Tutorial práctico sobre agentes de IA para principiantes

¿Qué es un agente de IA y en qué se diferencia de un bot?

¿Qué es realmente un agente de IA? ¿Y por qué no es simplemente un chatbot?

Un agente de IA percibe su entorno, toma decisiones y actúa por sí mismo para alcanzar objetivos concretos. Un bot sencillo se limita a seguir un guion rígido. Un agente, en cambio, tiene autonomía y capacidad de adaptación, lo que lo distingue de los sistemas más simples que lo precedieron.

En esencia, un agente consta de cuatro componentes: * Modelo: El «cerebro» del agente, normalmente un LLM que le permite comprender, razonar y planificar tareas complejas. * Percepción: Los sensores o entradas que utiliza para obtener información de su entorno, ya sea texto de una página web o datos sin procesar de una API. * Memoria: El componente que le permite conservar el contexto de acciones y observaciones anteriores.

* Herramientas: Las «manos» del agente. Son las funciones o API externas con las que interactúa con su entorno y ejecuta tareas.

Un hipotético agente de detección de fraude podría analizar patrones de transacciones, señalar anomalías y remitir los casos dudosos a una persona para su revisión. El ejemplo ilustra cómo funciona un agente, sin presentar el despliegue ficticio en un banco como experiencia de AIGROW.

Los distintos tipos de agentes de IA

No todos los agentes son iguales.

Se clasifican en una jerarquía según sus capacidades. Su sofisticación aumenta a medida que aprenden a representar su entorno y perseguir objetivos. Conocer estos tipos es importante para no complicar innecesariamente una tarea sencilla ni quedarse corto ante una tarea compleja.

Estas son las cinco categorías principales de agentes de IA: 1. Agentes reactivos simples: Son los más básicos. Funcionan con reglas «si ocurre esto, haz aquello» basadas en lo que perciben en ese momento, sin memoria del pasado.

Un termostato es un ejemplo perfecto: si la temperatura baja de X, enciende la calefacción. 2. Agentes reactivos basados en modelos: Crean y mantienen una representación interna del entorno.

Ese mapa les permite desenvolverse cuando no pueden observarlo todo, porque recuerdan cómo cambian las cosas con el tiempo. Un robot aspirador que memoriza la distribución de una habitación es un agente basado en modelos. 3.

Agentes basados en objetivos: Van un paso más allá. No se limitan a reaccionar: tienen objetivos explícitos y planifican una secuencia de acciones para alcanzar el resultado deseado.

Piensa en un GPS que calcula la mejor ruta hasta tu destino. Así actúa un agente basado en objetivos. 4.

Agentes basados en la utilidad: Cuando hay varias formas de alcanzar un objetivo, eligen la que ofrece mayor «utilidad» o beneficio. Sopesan las ventajas y desventajas para tomar la mejor decisión, algo útil en situaciones complejas. Un agente bursátil que ejecuta operaciones para maximizar los beneficios es un ejemplo clásico.

5. Agentes de aprendizaje: Son los más avanzados. Mejoran su rendimiento con el tiempo al analizar los resultados de sus acciones y ajustar sus componentes internos para tomar mejores decisiones después.

Casi todos los agentes modernos de IA generativa incorporan alguna capacidad de aprendizaje.

En este tutorial nos centraremos en crear agentes que combinan elementos basados en modelos, objetivos y aprendizaje para realizar tareas útiles.

Paso 1: define la misión de tu agente con el marco PEAS

Espera. Antes de escribir una sola línea de código, necesitas un plan.

Un proyecto de agentes requiere un plan preciso antes de implementarse. El marco PEAS, que abarca las medidas de rendimiento, el entorno, los actuadores y los sensores, sirve para definir la tarea y sus límites operativos antes de elegir las herramientas.

PEAS divide la misión en cuatro componentes: * P - Medida de rendimiento: ¿Cómo sabes si has tenido éxito? Necesitas una cifra. «Mejorar la satisfacción del cliente» no sirve como métrica.

«Reducir el tiempo medio de respuesta a las solicitudes de soporte en un 30%» sí sirve, porque es concreto, medible y está vinculado a un objetivo de negocio. * E - Entorno: ¿Dónde opera el agente? Incluye el software y el hardware en los que se ejecuta, los datos a los que puede acceder y las reglas que debe seguir.

Para un agente de soporte, podría tratarse de una plataforma de atención al cliente, una base de conocimientos y las API internas de la empresa. * A - Actuadores: ¿Cómo actúa el agente? Son las herramientas que utiliza para modificar su entorno.

Por ejemplo, puede enviar un correo electrónico, actualizar un registro de una base de datos o llamar a una API externa. * S - Sensores: ¿Cómo percibe el entorno? Los sensores son las entradas del agente: un correo entrante, un mensaje de chat de un usuario o datos recientes de una herramienta de monitorización.

Veámoslo con un agente que reserva salas de reuniones. * Rendimiento: Reservar en menos de 60 segundos una sala que cumpla todos los requisitos (horario, capacidad y equipo audiovisual) y minimizar los conflictos entre reservas. * Entorno: Google Calendar de la empresa, una API de reserva de salas y una interfaz de Slack para los usuarios.

* Actuadores: La API de Calendar (para crear eventos) y la API de Slack (para enviar confirmaciones). * Sensores: Los mensajes de los usuarios en Slack y la API de Calendar (para comprobar la disponibilidad).

El marco PEAS te da un alcance claro y un objetivo medible. No es un paso opcional: es el punto de partida de cualquier proyecto serio.

Paso 2: construye el núcleo de tu agente con Python y un framework

Con el plan definido, toca construir.

Esto no es un ejercicio teórico: vamos a escribir el código de tu primer agente. Usaremos Python, el lenguaje de referencia para desarrollar IA, y CrewAI, el framework de agentes que preferimos para la mayoría de los proyectos de automatización de flujos de trabajo.

¿Por qué CrewAI?

Es una buena opción para principiantes porque su estructura resulta muy intuitiva. El framework gira en torno a un «equipo» de agentes: cada uno tiene una función específica y colaboran para alcanzar un objetivo. Así, el proyecto queda organizado desde el principio.

Vamos a crear un agente de investigación sencillo. El usuario le da un tema, el equipo lo investiga y redacta un informe breve. No subestimes este enfoque: según datos recientes, el 85% de los desarrolladores ya utiliza agentes de programación, que escriben el 46% del código para sus usuarios.

Ese potencial está a tu alcance.

Prepara el proyecto 1. Instala las bibliotecas: Necesitarás `crewai`, `crewai-tools` y una biblioteca para el LLM que elijas. Usaremos OpenAI.

pip install crewai crewai-tools 'crewai[openai]'

1. Configura tu clave de API: Crea un archivo llamado `.env` en la carpeta del proyecto y añade tu clave de API de OpenAI.

OPENAI_API_KEY="your-api-key-here"

Escribe el código Ahora crea un archivo de Python (por ejemplo, `main.py`). Puedes construir el agente completo en menos de 40 líneas de código.

import os
from crewai import Agent, Task, Crew
from crewai_tools import SerperDevTool


# Load environment variables
from dotenv import load_dotenv
load_dotenv()


# Set the model you want to use
os.environ["OPENAI_MODEL_NAME"] = "gpt-4o-mini"


# 1. Define Tools
# We'll use a search tool for our researcher
search_tool = SerperDevTool()


# 2. Create Agents
# First, a researcher agent
researcher = Agent(
 role='Senior Research Analyst',
 goal='Uncover groundbreaking technologies and trends',
 backstory='You are a master of sniffing out emerging tech and analyzing its impact.',
 verbose=True,
 tools=[search_tool]
)


# Second, a writer agent
writer = Agent(
 role='Tech Content Strategist',
 goal='Craft compelling content on tech advancements',
 backstory='You turn complex technical concepts into engaging, easy-to-understand narratives.',
 verbose=True
)


# 3. Define Tasks
# A research task for the researcher agent
research_task = Task(
 description='Identify the top 3 most exciting AI trends in 2026.',
 expected_output='A bullet-point list of the top 3 trends with a brief explanation for each.',
 agent=researcher
)


# A writing task for the writer agent
write_task = Task(
 description='Compose an insightful blog post about the top 3 AI trends identified.',
 expected_output='A well-structured blog post of about 4 paragraphs.',
 agent=writer
)


# 4. Assemble the Crew
# Create the crew with the agents and tasks
tech_crew = Crew(
 agents=[researcher, writer],
 tasks=[research_task, write_task],
 verbose=2 # Verbose output shows the agent's thought process
)


# 5. Kick off the work!
result = tech_crew.kickoff()


print("\n\n########################")
print("## Here is the result:")
print("########################\n")
print(result)

Este script crea un equipo de dos agentes que trabajan juntos. `researcher` busca información y `writer` la utiliza para redactar el informe final. Al ejecutarlo, verás con claridad los fundamentos de la creación de agentes y tendrás una base para abordar proyectos más complejos.

Paso 3: evalúa, protege y despliega tu agente de IA (AgentOps)

Un agente que funciona en tu portátil es un prototipo. Nada más.

Para llevarlo a producción y que aporte valor real, necesitas un proceso riguroso. Lo llamamos AgentOps. Este ciclo de vida comprende tres etapas imprescindibles: evaluación, seguridad y despliegue.

Quienes empiezan casi siempre se saltan estos pasos, y por eso sus proyectos nunca llegan a tener un impacto real.

1. Evaluación ¿Cómo demuestras que tu agente funciona? Tienes que medir su rendimiento de forma sistemática.

• Define indicadores de éxito: Primero, establece indicadores clave de rendimiento (KPI) claros y vinculados a tu marco PEAS. ¿El objetivo es reducir el tiempo de resolución de incidencias, aumentar las conversiones de ventas o completar un flujo de trabajo concreto? Si no puedes medirlo, no puedes mejorarlo.
• Crea un conjunto de pruebas: Prepara un «conjunto de referencia» con entradas variadas y difíciles. Debe incluir casos habituales, casos límite poco comunes e incluso ejemplos adversarios diseñados para hacer fallar al agente.
• Automatiza la evaluación: Ejecuta el agente automáticamente con ese conjunto de pruebas después de cada cambio. Al comparar los resultados con una referencia validada, podrás detectar regresiones de inmediato y evitar que el agente pierda eficacia poco a poco.

2. Medidas de seguridad imprescindibles Un agente autónomo con acceso a herramientas puede causar daños graves.

Si alguien compromete al agente, podría borrar bases de datos, vaciar cuentas bancarias o filtrar datos sensibles. Tienes que protegerlo.

• Principio de privilegio mínimo: Dale únicamente los permisos indispensables para hacer su trabajo. Ninguno más. Si solo necesita leer una base de datos, no le concedas acceso de escritura.
• Supervisión humana: Exige la aprobación de una persona para cualquier acción de alto riesgo, como tramitar un reembolso de más de $100 o eliminar un usuario. El agente puede hacer todo el trabajo previo y dejar la acción final pendiente de que alguien pulse «confirmar».
• Validación de entradas y salidas: Trata todas las entradas como potencialmente hostiles. Debes validar los datos entrantes para defenderte de la inyección de instrucciones, una técnica con la que un atacante intenta que el agente siga órdenes maliciosas en lugar de las tuyas.

3. Despliegue en producción Desplegar un agente no consiste simplemente en ejecutar `python main.py` en un servidor.

• Usa un entorno en la nube: Plataformas como AWS, Google Cloud o Azure te ofrecen la infraestructura escalable que necesitas para crecer.
• Usa contenedores para tu aplicación: Empaqueta el agente y todas sus dependencias en un contenedor Docker. Así podrás trasladarlo y garantizar que funcione igual en cualquier entorno.
• Configura registros y monitorización: Registra cada decisión, cada llamada a una herramienta y cada resultado. Sin herramientas de observabilidad del servicio que te permitan supervisar el rendimiento, los costes y las tasas de error en tiempo real, no sabrás qué está pasando.

Un ciclo de vida AgentOps estructurado es más que una buena práctica. Es lo que distingue a un proyecto experimental de un sistema de producción en el que puedes confiar.

Por qué fracasan la mayoría de los primeros proyectos con agentes (y cómo conseguir que el tuyo funcione)

La realidad es esta: la mayoría de los primeros proyectos con agentes fracasan.

Muchos proyectos se estancan porque nunca se definieron el flujo de trabajo, los permisos, los casos de evaluación ni la persona responsable de su funcionamiento. Elegir otro modelo no arregla la falta de un alcance definido ni de pruebas de aceptación.

Un alcance útil especifica el flujo de trabajo, cómo se medirá el éxito, qué acciones están permitidas, cuándo se debe escalar un caso y qué margen de fallos se acepta. Un objetivo como resolver las consultas sobre el estado de los pedidos dentro de un nivel de servicio definido se puede poner a prueba; uno como crear un agente de atención al cliente es demasiado amplio.

Es una condición fundamental del diseño, no un detalle que puedas dejar para el final.

1. No tener un marco de evaluación: ¿Cómo sabes si los cambios mejoran o empeoran el resultado? Sin un conjunto de pruebas estandarizado (un «conjunto de referencia»), solo estás haciendo suposiciones. Cada vez que modificas una instrucción o una herramienta, puedes introducir fallos silenciosos que no detectarás durante semanas. Un proceso de evaluación riguroso y automatizado es imprescindible para cualquier despliegue serio.
2. Buscar la autonomía total demasiado pronto: Muchos principiantes imaginan un agente totalmente autónomo que no necesita supervisión humana. Es una receta para el desastre. Es más seguro empezar con un agente que prepare el trabajo para que una persona lo apruebe. Amplía su autonomía solo cuando las pruebas representativas y la monitorización en producción respalden ese cambio. Este diseño con supervisión humana genera confianza y, sobre todo, proporciona una red de seguridad esencial.

Para crear agentes que funcionen, no necesitas encontrar la instrucción perfecta. Necesitas rigor técnico, objetivos claros y un enfoque realista de la automatización.

¿Cómo elegir el framework adecuado para un agente de IA?

El framework que elijas importa. Mucho.

Determina la rapidez con la que desarrollas, lo que puede hacer tu agente y cuánto te costará mantener el proyecto. Con tantas opciones, decidir puede resultar abrumador. Vamos a centrarnos en tres de los principales: LangChain, AutoGen y CrewAI.

La elección depende del flujo de trabajo y debe ponerse a prueba con un prototipo representativo. Antes de decidirte, compara la gestión del estado, la integración de herramientas, la observabilidad, el modelo de despliegue, el mantenimiento y las licencias usando las mismas pruebas de aceptación.

¿Cuál debería elegir un principiante? Si estás siguiendo este tutorial, nuestra recomendación es clara: empieza con CrewAI.

Su estructura basada en roles es fácil de entender y te permite crear un sistema multiagente potente con sorprendentemente poco código. Además, te ayuda a organizar el proyecto con claridad y a evitar errores de diseño habituales.

Cuando tengas más experiencia, podrás pasar a LangChain (en concreto, LangGraph) para controlar con más detalle los flujos de ejecución complejos, o explorar AutoGen para investigación avanzada. Pero si quieres poner en marcha un agente real de forma rápida y eficaz, CrewAI es la opción más clara.