Qué son los agentes de IA: programas que deciden y actúan
Un agente de IA no solo responde; decide, planifica, usa herramientas y actúa en un entorno. Esta entrada explica qué los distingue de los modelos convencionales.
De la respuesta a la acción
Un modelo de lenguaje convencional genera texto en respuesta a una entrada. Un agente de IA va un paso más allante: recibe una tarea, descompone el problema, decide qué herramientas usar, ejecuta pasos secundarios y luego presenta una respuesta final. La distinción es la de acceso a acción: el agente no solo habla sobre el mundo, actúa sobre él.
Los componentes de un agente
Un agente típico combina:
Módulo de planificación
El modelo divide la tarea compleja en sub-tareas. Esto puede ser una simple cadena de "paso a paso" o un plan recursivo.
Acceso a herramientas (tool use / function calling)
El agente puede llamar a funciones externas: realizar consultas a bases de datos, ejecutar código, consultar APIs, acceder a herramientas de búsqueda. El modelo decide cuándo llamar a una herramienta y con qué argumentos.
memoria
La memoria permite que el agente conserve el estado entre pasos: qué ha intentado, qué ha aprendido, cuáles son las restricciones. Sin memoria, cada paso se parte de cero.
bucle de feedback
El agente ejecuta una acción, observa el resultado y decide la siguiente acción. Esto puede ser un bucle simple (hacer, observar, decidir) o un bucle recursivo (plan, ejecutar, revisar, corregir).
Límites y cuidados
Los agentes amplifican las capacidades de los modelos pero también sus riesgos: el space de búsqueda crece, las herramientas pueden tener efectos reales y las decisiones pueden ser difíciles de auditor. La evaluación de agentes requiere escenarios de prueba, límites de operación y supervisión humana para acciones irreversibles.
Referencias
- Xie, T. et al. (2024). "AgentBench: Evaluating LLMs as Agents." ICLR 2024.
- OpenAI Function Calling documentation.
- AutoGPT (2023). GitHub – Significant-Gravity / auto-gpt.
Fuentes consultadas
Se conservan las referencias para poder reconstruir cómo se verificó esta información.
- Agency Benchmarks — AgentBenchcódigo y datos · https://github.com/THUDM/AgentBench
- OpenAI — Function Callingdocumentación · https://platform.openai.com/docs/guides/function-calling
- Anthropic — Tool Usedocumentación · https://docs.anthropic.com/
¿Ves un error? Escríbenos indicando el dato concreto y la fuente que lo contradice. Las correcciones se aplican en la propia página y se reflejan en la fecha de actualización. Contactar con la redacción.
