NoticiasDeIA
ModelosExplicador

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.

Redacción de NoticiasDeIAPublicado el 1 min de lectura
Compartir

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.

¿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.

Sigue leyendo

ModelosExplicador

Qué es RAG: recuperación de información en contexto

RAG (Retrieval-Augmented Generation) combina recuperación de información con generación: el modelo consulta fuentes antes de responder, reduciendo la alucinación y permitiendo actualizar el conocimiento sin reentrenar.