Cómo diseñar un agente de IA paso a paso

Antes de empezar: la pregunta más importante

¿Necesitas realmente un agente?

Un agente añade complejidad. Si una sola llamada al modelo resuelve tu problema, no necesitas un agente. Si el proceso tiene pasos predecibles y fijos, un workflow simple es mejor.

Usa un agente cuando la tarea requiera adaptación dinámica, herramientas externas o decisiones que no se pueden predecir de antemano.

Paso 1: Define el objetivo con precisión

Un agente mal definido es un agente que falla. Antes de escribir código o prompts, responde:

• ¿Qué tarea concreta debe completar? (no "ayudar con ventas" — "calificar leads entrantes según estos 5 criterios")
• ¿Cuál es el output esperado? (formato, longitud, estructura)
• ¿Qué significa que el agente haya tenido éxito? (esto se convierte en tus evals)
• ¿Qué no debe hacer nunca? (esto se convierte en tus guardrails)

Paso 2: Diseña el system prompt

El system prompt es la base del agente. Incluye:

# Rol
Eres [nombre del agente], un asistente especializado en [dominio].
Tu objetivo es [tarea específica].

# Contexto
[Información relevante del dominio que necesita el agente]

# Herramientas disponibles
Tienes acceso a: [lista de herramientas y para qué sirven]

# Proceso
Para completar cada tarea:
1. [Paso 1]
2. [Paso 2]
3. [Paso 3]

# Límites
- Nunca [límite 1]
- Si ocurre [situación], [acción a tomar]

# Formato de output
[Cómo debe presentar los resultados]

Paso 3: Define las herramientas

Cada herramienta debe tener:

• Nombre descriptivo: search_knowledge_base, no tool_1
• Descripción clara: el modelo la usa para decidir cuándo usarla
• Parámetros bien tipados: nombres, tipos y descripciones de cada parámetro
• Output predecible: el modelo debe poder interpretar la respuesta

Define solo las herramientas necesarias. Más herramientas = más complejidad = más errores potenciales.

Paso 4: Diseña la memoria

¿Qué necesita recordar el agente?

• Memoria de conversación: los últimos N mensajes (la mayoría de frameworks lo hacen automáticamente)
• Memoria de sesión: estado del progreso en una tarea larga
• Memoria persistente: información sobre el usuario o contexto que sobrevive entre sesiones
• Memoria semántica: base de conocimiento consultable vía RAG

Empieza simple: solo memoria de conversación. Añade más capas cuando la necesites.

Paso 5: Implementa los guardrails

Los guardrails van en dos niveles:

En el system prompt: instrucciones explícitas sobre comportamiento En el código: validación programática que no depende del modelo

Mínimo indispensable:

• Límite de pasos/iteraciones (evitar bucles infinitos)
• Validación de herramientas antes de ejecutarlas
• Manejo de errores cuando una herramienta falla
• Timeout para tareas largas

Paso 6: Define tus evals

¿Cómo sabes si el agente funciona bien? Necesitas casos de prueba concretos:

• 10 ejemplos de casos normales esperados
• 5 casos extremos o difíciles
• 5 casos donde el agente debería negarse o escalar

Para cada caso: input → output esperado → criterio de evaluación.

Paso 7: Itera

Un agente nunca está terminado en el primer intento. El proceso real es:

1. Prototipo rápido con system prompt básico
2. Prueba con casos reales
3. Identifica fallos específicos
4. Mejora el system prompt, las herramientas o los guardrails
5. Vuelve al paso 2

La mayoría de mejoras vienen de observar fallos reales, no de teorizar.

Checklist de diseño

• [ ] Objetivo definido con precisión
• [ ] Output esperado especificado
• [ ] Criterios de éxito claros (evals)
• [ ] System prompt con rol, contexto, proceso y límites
• [ ] Herramientas con nombres, descripciones y parámetros bien definidos
• [ ] Memoria adecuada al caso de uso
• [ ] Guardrails en system prompt Y en código
• [ ] Casos de prueba antes del lanzamiento
• [ ] Plan de monitorización en producción

---

Siguiente: Cómo crear una base de conocimiento para IA