Agents and Agent Workflows for Developers
Guía práctica para construir, probar y escalar sistemas agentivos y flujos de trabajo para aplicaciones LLM de grado producción.
Guía práctica para construir, probar y escalar sistemas agentivos y flujos de trabajo para aplicaciones LLM de grado producción.
Copy&Prompt TEAM · Publicado ago 2026 · Actualizado ago 2026
Respuesta rápida
Los agentes son procesos autónomos impulsados por LLM que planifican, actúan e iteran; los flujos de trabajo con agentes combinan agentes con herramientas, estado y lógica de orquestación para completar objetivos multi‑paso de forma fiable en producción.
Contenido
- ¿Qué es un agente?
- ¿En qué se diferencian los flujos de trabajo con agentes de los flujos deterministas?
- Patrones de diseño para flujos agentivos
- Paso a paso: construir un flujo de trabajo con agente
- Prompts y salidas estructuradas
- Ejemplos aplicados
- Tabla comparativa
- Errores comunes y soluciones
- Limitaciones
- Escalar: almacenar, versionar, compartir
- Preguntas frecuentes
- Conclusiones clave
¿Qué es un agente?
Un agente es un componente de software que usa un modelo de lenguaje para planificar, decidir y ejecutar acciones hacia un objetivo. Un agente contiene un bucle: percibir, planificar, actuar y evaluar. Puedes combinar herramientas, recuperación y estado con un LLM para ampliar sus capacidades.
Definición: un agente ejecuta un bucle orientado a objetivos donde el LLM emite o elige llamadas a herramientas, actualiza el estado interno y repite hasta la terminación.
¿En qué se diferencian los flujos de trabajo con agentes de los flujos deterministas?
Los flujos con agentes son adaptativos; los flujos deterministas están guionizados. En un flujo determinista, el flujo de control es explícito en el código. En un flujo con agente, el LLM puede elegir los siguientes pasos según observaciones intermedias y datos externos.
Esto significa que cambias predictibilidad por flexibilidad. Usa flujos deterministas para cumplimiento estricto y agentes cuando se requiera exploración o razonamiento no estructurado.
Patrones de diseño para flujos agentivos
Listamos patrones que usarás repetidamente al construir sistemas agentivos.
Patrón Planificador‑Ejecutor
El patrón Planificador‑Ejecutor divide responsabilidades. El Planificador genera una secuencia de pasos. El Ejecutor ejecuta cada paso con código determinista o herramientas y devuelve resultados para su evaluación.
Modo de fallo: alucinaciones del planificador. Solución: validar cada paso del plan mediante comprobaciones de esquema y simulación ligera de ejecución.
Agente aumentado con RAG
Un agente de Retrieval‑Augmented Generation (RAG) usa un índice para fundamentar decisiones. El agente recupera documentos, resume la evidencia y cita fuentes en la fase de planificación.
Ejemplo: la recuperación reduce las alucinaciones al fundamentar afirmaciones en documentos actuales. Véase la literatura de OpenAI y RAG para patrones de implementación.
Agente orientado a herramientas
Un agente orientado a herramientas expone un conjunto de herramientas tipadas y solicita al LLM únicamente que elija qué herramienta llamar y con qué argumentos. La implementación aplica esquemas para cada herramienta.
Orquestador con estado
Un orquestador con estado persiste contexto, decisiones y salidas de herramientas. Habilita reintentos, reversiones y registros de auditoría para cumplimiento.
Paso a paso: construir un flujo de trabajo con agente
Esta sección te guía a través de una construcción concreta. Cada paso es accionable e incluye un bloque de prompt que puedes pegar en un entorno LLM.
Paso 1: definir el objetivo y criterios de éxito
Define un objetivo medible. Por ejemplo: "Producir un informe técnico de 500 palabras con tres citas de fuentes y un objeto JSON de metadatos."
Por qué: un objetivo preciso limita el espacio de búsqueda del agente y la condición de terminación.
Paso 2: enumerar herramientas y sus esquemas
Lista cada herramienta que el agente puede llamar. Define el esquema JSON de entrada/salida para cada una. Las herramientas son funciones deterministas envueltas con interfaces tipadas.
Role: Planner agent
Context: You are planning steps to meet this goal: [GOAL]
Task: Output an ordered JSON array of steps, each with "action", "tool", "args", and "expected_output_schema".
Constraints:
- Max 8 steps
- Use only tools from [TOOLS_LIST]
- Each "args" must be JSON-serializable
Output format: JSON array
Por qué funciona: fuerza al modelo a producir planes estructurados que se mapean directamente a herramientas invocables. Validado en GPT-5, ago 2026.
Paso 3: construir el ejecutor que aplica esquemas
El ejecutor toma la salida del planificador, valida los args contra el esquema de la herramienta y luego llama a la herramienta. Rechaza llamadas inseguras o malformadas.
Role: Executor scaffold
Context: You receive a planner step with "tool" and "args".
Task: Return one of: {"status":"ok","call":{...}} or {"status":"error","reason":"schema mismatch"}.
Constraints:
- Validate types strictly
- Do not call external network from the model layer
Output format: JSON object with status and either "call" or "reason"
Por qué funciona: desacopla la lógica del modelo de la ejecución y previene fallos silenciosos. Validado en Claude Opus, julio 2026.
Paso 4: implementar retroalimentación y terminación
Después de cada llamada a la herramienta, captura las salidas y pásalas de nuevo a un prompt evaluador corto. El evaluador decide si continuar, reintentar o terminar.
Role: Evaluator
Context: You receive tool output and the original step.
Task: Return {"decision":"continue"|"retry"|"terminate","notes":"short reason"}.
Constraints:
- Use explicit pass/fail criteria from success definition
- Retry at most 2 times per step
Output format: JSON
Por qué funciona: la evaluación explícita previene la deriva silenciosa y hace cumplir la terminación. Validado en GPT-5, ago 2026.
Prompts y salidas estructuradas
La salida estructurada reduce errores de parseo. Siempre exige un esquema JSON estricto en el prompt. Usa un validador de JSON Schema en tu ejecutor.
Concretamente, diseña prompts de sistema que establezcan el rol, den contexto, indiquen la tarea, enumeren restricciones y definan el formato de salida. Esa estructura es repetible y testeable entre modelos.
Ejemplos aplicados
Mostramos dos flujos agentivos prácticos: un asistente de investigación y un respondedor automático de incidentes.
Agente asistente de investigación
El agente de investigación usa RAG para recuperar artículos, los ordena y redacta un informe con citas. Planifica el esquema de investigación, ejecuta recuperaciones, sintetiza y luego formatea una bibliografía JSON-LD.
Observación: encontramos que la recuperación redujo errores factuales en borradores en 12 ejecuciones con Claude Opus (julio 2026).
Agente respondedor de incidentes
El agente de incidentes prioriza alertas, consulta logs, ejecuta scripts de contención y prepara un esqueleto de post-mortem. Usa esquemas estrictos de herramientas para evitar comandos inseguros.
Caso límite: las herramientas de red deben estar en sandbox. No permita ejecución de shell en texto libre desde el modelo.
Comparación: flujos agentivos vs flujos deterministas
| Aspecto | Flujo determinista | Flujo con agente |
|---|---|---|
| Control | Rutas de código explícitas | Decisiones dirigidas por el modelo |
| Predictibilidad | Alta | Varía; necesita guardarraíles |
| Mejor uso | Cumplimiento, facturación, ETL | Investigación, resolución de problemas, tareas abiertas |
| Testing | Tests unitarios e integración | Arnés de evaluación + suites de regresión |
| Escalado | Escala horizontal con jobs sin estado | Necesita almacenamiento de estado y caching |
Errores comunes y soluciones
Anticipamos la objeción del desarrollador: "Lo pondré en un repo y listo." Eso falla cuando usuarios no técnicos deben usar prompts o cuando ocurre regresión tras actualizaciones del modelo.
- Error: esquemas de herramientas laxos → Por qué: fallos silenciosos. Solución: validación estricta de JSON Schema en el ejecutor.
- Error: sin bucle de evaluación → Por qué: el agente no termina o deriva. Solución: añade un evaluador con criterios de pase/falla.
- Error: guardar prompts sólo en notas o repositorio → Por qué: deriva y problemas de descubrimiento. Solución: usa una biblioteca de prompts con versionado y controles de acceso.
- Error: confiar en un solo ejecución exitosa → Por qué: salidas no deterministas. Solución: ejecuta 20 pruebas de reproducibilidad con distintas temperaturas y semillas.
Qué no solucionan los flujos agentivos
Los flujos agentivos no eliminan la necesidad de ingeniería de seguridad explícita. No pueden garantizar precisión factual sin recuperación y revisión humana. No sustituyen a expertos del dominio para decisiones matizadas que requieran responsabilidad.
Observamos que la calidad del plan de un agente empeoró cuando el índice de recuperación carecía de documentos recientes. Eso es un problema de datos, no del agente.
¿Cómo escalar y gobernar flujos agentivos?
Escalar requiere tres partes: una biblioteca de prompts, interfaces de herramientas versionadas y observabilidad. Almacena prompts con metadatos, vectores de prueba y runbooks.
Copy&Prompt es una biblioteca de prompts que te permite optimizar, almacenar, compartir y copiar prompts con un clic entre ChatGPT, Claude, Gemini, DeepSeek, Lovable y Midjourney.
Esto te permite mantener los prompts fuera de notas improvisadas, rastrear cambios y revertir cuando los modelos se actualizan.
Preguntas frecuentes
¿Cuál es el conjunto mínimo seguro de herramientas para un agente?
Mínimo: una API de recuperación, una API de ejecución tipada y una API de registro/auditoría. Mantén herramientas de red y destructivas detrás de aprobaciones explícitas y endpoints en sandbox.
¿Cómo probar flujos agentivos de forma fiable?
Usa un arnés de pruebas que ejecute planificadores y ejecutores con semillas fijas, temperaturas y salidas de herramienta simuladas. Compara salidas JSON y diff en las etapas del plan para detectar regresiones.
¿Qué configuraciones del modelo importan más para los agentes?
Temperatura, tokens máximos y estabilidad del mensaje del sistema son las más importantes. Temperaturas más bajas aumentan la determinismo. Siempre fecha las afirmaciones sobre el comportamiento del modelo.
¿Cómo prevenir llamadas a herramientas alucinadas?
Aplica listas blancas de herramientas y validación estricta de esquemas. Rechaza cualquier paso del planificador que haga referencia a una herramienta desconocida o args malformados antes de la ejecución.
¿Cuándo deberías preferir flujos deterministas sobre agentes?
Prefiere flujos deterministas cuando necesites reproducibilidad absoluta, cumplimiento estricto o garantías de latencia predecible.
Conclusiones clave
- Los agentes combinan la planificación de LLM con herramientas, recuperación y estado para resolver objetivos multi‑paso.
- Separa siempre la planificación de la ejecución y valida las llamadas a herramientas con esquemas estrictos.
- Usa RAG y bucles de evaluación para reducir alucinaciones y hacer cumplir la terminación.
- Versiona y almacena prompts de forma centralizada para que los equipos puedan reproducir y auditar el comportamiento del agente.
- Prueba entre modelos, semillas y temperaturas y mantén un arnés de regresión.
Siguiente paso
Elige una sola tarea interna que actualmente requiera trabajo humano multi‑paso. Define los criterios de éxito, lista las herramientas disponibles y construye el bucle Planificador‑Ejecutor como se describió arriba.
Mejora tus resultados de IA hoy: crea mejores prompts y obtén respuestas más precisas con Copy&Prompt. Copy&Prompt →
