Agentes
Arquitectura
IA
Tool Calling
Aprender · Intro · 5 capítulos · Agentes de IA
Agentes de IA
Agentes de IA Intro · 5 capítulos · Presentación Siguiente Qué es un agente Agentes de IA → Biblioteca Intro · 5 capítulos · Agentes de IA → Intro Presentación 01 Qué es un agente 02 Anatomía de un agente 03 Cómo evaluar un agente 04 Seguridad de agentes 05 De la demo a producción 01 Conceptos Serie · 8 contenidos 02 Fundamentos de IA e IA generativa Serie · 4 capítulos 03 De las cavernas a la AGI Serie · 5 capítulos 04 Multimodalidad en IA Generativa Serie · 5 capítulos 05 Modelos razonadores Serie · 5 capítulos 06 IA, PIB, bienestar y energía Serie · 4 capítulos 07 Datacenters en el espacio Serie · 4 capítulos 08 Seguridad en IA Serie · 5 capítulos 09 Agentes de IA Serie · 5 capítulos 10 Agentes de voz en tiempo real Serie · 6 capítulos 11 Coding agents y agent harnesses Serie · 6 capítulos 12 Context engineering, memoria y MCP Serie · 6 capítulos 13 Ingeniería y economía de inferencia de LLMs Serie · 6 capítulos 14 Evaluar sistemas de IA en producción Serie · 6 capítulos 15 Notas técnicas Construir · 3 contenidos
01 Context engineering vs prompt engineering Abrir 02 Context budgets, priorización, compaction y provenance Abrir 03 Arquitecturas de memoria: working, episodic, semantic y estado persistente Abrir 04 Retrieval y ensamblado de contexto Abrir 05 MCP: hosts, clients, servers, tools, resources, prompts, ciclo de vida y fronteras de confianza Abrir 06 Skills, plugins, subagentes y hooks Abrir 01 Prefill vs decode Abrir 02 KV cache, jerarquía de memoria, continuous batching y PagedAttention Abrir 03 Cuantización, paralelismo y compromisos de memoria, rendimiento y calidad Abrir 04 Speculative decoding, prefix caching y otras optimizaciones de latencia Abrir 05 Model routing, fallback, caching y serving adaptado al workload Abrir 06 Benchmarking de inferencia: cost/task, throughput, latencia, energía y hardware Abrir 01 Qué evaluar: modelo, componente, sistema, workflow y trayectoria Abrir 02 Offline eval sets: curación, hard negatives, contaminación y versionado Abrir 03 LLM-as-judge y evaluación humana: calibración, sesgo, varianza y acuerdo Abrir 04 Evaluación de trayectorias de agentes y tools: éxito, eficiencia, recuperación y cumplimiento de política Abrir 05 Evaluación online: shadow, canary, A/B, guardrails y regression gates Abrir 06 Observabilidad, taxonomías de fallos y feedback loops producción → eval → reparación Abrir No hay contenidos que coincidan con la búsqueda.
Terminada
Técnico
~20 min
5 capítulos
Un chatbot genera respuestas. Un agente puede decidir una secuencia de acciones , usar herramientas y volver a observar lo que ocurre antes de continuar.
Eso no convierte al modelo en una entidad autónoma ni elimina la necesidad de diseñar el sistema. Al contrario: cuando un modelo puede leer correo, consultar una base de datos, ejecutar código o cambiar un registro, el problema deja de ser solo la calidad del texto. Importan el estado, los permisos, la evaluación, el coste y la capacidad de detenerse.
En esta serie construiremos un mapa técnico y práctico para separar el hype de los mecanismos que realmente hacen que un agente funcione.
Índice
1. Qué es un agente y qué no lo es
Diferencia entre chatbot, workflow, copiloto y agente.
Del modelo que responde al sistema que persigue un objetivo.
Por qué autonomía significa delegar decisiones concretas, no entregar el control completo.
2. La anatomía de un agente
El bucle observar–planear–actuar–verificar.
Tools, memoria, contexto, estado y runtime.
Por qué una tool call es un contrato de software, no una capacidad mágica del LLM .
3. Cómo se evalúa un agente
Tareas reproducibles frente a benchmarks de respuesta.
Trazas, éxito de tarea, coste, latencia y recuperación ante fallos.
El problema de que un agente pueda “hacer trampa” en su propia evaluación.
4. Seguridad: cuando leer datos se convierte en actuar
Prompt injection directa e indirecta.
Mínimo privilegio, identidad, autorización y confirmación humana.
Por qué una única defensa en el prompt no basta.
5. De la demo al sistema operable
Presupuestos, límites, retries, idempotencia y observabilidad.
Trabajo asíncrono y cierre proactivo sin mentir al usuario.
Cuándo usar un workflow determinista y cuándo un agente aporta valor real.
La tesis de la serie
Un agente fiable no es el que actúa más veces sin preguntar, es el que sabe qué puede hacer, cómo demostrar lo que hizo y cuándo debe parar.
Series relacionadas: Fundamentos de IA e IA generativa · Modelos razonadores · Multimodalidad en IA generativa
Ver todas las series
Ruta de aprendizaje
Sigue desde aquí