Totemize
  • Rutas totémicas
  • Precios
  • Quiénes somos
Iniciar sesiónÚnete gratis
Únete gratis
Ctrl+K
Modelo mental
  • Base de conocimiento
  • Cloud
    • Azure
      • Web Apps
        • App Service
        • App Service Plan
        • Configuración
        • Managed Identity
        • Deployment Slots
        • Networking
        • Observabilidad
      • Storage Accounts
        • Blob Storage
        • Containers
        • Azure Files
        • Queue Storage
        • Table Storage
        • Redundancia
        • Access Tiers
        • Lifecycle Management
        • Seguridad y red
  • Frontend
    • React
      • Componentes
      • Props y Estado
      • Hooks
      • Renderizado de listas
  • IA
    • Fundamentos
      • Determinismo y probabilismo
      • LLM
      • Proveedor
      • Modelos fundacionales
      • Plataforma
      • Mapa del ecosistema
      • Entrenamiento y fine-tuning
      • Tokens
      • Ventana de contexto
      • Inferencia y sampling
      • Alucinaciones y límites
    • Interacción con el modelo
      • Prompts e instrucciones
      • Context engineering
      • Salidas estructuradas
      • Validación
      • Evaluaciones
      • Tool calling
    • Economía de uso
      • API pricing
      • Tokens de entrada y salida
      • Tokens en caché
      • Créditos
      • Suscripciones
      • Límites de uso
      • Selección de modelo
    • Recuperación de conocimiento
      • Vectores
      • Embeddings
      • Chunking
      • Bases de datos vectoriales
      • Búsqueda semántica
      • Búsqueda híbrida y reranking
      • Retrieval
      • RAG
      • Citas y grounding
      • LlamaIndex
    • Agentes
      • Workflows
      • Anatomía de un agente
      • Harness
      • Agentic loop
      • Planificación y human-in-the-loop
      • Memory
      • Permisos
      • Verification
      • MCP
      • Orquestación
      • Multiagentes
      • A2A
      • Frameworks de agentes
        • Microsoft Agent Framework
        • OpenAI Agents SDK
        • Google ADK
        • LangGraph
    • Coding agents
      • Skills
      • Spec-Driven Development
      • Claude Code
        • CLAUDE.md
        • Commands
        • Hooks
        • Plugins
        • Permisos
        • Subagents
      • Codex
        • CLI
        • Extensión de IDE
        • Codex app
        • Cloud
        • AGENTS.md
        • Worktrees
      • Cursor
        • Agent mode
        • Rules
        • Models
        • Precio por uso
  • Soporte
  • Comentarios
  1. IA
  2. Agentes
Árbol de habilidades

Anatomía de un agente

1 min de lecturaActualizado el 9 jul 2026

Un agente es un sistema que usa un modelo para decidir acciones orientadas a un objetivo, observa sus resultados y continúa hasta cumplir un criterio de salida. El LLM es una pieza; la agencia aparece por el control que lo rodea.

Las piezas

PiezaResponsabilidad
Objetivodefine qué intenta conseguir
Modelointerpreta estado y propone el siguiente paso
Instrucciones y contextoaportan políticas e información de trabajo
Toolspermiten leer o modificar sistemas externos
Harnessejecuta el loop, arma contexto y maneja errores
Estado y memoriaconservan progreso dentro y entre ejecuciones
Permisoslimitan qué acciones están autorizadas
Verificacióndecide si el resultado cumple

Si falta criterio de salida, el agente puede seguir iterando. Si faltan permisos, cualquier texto generado puede convertirse en una acción peligrosa. Si falta verificación, «terminado» significa sólo que el modelo decidió parar.

Qué no es un agente

  • una única llamada que devuelve texto;
  • un chatbot que conserva historial pero no actúa;
  • una función determinística que siempre ejecuta los mismos pasos;
  • tool calling aislado donde la aplicación decide toda la secuencia.

Esos sistemas pueden ser correctos y preferibles. «Agente» no es un nivel obligatorio de madurez.

El límite entre modelo y harness

El modelo propone tool calls y respuestas. El harness:

  • decide qué tools expone;
  • valida argumentos;
  • comprueba permisos;
  • ejecuta en el entorno real;
  • devuelve observaciones;
  • limita pasos, tiempo y costo;
  • registra la trayectoria.

El modelo nunca debe ser su propia frontera de seguridad.

Diseña desde el fallo

Pregunta qué ocurre si una tool tarda, devuelve datos hostiles, se ejecuta dos veces o produce un resultado parcial. Define cancelación, reintento, rollback, escalamiento y una salida segura. La autonomía útil es autonomía con bordes.

Temas relacionados

El Harness materializa estas piezas y el Agentic loop describe su dinámica. Después, Permisos y Verification contienen el riesgo.