01
¿En qué se diferencia un agente de un chatbot?
Un cliente escribe en el chat de soporte de una tienda online: "Las zapatillas que compré ayer no me quedan. Quiero un reembolso". En la escena de abajo, cambia entre el chatbot y el agente.
- 1
- Primero tengo que encontrar el pedido
- 2
- Buscar pedidos (ayer)
- 3
- #1042: 1 par de zapatillas
- 4
- ¿Sigue en plazo de devolución?
- 5
- Ver política de devolución (#1042)
- 6
- Devolución gratis en 7 días
- 7
- Está en plazo: tramito el reembolso
- 8
- Tramitar reembolso (#1042)
- 9
- Hecho: reembolso en 3 días
- 10
- Listo, ya tramité tu reembolso. Te llegará en 3 días como máximo.
Solicitud: "Las zapatillas que compré ayer no me quedan. Quiero un reembolso."
Dio tres vueltas: encontró el pedido, comprobó el plazo de devolución y tramitó de verdad el reembolso antes de responder. En cada paso, el modelo decidió qué hacer mirando el resultado del paso anterior.
Un chatbot recibe una pregunta y escribe una respuesta. Un agente recibe un objetivo y sigue trabajando hasta cumplirlo: piensa qué hacer, usa una herramienta para hacerlo de verdad, mira el resultado y vuelve a pensar, una y otra vez. La clave es que nadie decide de antemano qué herramientas usar ni en qué orden. Lo decide el modelo sobre la marcha.
De qué está hecho un agente
Un modelo (LLM) que toma las decisiones, instrucciones que dicen cuál es el trabajo y qué reglas seguir, herramientas para actuar, memoria para guardar lo que ya pasó y un bucle de ejecución que sigue girando hasta cumplir el objetivo.
¿Cuánto hace por su cuenta?
Los agentes varían en autonomía: algunos solo responden preguntas, otros se encargan de una tarea concreta y otros reciben solo un objetivo y se ocupan de todo, desde planificar hasta ejecutar.
| Tipo | Qué hace | Ejemplo |
|---|---|---|
| De preguntas y respuestas | Busca información y responde cuando le preguntan | Resolver dudas sobre las normas de la empresa |
| De tareas | Se encarga de un trabajo concreto y lo resuelve con herramientas | Cambiar una dirección de envío, reservar una sala |
| Autónomo | Recibe un objetivo y planifica, actúa y verifica por su cuenta | Preparar un viaje de trabajo entero, reaccionar solo a una alerta |
Si la pregunta dice… → elige esto
- “Planifica por su cuenta y usa herramientas para terminar una tarea de principio a fin”Agente de IA
- “Solo responde preguntas y no cambia ningún sistema”De preguntas y respuestas (chatbot)
- “Se encarga de un trabajo concreto y lo resuelve con herramientas”Agente de tareas
- “Con solo un objetivo, se ocupa de todo, desde planificar hasta ejecutar”Agente autónomo
El poder de un agente viene de sus herramientas. Pero un LLM solo sabe escribir texto. Entonces, ¿cómo puede llamar a un sistema de pedidos?
02
Cómo usan herramientas los agentes (llamada a funciones)
Un LLM solo escribe texto; no puede conectarse por sí mismo a otros sistemas. Por eso la app le envía una lista de las herramientas que puede usar, con una descripción de cada una: el nombre, qué hace y qué valores recibe.
Herramienta: order_lookup Descripción: Devuelve el estado y la ubicación de entrega del pedido de un cliente Parámetros: order_id (texto, obligatorio)
Cuando el LLM decide que necesita una herramienta para responder, todavía no responde. En su lugar, devuelve una solicitud con un formato fijo, algo como "llama a order_lookup con order_id 1042". Quien la ejecuta de verdad es la app, que le devuelve el resultado al LLM, y el LLM escribe la respuesta a partir de ese resultado. A esto se le llama llamada a funciones (function calling) o llamada a herramientas. Avanza los mensajes en la escena de abajo.
- 1. Usuario→App (ejecuta)
- ¿Dónde está mi pedido?
- 2. App (ejecuta)→LLM
- Pregunta + lista de herramientas
- 3. LLM→App (ejecuta)
- Solicitud: buscar pedido (1042)
Morado = solicitud de llamada del LLM · Verde = la app ejecuta la herramienta
El LLM no ejecuta la herramienta. Solo devuelve una solicitud, con un formato fijo, que dice "llama a esta herramienta con estos valores".
La descripción de la herramienta es la única pista que tiene el modelo para elegirla, así que explica con claridad para qué sirve cada una. Y la app no debe fiarse a ciegas de la herramienta y los valores que pide el LLM: antes de ejecutar nada, comprueba que la herramienta esté permitida y que los valores tengan sentido.
Si la pregunta dice… → elige esto
- “Define nombre, descripción y parámetros para que un LLM pueda usar una API externa”Llamada a funciones (definición de herramientas)
- “El LLM ejecuta la herramienta directamente”Falso: la ejecuta la app
- “Recibe el resultado de la herramienta y escribe la respuesta final”El papel del LLM
- “El modelo elige una y otra vez la herramienta equivocada”Escribir descripciones de herramientas más claras
Llamar a una herramienta una vez es solo el comienzo. ¿Qué hace un agente cuando, como en el reembolso del capítulo 1, tiene que usar varias herramientas seguidas y cambiar de rumbo según los resultados?
Publicidad
03
Pensar, actuar y mirar el resultado (ReAct y planificación)
El agente del capítulo 1 daba vueltas a pensar → actuar → observar. Escribir lo que piensa (razonar), usar una herramienta según eso (actuar) y llevar el resultado al siguiente pensamiento se llama ReAct, de reason + act. Escribir primero el razonamiento le ayuda a elegir mejor el siguiente paso, y mirar el resultado antes de volver a pensar le permite corregir el rumbo si se equivoca de camino.
Ante un trabajo grande, el agente primero lo divide en tareas más pequeñas. A esto se le llama planificación (planning). La escena de abajo muestra a un agente que prepara un viaje de trabajo. Avánzala una vez hasta el final; luego haz que falle la reserva de hotel y vuelve a intentarlo.
- Ver agenda
- Pendiente
- Reservar tren
- Pendiente
- Reservar hotel
- Pendiente
- Enviar itinerario
- Pendiente
Un agente recibe un objetivo grande, lo divide en tareas y las va resolviendo
Nada más recibir el objetivo, el agente lo dividió en cuatro tareas. A esto se le llama planificación (planning).
Una automatización que solo sigue pasos fijos se detiene cuando aparece algo inesperado. El agente vio el resultado "completo", cambió su plan y buscó otro hotel. Poder cambiar el siguiente paso según lo que acaba de pasar es justo la razón para usar un agente.
La otra cara es que un agente puede quedarse atascado repitiendo la misma acción sin fin. Por eso se ponen límites, como un número máximo de pasos o un tope de coste a partir del cual se detiene.
Si la pregunta dice… → elige esto
- “Alterna razonamiento y acción, y usa los resultados en el siguiente paso”ReAct
- “Divide un objetivo grande en tareas más pequeñas”Planificación (descomposición de tareas)
- “Cambia el siguiente paso tras ver el resultado de una herramienta”Replanificación a partir de observaciones
- “Repite la misma acción sin parar”Fijar un número máximo de pasos y un límite de coste
Cuando un agente trabaja mucho tiempo en algo, o habla una y otra vez con el mismo usuario, a veces necesita recordar lo que aprendió la última vez.
Solo Pro
Hasta aquí llega la parte gratuita
Los otros 5 capítulos están disponibles para suscriptores Pro. Cada uno sigue con visuales en 3D y pistas de “si la pregunta dice…”, y en el último capítulo lo pones a prueba tú mismo.
- 04Memoria
- 05Sistemas multiagente
- 06MCP y A2A
- 07Protecciones
- 08Cuándo usar un agente
PasslyExam
Ya leíste el concepto. Ahora ponlo a prueba con preguntas de examen
PasslyExam ofrece preguntas de práctica originales, explicaciones y simulacros completos basados en la guía oficial de cada certificación. Las explicaciones cubren por qué la opción correcta es la correcta y por qué las opciones parecidas no lo son. Regístrate y practica gratis todos los días.