esquema antes de enviarlo al modelo. Un

prompt se puede ignorar; un esquema sin la opción, no. La industria compra esto en LangGraph; lo

nuestro es estructural y no se puede desobedecer desde el texto.

2 · Las herramientas tienen contrato y el protocolo es nuestro.

18 servidores de agente y herramienta + 7 puentes de plataforma, sobre MCP. El transporte entre

agente y herramienta no es JSON: es un protocolo binario propio (204 tests, 0 fallos, fuzzing y

criptografía incluidos) que redujo un 44 % los datos agregados y cabe en 22 KB de WebAssembly

— lo que permite tener herramientas en el borde. No es un proyecto de comunidad: es una pieza que

construimos porque el estándar no cubría lo que necesitábamos.

Y el caso que demuestra el criterio: en clínica, el flujo agéntico no es "un agente que decide"

— es tres modelos en funciones distintas (perceptor que ve, auditor que ve y contradice,

razonador que no ve y sintetiza) con fusión asimétrica ×1,15 / ×0,70 (documento 08). Cuando el

error cuesta, el flujo agéntico se diseña para que la verificación sea parte del flujo, no un

apéndice.

> "Desarrollar AI Agents y flujos de trabajo basados en IA." · "AI Agents y agentic workflows."

> · "Integrar modelos de IA mediante APIs con aplicaciones y plataformas existentes."

"¿Qué es para ti un agente?"

> "Un modelo con herramientas y un bucle — pensar, actuar, observar, repetir. Y lo importante no

> es el bucle, es el control del bucle: quién puede llamar a quién, cuántas veces, y con qué

> límite. Un agente sin restricciones estructurales es un problema de coste esperando a pasar. El

> mío tiene la restricción en el esquema de la herramienta, no en una instrucción."

"¿Cómo evitas los bucles infinitos?"

> "Haciéndolos imposibles, no desaconsejándolos. El conjunto de agentes a los que se puede delegar

> se reduce dinámicamente: un agente no puede llamarse a sí mismo ni a un ancestro de su cadena, y

> cuando la cadena está llena, la herramienta de delegación desaparece del esquema antes de enviarlo

> al modelo. La regla vive donde no se puede desobedecer — un prompt se ignora, un esquema no."

"¿Cuándo decides que algo necesita un agente y no un simple prompt?"

> "Cuando la respuesta requiere más de una acción o un dato que el modelo no tiene. Si es una

> pregunta que se responde con texto, prompt. Si hay que buscar, comprobar, ejecutar y verificar,

> agente. Y la prueba del nueve es la decisión que cambia: si el sistema va a hacer algo que

> modifica estado, entonces el flujo lleva validación y registro — que es lo que la JD llama

> guardrails."

"¿Has trabajado con LangGraph u otros frameworks de agentes?"

> "Conozco el patrón que venden: grafos con estados para controlar los ciclos del agente. Mi

> orquestación resuelve lo mismo con una restricción estructural y me ha ido bien. Dicho eso: si el

> equipo ya trabaja con LangGraph, trabajo con LangGraph — lo que no haría es meterlo donde no

> aporta. Y MCP, que es lo que de verdad importa para exponer herramientas, lo uso en todos mis

> sistemas."