El cambio de paradigma: de implementar funciones a diseñar agentes

Gran parte del trabajo rutinario de un programador —endpoints CRUD, ajustes de estilo, generación de formularios o integraciones simples— puede resolverse hoy con asistentes de IA en minutos y con menos errores. En este contexto, el valor profesional ya no está en escribir cada línea a mano, sino en saber combinar capacidades de IA para resolver problemas de negocio complejos.

La transición clave es: pasar de ser quien implementa todo personalmente a quien diseña, organiza y supervisa agentes de IA capaces de actuar de forma autónoma. Es comparable a dejar de cocinar solo en casa para dirigir un restaurante: defines roles, procesos y herramientas, y el sistema ejecuta.

¿Qué distingue a un agente de IA de un asistente conversacional?

Un asistente conversacional responde preguntas cuando se las haces. Un agente de IA, en cambio, recibe un objetivo, lo descompone en pasos, invoca herramientas, observa resultados y ajusta su plan hasta terminar la tarea.

La diferencia con un ejemplo cotidiano:

• Asistente: le pides horarios de tren a Barcelona y te da una tabla.
• Agente: le pides "reserva un tren a Barcelona mañana por la mañana, preferiblemente en asiento ventana", y él busca opciones, compara precios, elige la mejor y rellena los datos.

Un agente se puede representar con cuatro bloques:

1. Cerebro (LLM): razona, decide y planifica.
2. Extremidades (herramientas): consultan APIs, bases de datos, ejecutna código o modifican archivos.
3. Memoria: conserva el contexto entre pasos y sesiones.
4. Orquestador: coordina el flujo de trabajo y la colaboración entre varios agentes.

Ruta práctica en tres etapas

1. Dominar la ingeniería de prompts y la definición de roles

Antes de construir un agente, debes saber pedirle las cosas a un modelo. Un buen prompt es una orden bien estructurada: define quién actúa, qué debe hacer y bajo qué criterios. Esta plantilla es útil para cualquier tarea técnica:

Rol: eres un experto en [área técnica].
Tarea: [acción concreta a realizar].
Restricciones:
 1. Usa [stack o convenciones definidas].
 2. Devuelve código completo y ejecutable.
 3. Incluye comentarios explicativos.
 4. Describe los pasos para ejecutar o desplegar el resultado.

Cuanto más preciso sea el prompt, menos intervención manual necesitarás. El objetivo de esta etapa es externalizar el trabajo repetitivo a la IA y liberar tiempo para la orquestación.

2. Construir un agente autónomo con un framework

El siguiente paso es darle herramientas al modelo para que actúe. En el ejemplo siguiente se crea un agente con LangChain que consulta el stock de un almacén y, a partir de ello, elabora una recomendación. La estructura, los nombres de variable y la lógica difieren de los ejemplos canónicos, pero el resultado es equivalente.

import os
from dotenv import load_dotenv
from langchain.llms import OpenAI
from langchain.agents import initialize_agent, Tool, AgentType

load_dotenv()

def consultar_stock(producto: str) -> str:
   almacen = {
       "portatil": "15 unidades en stock",
       "raton": "120 unidades en stock",
       "teclado": "80 unidades en stock"
   }
   return almacen.get(producto.lower(), f"Sin datos para {producto}")

herramientas = [
   Tool(
       name="stock_almacen",
       func=consultar_stock,
       description="Recupera la disponibilidad de un producto a partir de su nombre."
   )
]

modelo = OpenAI(
   temperature=0,
   openai_api_key=os.getenv("OPENAI_API_KEY")
)

agente = initialize_agent(
   herramientas,
   modelo,
   agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
   verbose=True
)

consulta = "¿Cuántos portátiles hay disponibles y qué alternativas sugieres para oficina?"
print(agente.run(consulta))

La idea central es: defines una o varias herramientas, describes su propósito y dejas que el modelo decida cuándo usarlas. El agente razona, invoca la función y genera una respuesta coherente.

3. Orquestar varios agentes para tareas complejas

Un solo agente resuelve problemas puntuales; un equipo de agentes puede llevar a cabo flujos de negocio completos. Frameworks como CrewAI permiten definir agentes con roles específicos y en cadena.

Supón que quieres automatizar la creación de un artículo técnico. Puedes crear dos agentes: uno que investiga y otro que redacta. El resultado del primor alimenta al segundo.

from crewai import Agent, Task, Crew, Process

investigador = Agent(
   role="Investigador técnicoconnector",
   goal="Recopilar fuentes fiables sobre un tema de software",
   backstory="Especialista en documentación y artículos recientes.",
   allow_delegation=False,
   verbose=True
)

redactor = Agent(
   role="Redactor técnico",
   goal="Convertir la investigación en un artículo claro y útil",
   backstory="Experto en escritura técnica para desarrolladores.",
   allow_delegation=False,
   verbose=True
)

tarea_investigacion = Task(
   description="Recopilar información sobre orquestación de agentes con LangChain y CrewAI",
   expected_output="Lista de conceptos clave y referencias relevantes",
   agent=investigador
)

tarea_redaccion = Task(
   description="Escribir una entrada de blog de 800 palabras usando la investigación previa",
   expected_output="Artículo en markdown listo para publicar",
   agent=redactor
)

equipo = Crew(
   agents=[investigador, redactor],
   tasks=[tarea_investigacion, tarea_redaccion],
   process=Process.sequential,
   verbose=True
)

resultado = equipo.kickoff()
print(resultado)

El flujo es siempre el mismo: descomponer el problema, asignar roles, definir dependencias y dejar que los agentes cooperen.

Errores frecuentes al empezar

• Empezar por la teoría de modelos profundos: no necesitas entrenar transformers; basta con saber llamar a un modelo y encadenar herramientas.
• Querer un agente perfecto antes de probarlo: es mejor un prototipo simple que funcione que un diseño teórico nunca ejecutado.
• Olvidar las herramientas: un agente sin herramientas solo puede conversar. Conecta APIs, bases de datos y scripts propios para que pueda actuar.
• Ignorar la memoria: sin contexto persistente, el agente repetirá preguntas y cometerá errores en conversaciones largas.
• Quedarse solo en cursos y tutoriales: la transición se demuestra con proyectos reales, como un agente de automatización de documentos o un asistente de análisis de datos.

Herramientas útiles para orquestar agentes