{"id":35103,"date":"2026-02-03T17:11:52","date_gmt":"2026-02-03T16:11:52","guid":{"rendered":"https:\/\/www.codemotion.com\/magazine\/?p=35103"},"modified":"2026-02-03T17:15:25","modified_gmt":"2026-02-03T16:15:25","slug":"agentes-de-ia-y-flujos-agenticos","status":"publish","type":"post","link":"https:\/\/www.codemotion.com\/magazine\/es\/inteligencia-artificial\/agentes-de-ia-y-flujos-agenticos\/","title":{"rendered":"Agentes de IA y flujos ag\u00e9nticos"},"content":{"rendered":"\n

Los agentes de IA<\/strong> est\u00e1n transformando la forma en que interactuamos con la inteligencia artificial, pasando de simples chatbots a sistemas aut\u00f3nomos capaces de ejecutar tareas complejas.<\/p>\n\n\n\n

La inteligencia artificial est\u00e1 atravesando un cambio de paradigma fundamental. Hemos pasado de la era de \u201cconversar con m\u00e1quinas\u201d a la era de delegarles el trabajo<\/strong>. Ya no se trata solo de obtener una respuesta ingeniosa, sino de construir sistemas que planifican, ejecutan y supervisan flujos de trabajo complejos de principio a fin.<\/p>\n\n\n\n

Del chatbot al agente IA<\/strong><\/h2>\n\n\n\n

Hasta hace poco, el modelo mental predominante era el del chatbot<\/em>: un usuario env\u00eda un input<\/em>, el modelo de lenguaje (LLM) procesa la tarea y devuelve un output<\/em> de texto. Este enfoque nos obligaba a ser expertos en prompts<\/em>; si la instrucci\u00f3n no era exacta, no hab\u00eda acci\u00f3n.<\/p>\n\n\n\n

El norte hasta ahora, la autonom\u00eda total similar al concepto de J.A.R.V.I.S.<\/strong>. La diferencia clave radica en el bucle de decisi\u00f3n<\/strong>: un agente no espera pasivamente; persigue un objetivo, percibe su entorno, razona, utiliza herramientas y se adapta si falla. Esta evoluci\u00f3n nos lleva de reglas simples (a\u00f1os 60) y comandos b\u00e1sicos (2011) a agentes aut\u00f3nomos<\/em><\/strong> capaces de razonamiento y acci\u00f3n real en el mundo.<\/p>\n\n\n\n

Anatom\u00eda de un agente de IA<\/strong><\/h2>\n\n\n\n

Para entender c\u00f3mo funciona un agente desde una perspectiva t\u00e9cnica, debemos visualizarlo como un organismo compuesto por cuatro pilares fundamentales:<\/p>\n\n\n\n

1. El cerebro (LLM):<\/strong> es el motor de razonamiento y planificaci\u00f3n. Modelos como GPT-4o o Claude 3.5 act\u00faan como el agente base<\/em><\/strong>.<\/p>\n\n\n\n

2. Memoria:<\/strong> provee contexto de corto y largo plazo, permitiendo que el agente aprenda de sus pasos anteriores.<\/p>\n\n\n\n

3. Herramientas:<\/strong> la capacidad de salir del modelo para usar calculadoras, acceder a la web o invocar APIs.<\/p>\n\n\n\n

4. Entorno:<\/strong> el espacio digital donde ocurre la acci\u00f3n (un navegador, una base de datos, etc.).<\/p>\n\n\n

\n
\"\"\/<\/figure><\/div>\n\n\n

Ejemplo: creando un agente b\u00e1sico<\/strong><\/h3>\n\n\n\n

Utilizando frameworks modernos como LangChain<\/strong> o CrewAI<\/strong>, podemos ver c\u00f3mo se traduce esto a c\u00f3digo. Imaginemos un agente especializado en investigaci\u00f3n (el veh\u00edculo) que utiliza un modelo base (el motor) y herramientas espec\u00edficas.<\/p>\n\n\n

# REQUERIDO<\/span>\n!pip install langgraph langchain-openai langchain-community python-dotenv\n\n# OPCIONAL pero RECOMENDADO para b\u00fasqueda real<\/span>\n!pip install tavily-python<\/code><\/span>Code language:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n
import os\nfrom dotenv import load_dotenv\nfrom langchain_openai import ChatOpenAI\nfrom langchain.tools import tool\nfrom langchain_community.tools import TavilySearchResults\nfrom langgraph.prebuilt import create_react_agent  # \u2705 CORRECTO<\/span>\n\n# ============ 1. CONFIGURACI\u00d3N ============<\/span>\nload_dotenv()\n\nopenai_api_key = os.getenv(\"OPENAI_API_KEY\"<\/span>)\ntavily_api_key = os.getenv(\"TAVILY_API_KEY\"<\/span>)\n\nif<\/span> not openai_api_key or<\/span> not tavily_api_key:\n    raise ValueError(\"Configura OPENAI_API_KEY y TAVILY_API_KEY en .env\"<\/span>)\n\n# ============ 2. INICIALIZAR LLM ============<\/span>\nllm = ChatOpenAI(model=\"gpt-4o\"<\/span>, temperature=0<\/span>)\n\n# ============ 3. DEFINIR HERRAMIENTAS REALES ============<\/span>\n# Opci\u00f3n A: Usar TavilySearchResults (RECOMENDADO - b\u00fasqueda real)<\/span>\nsearch_tool = TavilySearchResults(\n    max_results=5<\/span>,\n    include_answer=True<\/span>\n)\n\n# Opci\u00f3n B: Definir herramienta personalizada con @tool<\/span>\n@tool\ndef analyze_data(topic: str) -> str:\n    \"\"<\/span>\"Analiza datos sobre un tema espec\u00edfico.\n    \n    Args:\n        topic: El tema a analizar\n    \n    Returns:\n        An\u00e1lisis detallado\n    \"<\/span>\"\"<\/span>\n    return<\/span> f\"An\u00e1lisis de {topic}\"<\/span>\n\n# Combinar herramientas<\/span>\ntools = [search_tool, analyze_data]\n\n# ============ 4. CREAR AGENTE (SIN AgentExecutor) ============<\/span>\n# create_react_agent maneja TODO internamente<\/span>\nagent = create_react_agent(\n    model=llm,\n    tools=tools,\n    prompt=\"Eres un asistente IA \u00fatil. Puedes usar herramientas para investigar.\"<\/span>\n)\n\n# ============ 5. EJECUTAR EL AGENTE ============<\/span>\nif<\/span> __name__ == \"__main__\"<\/span>:\n    # Usar .invoke() con estructura de mensajes correcta<\/span>\n    result = agent.invoke({\n        \"messages\"<\/span>: [\n            {\n                \"role\"<\/span>: \"user\"<\/span>,\n                \"content\"<\/span>: \"Analiza las tendencias de IA en 2026. Busca informaci\u00f3n reciente y proporciona un reporte breve.\"<\/span>\n            }\n        ]\n    })\n    \n    # Extraer y mostrar resultado<\/span>\n    print<\/span>(\"\\n\"<\/span> + \"=\"<\/span>*70<\/span>)\n    print<\/span>(\"RESULTADO FINAL:\"<\/span>)\n    print<\/span>(\"=\"<\/span>*70<\/span>)\n    last_message = result[\"messages\"<\/span>][-1<\/span>]\n    print<\/span>(last_message.content)\n<\/code><\/span>Code language:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\n
La escalera de la autonom\u00eda<\/strong><\/h2>\n\n\n\n
No todos los problemas requieren un agente aut\u00f3nomo. Las fuentes sugieren una Matriz de Decisi\u00f3n<\/strong> para usar la soluci\u00f3n proporcional al problema:<\/p>\n\n\n\n