Sistemas de agentes: construcción y arquitectura
Qué cubre este artículo sobre sistemas de agentes
- Aprenderás qué es realmente un sistema de agentes y cómo se diferencia de un agente de IA individual.
- Comprenderás los componentes centrales: modelo de lenguaje, herramientas, memoria, lógica de planificación y capa de comunicación.
- Obtendrás una visión general de los principales tipos de arquitectura, desde el agente individual hasta el sistema multi-agente.
- Verás un ejemplo concreto de investigación en el que varios agentes colaboran.
- Descubrirás cuáles son los errores típicos y cuándo es mejor mantener un agente simple.
Introducción: sistemas de agentes explicados de forma clara
Un agente de IA individual puede resolver una tarea, invocar una herramienta y recordar los pasos anteriores. Sin embargo, cuando las tareas se vuelven más complejas, un solo agente ya no es suficiente. Necesitas varios agentes que se coordinen, dividan el trabajo y fusionen los resultados. Eso es exactamente lo que es un sistema de agentes.
Los sistemas de agentes son el siguiente paso después del agente individual. En lugar de una única instancia que lo haga todo, tienes una estructura de agentes con roles claramente definidos. Uno planifica, otro investiga, otro resume, otro verifica el resultado. Cada agente hace lo que mejor sabe hacer, y el sistema completo entrega más que la suma de sus partes.
Este artículo está dirigido a principiantes. No necesitas conocimientos previos sobre sistemas multi-agente, solo una comprensión básica de qué es un agente de IA. Si aún no la tienes, consulta primero el artículo ¿Qué es un agente de IA?.
¿Por qué necesito sistemas de agentes?
Imagina que quieres crear un informe de mercado diario. El agente debe buscar en fuentes, extraer precios, identificar tendencias, escribir un texto y finalmente verificar si todos los números son correctos. Un agente individual tendría que incluir todo eso en un solo prompt. Eso se vuelve rápidamente confuso, el contexto se llena, el agente pierde el enfoque y comete errores.
Sin un sistema estructurado, sucede lo siguiente: el agente comienza a investigar, luego salta a escribir, se da cuenta de que le faltan datos, vuelve a la investigación, echa de menos resultados anteriores y termina en un caos de tareas a medio completar. El resultado es poco confiable, difícil de depurar y apenas ampliable.
Un sistema de agentes resuelve este problema mediante la división del trabajo. Un agente enrutador recibe el encargo y lo reenvía. Un agente de búsqueda se ocupa solo de la investigación. Un agente de escritura crea el informe. Un agente de revisión verifica el resultado. Cada agente tiene un trabajo claro, un contexto enfocado y sus propias herramientas. El sistema completo permanece organizado, incluso cuando la tarea crece.
Sistemas de agentes explicados brevemente
Un sistema de agentes es como un equipo de empleados con diferentes roles. Cada empleado tiene su tarea, sus herramientas y su perspectiva del proyecto. Un coordinador distribuye el trabajo, un especialista realiza su parte, un revisor asegura la calidad. Al final, surge un resultado común.
Trasladado a agentes de IA: cada agente es un modelo de lenguaje propio con su propio prompt, sus propias herramientas y su propia memoria. Los agentes se comunican a través de un intercambio definido de mensajes o un estado compartido. Una estructura, llamada topología, determina quién habla con quién y en qué orden.
En resumen: un sistema de agentes es la arquitectura que orquesta múltiples agentes de IA para que resuelvan conjuntamente una tarea compleja.
¿Para quién están diseñados los sistemas de agentes?
Los sistemas de agentes están dirigidos a desarrolladores que desean implementar agentes de IA en producción. Si ya has construido agentes simples con tool calling y has alcanzado los límites de un agente individual, estás en el lugar correcto.
Los equipos que automatizan pipelines de IA también encontrarán aquí las herramientas necesarias para arquitecturas escalables. Ya sea investigación, procesamiento de datos, creación de contenido o soporte al cliente, una vez que una tarea se divide en pasos, merece la pena un sistema de agentes.
Requisito: debes conocer los conceptos básicos. Si no estás seguro, comienza con los Fundamentos de agentes de IA y el artículo sobre Sistemas multi-agente.
Términos importantes relacionados con sistemas de agentes
| Término | Significado |
|---|---|
| Sistema de agentes | Una estructura de uno o varios agentes de IA que resuelven conjuntamente una tarea |
| Agente individual | Un único agente que asume todas las tareas por sí mismo |
| Multi-agente | Un sistema con varios agentes que se coordinan |
| Orquestador | Un agente que controla y coordina la ejecución general |
| Enrutador | Un agente que reenvía las tareas entrantes al agente especializado adecuado |
| Worker | Un agente que ejecuta una tarea parcial concreta |
| Estado compartido | Un almacenamiento común al que acceden varios agentes |
| Bus de mensajes | Un canal a través del cual los agentes intercambian mensajes |
| Topología | La estructura que determina cómo están conectados los agentes entre sí |
| Jerarquía | Una topología con agentes superiores y subordinados |
Arquitectura de un sistema de agentes
Un sistema de agentes consta de varios componentes que trabajan juntos. Cada componente tiene una tarea clara. Aquí están los bloques de construcción centrales:
Modelo de lenguaje
El modelo de lenguaje es el corazón de cada agente. Procesa el prompt, planifica los siguientes pasos y decide si se debe invocar una herramienta. En un sistema de agentes, cada agente puede usar su propio modelo. Un enrutador quizás necesite un modelo pequeño y rápido, un worker complejo necesita uno más grande. Esto mantiene los costos y la latencia bajo control.
Herramientas
Las herramientas son las manos de un agente. Permiten acceso a motores de búsqueda, bases de datos, APIs, sistemas de archivos y más. A través del tool calling, el agente decide qué herramienta usar y cuándo. En un sistema de agentes, cada worker solo tiene las herramientas que necesita para su tarea. Esto previene errores y mantiene los prompts simples.
Memoria
La memoria del agente almacena información sobre el historial y tareas anteriores. Hay memoria a corto plazo para la tarea actual y memoria a largo plazo para patrones recurrentes. En un sistema multi-agente, el estado compartido es especialmente importante: un almacenamiento común a través del cual los agentes intercambian resultados.
Lógica de planificación
La lógica de planificación decide cómo procede un agente. ¿Debe planificar primero y luego actuar? ¿O iterar paso a paso? Algunos agentes utilizan planificación y reflexión para adaptar su enfoque. En un sistema de agentes, el orquestador asume la planificación general y divide la tarea en pasos parciales.
Capa de comunicación
La capa de comunicación conecta los agentes. Puede funcionar como un bus de mensajes, a través del cual los agentes envían mensajes, o como un estado compartido que todos leen y escriben. La elección de la capa influye en lo flexible y escalable que sea el sistema. Un bus de mensajes es adecuado para agentes débilmente acoplados, un estado compartido para una colaboración estrecha.
Tipos de sistemas de agentes
Los sistemas de agentes varían en su topología, es decir, en la forma como se conectan entre sí. Estos son los patrones principales:
Agente único
El caso más simple: un solo agente se encarga de todo. Invoca herramientas, planifica y reflexiona. Funciona bien para tareas pequeñas y claramente delimitadas.
[Tarea] -> [Agente único con herramientas] -> [Resultado]Ejemplo: un agente que responde una pregunta realizando una búsqueda web.
Cadena lineal
Los agentes trabajan uno tras otro, cada uno pasa su resultado al siguiente. Fácil de construir, pero rígido. Si un agente falla, se detiene toda la cadena.
[Tarea] -> [Agente A] -> [Agente B] -> [Agente C] -> [Resultado]Ejemplo: el agente A investiga, el agente B sintetiza, el agente C redacta el texto.
Jerárquico
Un orquestador controla múltiples workers. Divide la tarea, recopila los resultados y los integra. Flexible y adecuado para tareas complejas.
[Orquestador]
/ | \
[Worker] [Worker] [Worker]
\ | /
[Resultado]Ejemplo: un orquestador distribuye tareas de investigación entre varios workers, cada uno evalúa una fuente diferente.
Par a par
Los agentes se comunican directamente entre sí, sin control central. Cada uno puede hablar con cualquier otro. Flexible, pero difícil de controlar y depurar.
[Agente A] <-> [Agente B]
^ ^
v v
[Agente C] <-> [Agente D]Ejemplo: agentes que trabajan juntos en una discusión para llegar a un resultado común.
Basado en enrutador
Un enrutador recibe la tarea y la remite al agente especializado apropiado. Similar a un dispatcher. Útil cuando tienes muchas tareas de naturaleza diferente.
[Enrutador]
/ | \
[Espec A] [Espec B] [Espec C]Ejemplo: un enrutador decide si una pregunta va al agente de código, al agente de investigación o al agente de matemáticas.
Ejemplo: un sistema de agentes para investigación
Veamos un ejemplo concreto de un sistema multiagente enfocado en investigación. La tarea es: crea un informe sobre desarrollos recientes en IA local.
Paso 1: el agente enrutador recibe la tarea
El enrutador analiza la tarea y determina qué agentes se necesitan. Divide el trabajo en subtareas: búsqueda, síntesis, revisión.
Paso 2: el agente de búsqueda realiza la investigación
El agente de búsqueda usa tool-calling para consultar fuentes. Busca en la web, recopila artículos y almacena los resultados en el estado compartido. Su prompt se enfoca únicamente en encontrar fuentes relevantes.
Paso 3: el agente de síntesis crea el informe
El agente de síntesis lee las fuentes recopiladas del estado compartido y redacta un informe estructurado. No tiene herramientas de búsqueda, solo herramientas de escritura y formato.
Paso 4: el agente de revisión valida el resultado
El agente de revisión lee el informe, verifica si hay lagunas, contradicciones y errores. Si encuentra problemas, devuelve el informe con comentarios al agente de síntesis. Si todo está bien, aprueba el informe.
Paso 5: el orquestador entrega el resultado
El orquestador toma el informe aprobado y lo devuelve al usuario. El estado compartido se limpia y el sistema queda listo para la siguiente tarea.
[Tarea]
|
v
[Enrutador] -> [Agente de búsqueda] -> [Estado compartido]
|
v
[Agente de síntesis]
|
v
[Agente de revisión] -- si hay problemas, devolver
|
v
[Orquestador] -> [Resultado]Este sistema es escalable. Puedes agregar otro agente para verificación de hechos sin cambiar los demás. Cada agente permanece enfocado y el sistema en general sigue siendo manejable.
Sistemas de agentes contra agentes simples
¿Cuándo necesitas un sistema de agentes y cuándo basta con uno solo? La respuesta depende de la complejidad de la tarea.
Un agente único es la opción correcta cuando la tarea está claramente delimitada, requiere pocas herramientas y cabe en un prompt. Es rápido de construir, fácil de depurar y económico.
Un sistema de agentes es necesario cuando la tarea se divide en varios pasos independientes, requiere diferentes roles o debe procesarse en paralelo. Toma más tiempo construirlo, pero es escalable y más robusto.
Regla práctica: empieza con un agente único. Cuando el prompt se vuelve difícil de leer, el contexto se desborda o el agente debe jugar múltiples roles a la vez, cambia a un sistema de agentes.
Trampas comunes en sistemas de agentes
Los sistemas de agentes son poderosos, pero tienen sus peligros. Aquí están los problemas más frecuentes:
1. Demasiados agentes
Más agentes no significan automáticamente mejores resultados. Cada agente añade latencia y consume tokens. Un sistema con diez agentes para una tarea que tres podrían resolver es más lento, más caro y más propenso a errores.
2. Roles poco claros
Si dos agentes tienen tareas similares, surgen conflictos. Uno sobrescribe el trabajo del otro, los resultados se contradicen. Define cada rol de forma clara y distinta.
3. Bucles infinitos
Un agente de revisión devuelve el informe, el agente de síntesis lo mejora, el agente de revisión encuentra algo más, y así sucesivamente. Sin una condición de parada, el sistema corre indefinidamente. Siempre define un número máximo de iteraciones.
4. Pérdida de contexto
Cuando los agentes solo se comunican mediante mensajes, se pierden datos. Un estado compartido ayuda, pero debe sincronizarse correctamente, si no los agentes trabajan con información obsoleta.
5. Manejo de errores ausente
¿Qué pasa si un worker falla? Sin manejo de errores, el sistema completo se detiene. Cada agente debe capturar errores y reportarlos al orquestador.
6. Explosión de costos
Cada llamada de agente cuesta tokens. En un sistema multiagente, los costos se multiplican rápidamente. Usa modelos pequeños para tareas simples como enrutamiento y modelos grandes solo donde son necesarios.
7. Depuración difícil
En un sistema con varios agentes, no es inmediatamente claro quién causó un error. Logging es obligatorio. Cada agente debe registrar sus pasos, llamadas a herramientas y resultados.
8. Seguridad descuidada
Agentes con acceso a APIs, sistemas de archivos y bases de datos pueden causar daño si toman decisiones incorrectas. Limita las herramientas de cada agente a lo esencial y trabaja con verificaciones de permisos.
Hardware, costos y seguridad en sistemas de agentes
Los sistemas de agentes imponen mayores demandas de hardware que los agentes individuales, ya que múltiples agentes se ejecutan en paralelo o secuencialmente. Si usas modelos locales, necesitas suficiente VRAM. Un enrutador con un modelo pequeño como Llama 3.2 3B funciona en hardware modesto, pero un worker con un modelo de 8B requiere mucho más. IA local con herramientas como Ollama permite ejecutar diferentes tamaños de modelo en paralelo.
Los costos con modelos en la nube se acumulan rápidamente. Un sistema con cinco agentes, cada uno llamado múltiples veces por tarea, puede ser significativamente más caro que un solo agente. Opta por una combinación: modelos pequeños para enrutamiento y tareas simples, modelos grandes solo para razonamientos complejos. Límites de tokens por agente evitan que un agente entre en bucle infinito y genere costos innecesarios.
La seguridad es especialmente importante en sistemas de agentes porque múltiples agentes acceden a diferentes sistemas. Cada agente solo debe recibir las herramientas que necesita para su rol. Un agente de búsqueda no necesita acceso de escritura a la base de datos, un agente de revisión no necesita claves API para servicios externos. Trabaja con permisos claros, logging y puntos de control humanos para acciones críticas.
Enlaces y recursos adicionales sobre sistemas de agentes
- ¿Qué es un agente de IA? - Los fundamentos si aún estás comenzando
- Sistemas multiagente - Profundización en sistemas con múltiples agentes
- Tool-Calling - Cómo los agentes invocan herramientas
- Memoria de agentes - Cómo los agentes recuerdan
- Planificación y reflexión - Cómo los agentes planifican hacia adelante
- Frameworks - Herramientas para construir sistemas de agentes
- Fundamentos de agentes de IA - Resumen de todos los artículos fundamentales
- ¿Qué es la IA local? - IA en hardware propio
- Ollama - Ejecutar modelos locales fácilmente
FAQ: Sistemas de agentes. Preguntas frecuentes
¿Qué es un sistema de agentes?
Un sistema de agentes es una arquitectura compuesta por uno o varios agentes de IA que trabajan juntos para resolver una tarea. Incluye los agentes mismos, sus herramientas, su estado compartido y la capa de comunicación que los conecta.
¿En qué se diferencia un sistema de agentes de un agente único?
Un agente único realiza todas las tareas por sí solo. Un sistema de agentes distribuye el trabajo entre múltiples agentes con funciones claramente definidas, lo que es más manejable, robusto y escalable para tareas complejas.
¿Cuándo necesito un sistema multiagente?
Cuando una tarea se divide en varios pasos independientes, requiere diferentes roles o el contexto de un solo agente es insuficiente, vale la pena implementar un sistema multiagente.
¿Qué es un orquestador?
El orquestador es un agente que controla la ejecución general. Divide la tarea, la distribuye entre trabajadores y consolida los resultados.
¿Qué hace un agente enrutador?
Un agente enrutador recibe una tarea y la reenvía al agente especializado apropiado. Decide cuál es el agente responsable de cada subtarea.
¿Qué es un estado compartido?
El estado compartido es un almacenamiento común al que acceden múltiples agentes. Permite el intercambio de resultados sin necesidad de comunicación directa entre agentes.
¿Cuál es la topología más adecuada?
Depende de la tarea. Para flujos simples, una cadena lineal es suficiente. Para tareas complejas con roles distribuidos, una estructura jerárquica es más apropiada. Una arquitectura basada en enrutadores funciona bien cuando hay muchas tareas de naturaleza diferente.
¿Cómo evito bucles infinitos en sistemas de agentes?
Define un número máximo de iteraciones para cada ciclo. Un agente revisor debe detenerse después de un número fijo de intentos y proporcionar el mejor resultado posible.
¿Qué framework es adecuado para sistemas de agentes?
Existen varios frameworks que facilitan la construcción de sistemas de agentes. La elección depende de tu lenguaje de programación, tus requisitos y tu experiencia.
¿Puedo ejecutar sistemas de agentes localmente?
Sí, con herramientas como Ollama puedes ejecutar modelos locales y construir sistemas de agentes en tu propio hardware. Asegúrate de tener suficiente VRAM, especialmente si varios agentes se ejecutan en paralelo.
¿Cuál es el costo de los sistemas de agentes?
Los costos dependen del número de agentes, del tamaño del modelo y de la cantidad de invocaciones. Los modelos en la nube pueden volverse caros rápidamente. Combinar modelos pequeños y grandes ayuda a mantener los costos bajo control.
¿Cómo depuro un sistema de agentes?
El registro es la clave. Cada agente debe registrar sus pasos, invocaciones de herramientas y resultados. Así puedes rastrear qué contribuyó cada agente y dónde surgió el error.
Fuentes y lecturas adicionales
- ¿Qué es un agente de IA? - Artículo fundamental en BotServ.de
- Sistemas multiagente - Profundización en BotServ.de
- Tool-Calling - Fundamentos sobre invocación de herramientas en BotServ.de
- Memoria de agentes - Almacenamiento y memoria en BotServ.de
- Planificación y reflexión - Lógica de planificación en BotServ.de
- Frameworks - Descripción general en BotServ.de
- ¿Qué es la IA local? - IA local en BotServ.de
- Ollama - Gestión de modelos locales en BotServ.de