112 — De modelo y automatización a agente

← Clase anterior · Índice de la parte · Clase siguiente →

Parte: 09 — Ingeniería de agentes de IA
Nivel: avanzado · Horas estimadas: 6
Laboratorio: agent · Estado: EXECUTABLE_CORE

🎯 Propósito

Comprender de modelo y automatización a agente dentro de la evolución de la inteligencia artificial, implementar un experimento mínimo verificable y distinguir qué parte constituye evidencia frente a una afirmación todavía no comprobada.

📚 Resultados de aprendizaje

Al finalizar podrás:

1. Explicar de modelo y automatización a agente usando los conceptos modelo, workflow, autonomía, objetivos.
2. Ejecutar el laboratorio con una semilla explícita y revisar su contrato JSON.
3. Identificar al menos un supuesto, una limitación y un riesgo de aplicación.
4. Comparar el enfoque con la etapa anterior de la ruta de aprendizaje.
5. Producir una evidencia reproducible y una conclusión que no exceda los datos.

🧩 Conceptos centrales

modelo, workflow, autonomía, objetivos

🗺️ Ubicación en el mapa de la IA

Esta clase abre la ingeniería de agentes: hasta la parte 08 el modelo de lenguaje era una función que se llama una vez (o dentro de un pipeline RAG fijo); aquí se convierte en el componente de decisión de un sistema que elige sus propios pasos para alcanzar un objetivo. La distinción modelo → workflow → agente que se establece aquí gobierna todas las clases siguientes: anatomía (113), ciclo ReAct (114), planificación (115) y los controles de seguridad, presupuesto y evaluación que un sistema autónomo exige (116-119).

🧰 El mapa de las ingenierías de IA

Entre 2024 y 2026 la industria consolidó, bajo el paraguas de agent engineering, un conjunto de sub-disciplinas con nombre propio. Este programa las enseña todas, en muchos casos antes de que tuvieran nombre; esta tabla traduce el vocabulario 2026 al temario para que puedas conversar con la industria sin perderte:

Dos advertencias. Primera: los nombres cambian más rápido que las prácticas — "harness", "loop" y "graph engineering" describen capas de un mismo sistema, no tecnologías rivales. Segunda: la ecuación Agente = Modelo + Harness implica que la mayoría de los fallos de producción no son fallos del modelo sino del arnés que lo rodea; por eso este programa dedica más clases al arnés (110-119) que al modelo.

📖 Fundamentos

🤖 Definición operativa de agente

AIMA (cap. 2) define agente como cualquier entidad que percibe su entorno mediante sensores y actúa sobre él mediante actuadores, evaluada por una medida de desempeño sobre las consecuencias de sus acciones. Trasladado a sistemas con LLM, la definición operativa que usa este programa es:

agente = LLM que, en un bucle, decide QUÉ acción ejecutar a continuación
         (incluida la de terminar), observa el resultado real de esa acción
         y usa esa observación para decidir el siguiente paso,
         al servicio de un objetivo declarado y bajo límites explícitos.

Los cuatro componentes son necesarios: objetivo (qué cuenta como éxito), acciones (herramientas con efectos verificables), observación (el entorno responde y esa respuesta entra al contexto) y bucle de decisión (el control de flujo lo elige el modelo, no un grafo escrito a mano).

📊 Los tres regímenes: modelo, workflow, agente

• Modelo (llamada única): entrada → LLM → salida. No hay acciones ni entorno. El control de flujo es trivial: una invocación. Ejemplos: clasificar un ticket, resumir un documento.
• Workflow (automatización orquestada): el LLM ocupa casillas dentro de un grafo de pasos escrito por el ingeniero: cadenas (prompt chaining), enrutamiento (routing), paralelización, evaluador-optimizador. El orden y las ramas están decididos de antemano; el modelo rellena contenido, no decide la estructura. Anthropic (Building effective agents) recomienda este régimen siempre que el problema lo permita: es más barato, más predecible y más fácil de depurar.
• Agente: el LLM decide dinámicamente qué herramienta invocar, con qué argumentos, cuántas veces y cuándo detenerse. La trayectoria no está escrita en ningún grafo: emerge de la interacción con el entorno. Se justifica cuando el número de pasos y su orden no se conocen a priori (depurar un error, investigar una pregunta abierta, operar una UI).

🎚️ Espectro de autonomía

La autonomía no es binaria; es un dial con al menos estos niveles:

L0  Modelo puro               sin acciones; solo texto
L1  Workflow con LLM          pasos fijos; el modelo rellena casillas
L2  Router                    el modelo elige UNA rama de un menú cerrado
L3  Agente acotado            bucle libre, pero con herramientas de solo lectura
                              o bajo aprobación humana para cada efecto
L4  Agente con efectos        ejecuta acciones que modifican el entorno,
                              con presupuesto, permisos y auditoría
L5  Autonomía extendida       objetivos de largo plazo, memoria persistente,
                              delegación en sub-agentes (parte de investigación abierta)

Cada nivel añade capacidad y, simétricamente, superficie de fallo: a mayor autonomía, más importan los límites (presupuestos, clase 121; permisos, clase 119; aprobaciones, clase 120).

🧭 Racionalidad limitada por el objetivo declarado

Un agente es racional si maximiza su medida de desempeño dada la evidencia disponible (AIMA). En agentes LLM la medida de desempeño es el objetivo declarado en las instrucciones, y ahí vive el riesgo central: un objetivo mal especificado se optimiza literalmente ("cierra todos los tickets" → cerrarlos sin resolverlos). Por eso la definición operativa exige objetivo verificable — un predicado sobre el estado del entorno, no una frase ambigua — y condición de parada explícita.

🧮 Ejemplo trabajado

El laboratorio ejecuta el caso mínimo que ya es agente y no workflow. Objetivo declarado: "verificar estado y sumar 7 + 5" — éxito ⇔ healthy == true y sum == 12 en el estado final. Herramientas: status() y sum(left, right).

Dos propiedades separan esto de un script: (a) la condición de parada se evalúa contra observaciones, no contra "ya ejecuté mis pasos" — si status() devolviera healthy: false, el bucle no terminaría en éxito; (b) cada elemento de trace conserva la acción con sus argumentos y la observación literal, de modo que un tercero puede auditar por qué el agente concluyó lo que concluyó. La limitación declarada por el laboratorio ("el plan es determinista") marca exactamente lo que falta para el caso general: aquí la política de decisión está cableada; en un agente LLM la elige el modelo en cada iteración, con la incertidumbre que eso introduce.

📊 Propiedades y comparación

flowchart TD
    T["Tarea nueva"] --> Q1{"¿Basta una llamada\nal modelo?"}
    Q1 -- "sí" --> M["Modelo: prompt + salida\nestructurada"]
    Q1 -- "no" --> Q2{"¿Los pasos y su orden\nse conocen a priori?"}
    Q2 -- "sí" --> W["Workflow: chaining, routing,\nparalelización, evaluador"]
    Q2 -- "no" --> A["Agente: bucle\ndecidir → actuar → observar"]
    A --> G["Límites obligatorios:\npresupuesto + permisos + parada"]
    W -. "si una rama explota\nen complejidad" .-> A
    A -. "si la trayectoria se vuelve\nsiempre la misma" .-> W

Las flechas punteadas importan: un agente cuya trayectoria se estabiliza debe degradarse a workflow (más barato y predecible), y un workflow con ramas explosivas puede ceder esa rama a un agente.

⚠️ Errores conceptuales frecuentes

1. "Le puse herramientas al modelo, ya es un agente." Sin bucle de decisión sobre observaciones no hay agencia: una llamada con function calling que ejecuta una tool y devuelve texto es un modelo con acceso a funciones (L1-L2 del espectro).
2. "Agente es mejor que workflow." Es más caro, más lento y más difícil de auditar. La recomendación de la literatura de ingeniería (Anthropic, 2024) es explícita: usar la solución más simple que resuelva la tarea, y eso casi siempre es un workflow.
3. "El agente entiende el objetivo." El agente optimiza el texto del objetivo tal como quedó escrito. Si el éxito no es un predicado verificable sobre el entorno, el sistema puede declarar victoria sin haberla conseguido.
4. "La autonomía elimina la supervisión." Es al revés: cada nivel del espectro añade requisitos de control (límites de pasos, permisos, aprobación humana). Autonomía sin contención no es un nivel superior; es un incidente pendiente.
5. "El bucle termina solo." La terminación es una decisión de diseño: condición de éxito verificable + presupuesto máximo de pasos. Sin ambas, el agente puede iterar indefinidamente o detenerse antes de tiempo sin que nadie lo note.

🚀 Del aprendizaje a la operación

El laboratorio usa una política determinista y dos herramientas puras; un agente real sustituye esa política por un LLM (no determinista, falible) y herramientas con efectos sobre sistemas vivos. El salto exige: telemetría de cada iteración del bucle (clase 121), matriz de permisos por herramienta (clase 119), aprobación humana para acciones irreversibles (clase 120) y un conjunto de evaluación de trayectorias que detecte regresiones cuando cambie el modelo o el prompt (clase 122). Sin esas cuatro piezas, el espectro de autonomía se recorre solo de palabra.

🧪 Laboratorio

python lab.py

El laboratorio llama a ai_evolution.labs.run_lab("agent"). Esta decisión evita 183 implementaciones divergentes: cada clase tiene un entrypoint propio, pero los motores didácticos se prueban como una biblioteca común.

🔍 Evidencia esperada

• tipo de laboratorio y semilla;
• entradas o decisiones observables;
• resultado estructurado;
• lista evidence con hechos que pueden inspeccionarse;
• lista limitations que impide presentar la demo como producción.

📓 Notebooks

• 📓 notebook.ipynb: recorrido guiado con la materia resumida.
• ✍️ notebook_student.ipynb: ejercicios para resolver.
• ✅ notebook_solution.ipynb: solución de referencia explicada.

📝 Evaluación

Consulta assessment.md para preguntas y criterio de aceptación.

⚠️ Errores comunes

❓ Preguntas frecuentes

¿Debo usar una API comercial?
No. El núcleo funciona localmente. Las extensiones LIVE se documentan por separado.

¿El laboratorio representa una implementación industrial?
No por sí solo. Enseña el contrato y el patrón; producción exige integración, seguridad, observabilidad, pruebas y operación.

¿Dónde profundizo?
Revisa las especializaciones enlazadas en el README raíz y la ruta siguiente.

🔗 Referencias

• Russell y Norvig — Artificial Intelligence: A Modern Approach (4e), cap. 2 "Intelligent Agents" (agente, entorno, medida de desempeño, racionalidad) — uso: desarrollo extendido del tema
• Anthropic Engineering — "Building effective agents" (workflows vs agents, cuándo usar cada uno) — uso: referencia consultada en su fuente original
• Yao et al. (2022), "ReAct: Synergizing Reasoning and Acting in Language Models", arXiv:2210.03629 — uso: fuente primaria del mecanismo estudiado
• Schick et al. (2023), "Toolformer: Language Models Can Teach Themselves to Use Tools", arXiv:2302.04761 — uso: fuente primaria del mecanismo estudiado
• Anthropic — documentación oficial de agentes y herramientas — uso: referencia consultada en su fuente original
• LangGraph — Overview (grafos de control para workflows y agentes) — uso: referencia consultada en su fuente original
• OpenAI — "Harness engineering: leveraging Codex in an agent-first world" (2026) — uso: referencia consultada en su fuente original
• Anthropic Engineering — "Effective context engineering for AI agents" — uso: referencia consultada en su fuente original

📜 Papers que fundamentan esta clase

Bloque generado por python scripts/link_papers_to_classes.py. La fuente es papers/catalog/papers.json.

Cada ficha explica el problema anterior, la matemática mínima, los límites y los errores de atribución más frecuentes. Para leerlas con método: cómo leer un paper de IA · anexos matemáticos.

📚 Bibliografía de apoyo

Bloque generado por python scripts/link_sources_to_classes.py. Cada obra lleva su localizador verificado en sources/bibliography.json.

Los papers dicen de dónde salió el mecanismo. Estas obras lo desarrollan con el espacio que una clase no tiene: teoría completa, demostraciones y ejercicios.

⬅️ Clase anterior

111 — Proyecto: RAG productivo y auditable

➡️ Siguiente clase

113 — Anatomía: instrucciones, herramientas, estado y salida

📝 Evaluación completa

❓ Preguntas

1. Define de modelo y automatización a agente sin usar una marca o framework como definición.
2. Explica la relación entre modelo, workflow, autonomía, objetivos.
3. Ejecuta lab.py dos veces con la misma semilla. ¿Qué debe conservarse?
4. Identifica una afirmación permitida y una afirmación exagerada sobre el resultado.
5. Propón una prueba negativa o un caso límite.

🏆 Reto verificable

Amplía el resultado del laboratorio con una clave student_extension que incluya:

• el supuesto que estás probando;
• una medición o comprobación;
• la conclusión;
• una limitación.

✅ Criterio de aceptación

• [ ] lab.py termina con código 0.
• [ ] El resultado contiene kind, seed, evidence y limitations.
• [ ] La extensión no modifica el comportamiento de otras clases.
• [ ] La interpretación referencia datos impresos por el laboratorio.
• [ ] Se declara al menos un riesgo o condición de no uso.