IA Agéntica # Patrones de Arquitectura de IA Agéntica: Orquestación de Herramientas y Coordinación Multi-Agente 2026-03-167 min lectura Lucio Durán Engineering Manager & AI Solutions Architect También disponible en: [English]() ## Definición de Sistemas de IA Agéntica Un sistema de IA se vuelve agéntico cuando va más allá de las interacciones de prompt-respuesta de un solo turno para autónomamente: - **Planificar** estrategias de múltiples pase es para alcanzar objetivos - **Ejecutar** acciones usando herramientas, APIs y servicios externos - **Observar** los resultados de esas acciones - **Adaptar** su enfoque basándose en los resultados La distinción clave es la **autonomía en la toma de decisiones**. Un chatbot responde preguntas. Un agente decide qué hacer a continuación. ## Patrón 1: ReAct (Razonamiento + Acción) El patrón ReAct es el caballo de batalla de la IA agéntica. El agente alterna entre razonar sobre qué hacer y tomar acciones: ``` Pensar → Actuar → Observar → Pensar → Actuar → Observar → ... → Responder ``` Este es el patrón detrás de la mayoría de las implementaciones de tool-use en Claude, GPT-4 y modelos similares. El LLM recibe un prompt con herramientas disponibles, razona sobre cuál herramienta llamar, la ejecuta, observa el resultado y continúa hasta tener suficiente información para responder. ### Cuándo usar ReAct - Tareas de agente único con límites claros de herramientas - Recopilación y síntesis de información - Generación de código con ejecución e iteración - Automatización de servicio al cliente con integraciones de sistemas ### Consideraciones de producción El riesgo principal con ReAct son los **loops infinitos**. Es necesario implementar siempre: - Límites máximos de iteraciones - Guardias de presupuesto de tokens - Mecanismos de timeout - Degradación elegante cuando el agente se traba ## Patrón 2: Plan-y-Ejecutar Plan-y-Ejecutar separa la planificación de la ejecución en fases distintas: 1. **Fase de planificación**: El LLM crea un plan completo antes de cualquier acción 2. **Fase de ejecución**: Cada paso se ejecuta secuencialmente o en paralelo 3. **Re-planificación**: Si la ejecución falla, el agente re-planifica desde el estado actual Este patrón funciona bien cuando las tareas son complejas pero algo predecibles. La planificación previa reduce el desperdicio de tokens por exploración sin rumbo. ### Esquema de arquitectura ``` Objetivo del Usuario → Agente Planificador → [Paso 1, Paso 2, Paso 3, ...] ↓ Agente(s) Ejecutor(es) → Resultados ↓ Re-planificador (si es necesario) ``` ### Cuándo usar Plan-y-Ejecutar - Flujos de trabajo multi-paso con capacidades de herramientas conocidas - Tareas donde el costo de acciones incorrectas es alto - Escenarios que requieren aprobación del usuario antes de la ejecución ## Patrón 3: Orquestación Multi-Agente Los sistemas Multi-Agente descomponen tareas complejas entre agentes especializados que colaboran: - **Orquestador**: Dirige tareas a los agentes especialistas apropiados - **Agentes especialistas**: Cada uno maneja un dominio específico (código, investigación, análisis de datos) - **Memoria compartida**: Los agentes se comunican a través de un estado común o bus de mensajes ### Ejemplo del mundo real En un contexto de e-commerce, un sistema multi-agente podría incluir: - **Agente de Producto**: Busca catálogos, compara especificaciones - **Agente de Pricing**: Analiza precios de competidores, aplica reglas dinámicas - **Agente de Inventario**: Verifica niveles de stock, gestiona consultas a proveedores - **Agente de Cliente**: Gestiona comunicación y personalización Cada agente tiene su propio conjunto de herramientas, system prompt y ventana de contexto, pero se coordinan a través de una capa de orquestación compartida. ### El desafío de la coordinación La parte más difícil de los sistemas multi-agente no es construir agentes individuales, es la capa de coordinación. Decisiones clave: - **Paso de mensajes**: Cómo se comunican los agentes (estado compartido vs cola de mensajes) - **Resolución de conflictos**: Qué pasa cuando los agentes no están de acuerdo - **Propagación de errores**: Cómo las fallas en un agente afectan a otros - **Gestión de contexto**: Prevenir el desbordamiento de la ventana de contexto entre agentes ## Patrón 4: Uso de Herramientas con Function Calling El patrón agéntico más simple, y frecuentemente el más efectivo. El LLM tiene acceso a un conjunto definido de funciones y decide cuándo y cómo llamarlas. Este es el fundamento del Model Context Protocol (MCP), que estandariza cómo los modelos de IA interactúan con herramientas y fuentes de datos externas. ### MCP como Infraestructura MCP define un protocolo universal para el descubrimiento e invocación de herramientas. En lugar de que cada agente implemente integraciones de herramientas personalizadas, MCP proporciona: - **Descubrimiento de herramientas**: Los agentes pueden descubrir herramientas disponibles dinámicamente - **Invocación estandarizada**: Formato consistente de request/response - **Límites de seguridad**: Acceso controlado a recursos - **Composabilidad**: Herramientas de diferentes proveedores funcionan juntas ## Eligiendo el Patrón Correcto | Patrón | Complejidad | Mejor Para | Riesgo | | --- | --- | --- | --- | | ReAct | Baja | Tareas únicas, tool use | Loops infinitos | | Plan-y-Ejecutar | Media | Flujos multi-paso | Sobre-planificación | | Multi-Agente | Alta | Dominios complejos | Overhead de coordinación | | Tool-Use (MCP) | Baja-Media | Integraciones estándar | Confiabilidad de herramientas | El error más común es la sobre-ingeniería. Conviene comenzar con tool-use simple, progresar a ReAct cuando se requieran loops de razonamiento, y recurrir a multi-agente solo cuando existan dominios de experiencia genuinamente separados. ## Decisiones de Infraestructura que Importan Construir sistemas agénticos requiere decisiones de infraestructura diferentes a las aplicaciones web tradicionales: ### Gestión de Estado Los agentes necesitan estado persistente entre turnos. Las opciones incluyen: - **En memoria**: Rápido pero se pierde al reiniciar. Bien para agentes de vida corta - **Respaldado por base de datos**: Utilizar una base de datos para estado de conversación y resultados de herramientas - **Event-sourced**: Almacenar cada acción como un evento para capacidad de replay completo ### Observabilidad No es posible depurar sistemas agénticos sin observabilidad apropiada: - Registrar cada llamada al LLM con prompt completo, respuesta y uso de tokens - Trazar invocaciones de herramientas con entradas, salidas y latencia - Rastrear árboles de decisión del agente para análisis post-mortem - Monitorear costo por tarea (los tokens de LLM son costosos a escala) ### Control de Costos Las tareas de agentes pueden escalar en costo si no se gestionan cuidadosamente: - Establecer presupuestos de tokens por tarea - Cachear resultados de herramientas agresivamente - Utilizar modelos más pequeños para routing y clasificación - Reservar modelos grandes para pasos de razonamiento complejo ## Direcciones Futuras El panorama de la IA agéntica está evolucionando rápidamente. Los patrones descritos aquí van a evolucionar, pero los principios fundamentales, límites claros de herramientas, planificación explícita, manejo robusto de errores y conciencia de costos, van a seguir siendo relevantes sin importar qué modelos o frameworks emerjan. El principio más importante para sistemas agénticos en producción: **empezar simple, medir todo, y dejar que los datos de uso real guíen las decisiones de arquitectura**. ## Implementación reproducible: recuperación de herramientas [Agent Replay Runtime]() implementa un registro de eventos, claves de idempotencia y reanudación de planes JSON. Su matriz termina procesos después de registrar la solicitud, después del efecto y después de guardar la confirmación. El almacén de efectos es independiente del registro del runtime. Los tres casos con un adaptador idempotente terminaron con un solo efecto. El reintento a ciegas de referencia produjo dos. Sin idempotencia, una solicitud incierta queda detenida hasta contar con evidencia externa: un retry no inventa la confirmación que falta. La ficha incluye las trazas, el contrato del adaptador y los comandos de reproducción. El experimento cubre procesos locales y planes secuenciales; no demuestra recuperación ante cortes de energía ni coordinación distribuida. ## Preguntas frecuentes ### ¿Qué es la IA agéntica? La IA agéntica se refiere a sistemas de IA que pueden planificar, razonar y ejecutar tareas de múltiples pase es de forma autónoma utilizando herramientas, APIs y otros recurse es, yendo más allá de las interacciones simples de prompt-respuesta. ### ¿Cuáles son los principales patrones de arquitectura para IA agéntica? Los cuatro patrones principales son: ReAct (Razonamiento + Acción), Plan-y-Ejecutar, Orquestación Multi-Agente, y Uso de Herramientas con Function Calling. Cada uno se adapta a diferentes niveles de complejidad y case es de uso. ### ¿Cuándo debería usar sistemas multi-agente vs agente único? Se recomienda utilizar un agente único para tareas directas de uso de herramientas. Conviene emplear multi-agente cuando las tareas requieren experiencia especializada, procesamiento paralelo, o cuando diferentes sub-tareas tienen requerimientos de contexto fundamentalmente diferentes. - ia-agentica - arquitectura - llm - agentes-ia - tool-use - multi-agente [Volver al Blog]()