Hasta ahora, un modelo de lenguaje ha sido para nosotros una cosa que recibe texto y devuelve texto. Muy útil, pero pasivo: no puede consultar el clima de hoy, ni hacer una cuenta grande sin equivocarse, ni buscar en tu base de datos. Vive encerrado en su propio conocimiento. Un agente de IA es lo que pasa cuando le abrimos la puerta y le damos herramientas para actuar sobre el mundo.
La idea, en una frase: un agente es un LLM que puede decidir usar herramientas, en un bucle, hasta cumplir un objetivo.
De responder a actuar
La pieza que lo cambia todo se llama uso de herramientas (tool use o function calling). Le describimos al modelo un conjunto de funciones que tiene disponibles —"consultar_clima(ciudad)", "buscar_en_base(consulta)", "enviar_correo(a, texto)"— y el modelo, en vez de inventar una respuesta, puede decir: "para esto necesito llamar a consultar_clima con ciudad='Concepción'".
Aquí hay un matiz importante: el modelo no ejecuta nada. Solo dice qué herramienta quiere usar y con qué argumentos. Quien ejecuta de verdad —quien corre el código, hace la llamada a la API, toca la base de datos— es tu programa. Esa separación es sana: tú controlas qué puede y qué no puede hacer el agente.
El bucle: lo que hace "agente" a un agente
Una sola llamada a una herramienta no es un agente. Lo que lo define es el bucle: el modelo actúa, mira el resultado, y decide el siguiente paso, una y otra vez, hasta terminar.
Un recorrido típico para "¿necesito paraguas mañana en Concepción?":
- El modelo decide: llamar a
consultar_clima("Concepción"). - Tu programa ejecuta la función y obtiene:
"lluvia, 80%". - Ese resultado vuelve al modelo como contexto.
- El modelo ya tiene lo que necesita y responde: "Sí, lleva paraguas: se espera lluvia con 80% de probabilidad."
Si hubiera necesitado más datos, habría pedido otra herramienta y el bucle habría dado otra vuelta. El modelo decide cuándo parar.
Por qué esto es tan potente (y tan delicado)
Con herramientas y un bucle, un LLM deja de ser un conversador y pasa a ser algo que resuelve tareas de varios pasos: buscar información, cruzarla, hacer cálculos con una calculadora de verdad, escribir en un sistema. Es la base de los asistentes que reservan reuniones, revisan código o investigan un tema por su cuenta.
Pero esa misma autonomía obliga a tener cuidado. Un agente que puede actuar puede actuar mal: borrar lo que no debía, gastar dinero, enviar un correo equivocado. Dos reglas de oro:
- Da solo las herramientas necesarias. Menos superficie, menos riesgo.
- Pon un humano en el medio para lo irreversible. Que el agente proponga enviar el correo o borrar el registro, y que una persona apruebe antes de ejecutar.
Del concepto a los frameworks
Podrías programar este bucle a mano —y en los casos prácticos lo haremos, porque entenderlo por dentro vale oro—. Pero también hay herramientas que se encargan de la parte repetitiva: LangChain para encadenar pasos y conectar el modelo con el mundo, pydantic-ai para construir agentes con salidas tipadas, y librerías como pydantic-graph para orquestar flujos complejos como grafos de estados.
Para llevar
Un agente de IA es un LLM con herramientas y un bucle: decide qué acción tomar, tu programa la ejecuta, observa el resultado y repite hasta cumplir el objetivo. El modelo elige las acciones; tú las ejecutas y pones los límites. Es lo que convierte un conversador pasivo en algo que resuelve tareas reales de varios pasos —con todo el potencial y toda la responsabilidad que eso implica. En los casos prácticos lo veremos funcionando de verdad, primero a mano y luego con frameworks.