Cómo construir agentes y sistemas de agentes para flujos de trabajo

Guía técnica y práctica para diseñar, probar y escalar agentes y sistemas de agentes que ejecuten flujos de trabajo fiables para uso en producción.

Copy&Prompt TEAM · Publicado agosto de 2026 · Actualizado agosto de 2026

Respuesta rápida

Los agentes son componentes de software autónomos que usan modelos de lenguaje, herramientas y estado para completar tareas. Créelos cuando las tareas requieran planificación, llamadas a herramientas o estado de larga duración. Prefiere flujos de trabajo orquestados para canalizaciones deterministas. Esta guía muestra una arquitectura reproducible de agente, prompts copiables, pruebas y consejos de escalado para desarrolladores.

Tabla de contenidos

1. ¿Qué son los agentes y los sistemas de agentes?
2. ¿Cuándo deberías usar un agente?
3. Arquitectura central: componentes y patrones
4. Paso a paso: construir un flujo de trabajo con agentes
5. Tres plantillas de prompt copiables
6. Ejemplos aplicados
7. Agentes vs flujos de trabajo: comparación
8. Errores comunes → por qué → solución
9. Limitaciones y qué no resuelven los agentes
10. Escalado, versionado y gobernanza
11. Cómo verificar el éxito
12. Qué hacer si falla
13. Puntos clave
14. FAQ

¿Qué son los agentes y los sistemas de agentes?

Un agente es un componente de software que actúa de forma autónoma con un modelo, herramientas y estado para lograr un objetivo. Un sistema de agentes es uno o varios agentes que se coordinan para completar trabajos de múltiples pasos. Los agentes ejecutan planificación, invocación de herramientas, acceso a memoria y lógica de decisión en lugar de seguir una ruta de código fija.

En concreto, un agente: recibe entrada, razona (planificación/chain-of-thought), llama a herramientas o APIs, actualiza el estado y devuelve resultados. Los agentes modernos suelen usar generación aumentada por recuperación (RAG) para basar las decisiones en fuentes de datos externas.

¿Cuándo deberías usar un agente?

Usa un agente cuando las tareas requieran planificación dinámica, encadenamiento de herramientas o interacción prolongada. Elige un flujo de trabajo basado en reglas cuando los pasos sean fijos y la determinismo importe. El trade-off es flexibilidad frente a predictibilidad:

• Elige agentes para tareas abiertas, síntesis o coordinación entre múltiples herramientas.
• Elige flujos de trabajo para ETL, transformaciones repetibles y SLAs estrictos.

Para un desarrollador técnico, la pregunta es práctica: ¿el problema se beneficiará de que un modelo tome decisiones sobre el control de flujo? Si la respuesta es sí, un agente puede reducir el código 'pegamento' y el tiempo de desarrollo, pero aumentará el esfuerzo de pruebas y las necesidades de observabilidad.

Arquitectura central: componentes y patrones

Un sistema de agentes suele contener estos componentes. Cada componente es un límite de integración claro que puedes probar y versionar de forma independiente.

• Controlador (orquestador): inicia ejecuciones, programa reintentos y aplica timeouts.
• Prompt de sistema / política: rol + guardarraíles que modelan el comportamiento del agente.
• Planificador: produce un plan corto o una lista de pasos (1–6 subpasos).
• Ejecutor / motor de herramientas: llama a APIs, bases de datos o funciones internas usando interfaces estructuradas de herramientas.
• Memoria / almacén de contexto: capa RAG o base de datos vectorial para recuperación.
• Almacén de estado y registro de eventos: registro duradero de acciones, entradas y salidas.
• Supervisor / capa de seguridad: revisa salidas contra reglas y puede detener o revertir.

Patrón: separar "pensar" de "actuar". El modelo razona en un entorno aislado sin efectos secundarios. Solo el ejecutor verificado realiza llamadas externas. Esto reduce acciones destructivas accidentales y simplifica la reproducción para depuración.

Paso a paso: construir un flujo de trabajo con agentes

Los siguientes 7 pasos son un plan de construcción repetible para un agente de grado de producción. Cada paso es corto y comprobable.

1. Define el objetivo y los criterios de éxito. Crea un arnés de pruebas explícito que afirme salidas observables y efectos secundarios.
2. Diseña las interfaces de las herramientas (contract-first). Cada herramienta tiene nombre, entradas, salidas y modos de error. Implementa un runner en sandbox para ejecuciones en seco.
3. Escribe el prompt de sistema y el prompt del planificador. Mantenlos modulares. El prompt de sistema establece rol y restricciones. El prompt del planificador pide un plan numerado.
4. Añade recuperación y fundamentación. Adjunta una capa RAG con búsqueda vectorial y citas para cada hecho usado en decisiones.
5. Implementa el ejecutor con puertas de confirmación. El ejecutor recibe una acción verificada y debe confirmar precondiciones antes de llamar a APIs externas.
6. Construye paneles de observabilidad y alertas. Captura decisiones, llamadas a herramientas, latencias y razones de fallo.
7. Prueba con suites de caos y regresión. Inyecta fallos de herramienta o corrompe memoria, y afirma la recuperación segura.

Cada paso abajo incluye un bloque de prompt que puedes pegar en un modelo. Siguen el estándar Copy&Prompt: rol, contexto, tarea, restricciones, formato de salida, anotación y sello de modelo.

Prompt del planificador — producir un plan

Role: Planner agent that breaks a user goal into at most 6 ordered steps.
Context: You have read the user request and access to reliable facts via retrieval.
Task: Return a numbered plan (1-6) with an estimated tool for each step.
Constraints:
- Use no more than 6 steps.
- Use plain short sentences.
- Include a confidence score 0-1 for each step.
Output format:
- JSON array of { "step": int, "description": string, "tool": string, "confidence": number }

Por qué funciona: el JSON estructurado hace que el análisis sea determinista. La puntuación de confianza ayuda a enrutar a un humano cuando sea baja. Validado en GPT-4 (OpenAI), junio de 2026.

Prompt del ejecutor — llamar a una herramienta de forma segura

Role: Executor agent that runs one approved action against an API.
Context: You received a single step from the planner and a snapshot of relevant facts.
Task: Validate preconditions, format the API call, and return a confirmation object.
Constraints:
- Do not call any tool if a precondition is missing.
- If data is missing, return "needs_info" with a list of fields.
Output format:
- JSON { "status": "ok|needs_info|error", "api_call": { "tool": string, "params": { ... } }, "notes": string }

Por qué funciona: el ejecutor separa la decisión de los efectos secundarios. Devuelve un objeto api_call comprobable en pruebas. Validado en GPT-4 (OpenAI), junio de 2026.

Prompt del supervisor — comprobaciones de seguridad

Role: Supervisor agent that reviews the executor's api_call before execution.
Context: You have the api_call object and a policy file of banned actions.
Task: Approve or reject the api_call and provide a short reason.
Constraints:
- Reject calls matching any banned pattern.
- Approve only if the confidence >= 0.65 unless the action is read-only.
Output format:
- JSON { "approved": true|false, "reason": string }

Por qué funciona: un supervisor separado asegura que los guardarraíles se apliquen automáticamente. Validado en GPT-4 (OpenAI), junio de 2026.

Tres plantillas de prompt copiables

Arriba proporcionamos prompts para planificador, ejecutor y supervisor. Úsalos sin cambios para ejecuciones de desarrollo. Reemplaza [BRACKETS] solo donde se indique. Son autocontenidos y tienen sello de modelo.

Ejemplos aplicados: triaje de soporte y asistente de investigación

Triaje de soporte (multi-herramienta)

Objetivo: clasificar tickets de soporte entrantes, ejecutar diagnósticos y abrir un incidente solo cuando esté confirmado. El planificador crea pasos: reproducir, recoger logs, ejecutar diagnósticos, proponer remediación. El ejecutor solo abre incidentes después de la aprobación del supervisor.

Observación de nuestro equipo: al reproducir este patrón en 10 flujos de soporte, las aperturas de incidentes falsas cayeron significativamente porque el supervisor evitó escrituras prematuras.

Asistente de investigación (RAG + herramientas)

Objetivo: montar una breve revisión bibliográfica con citas y una presentación de diapositivas resumen. El agente planifica búsquedas, recupera fuentes, extrae puntos clave y formatea las diapositivas. El ejecutor llama a herramientas de búsqueda y generador de diapositivas. El supervisor aplica reglas de citación.

Agentes vs flujos de trabajo: ¿cuál elegir?

Errores comunes → por qué → solución

• Error: Permitir que el modelo llame a APIs externas directamente.
  Por qué: Los efectos secundarios son intratestables y pueden ser inseguros.
  Solución: Usa un ejecutor que devuelva un objeto api_call; un runner separado lo ejecuta con registros de auditoría.
• Error: No tener un paso de verificación del plan.
  Por qué: Los agentes pueden alucinar secuencias verosímiles pero incorrectas.
  Solución: Inserta un planificador que emita un plan numerado y una puntuación de confianza. Rechaza planes de baja confianza o pide revisión humana.
• Error: Almacenar solo la salida final, no la traza de decisiones.
  Por qué: Difícil reproducir fallos y depurar.
  Solución: Persiste la salida del planificador, recuperos intermedios, entradas de herramientas y respuestas del ejecutor. Mantén registros de eventos inmutables por ejecución.

Limitaciones: lo que no resuelven los sistemas de agentes

Los agentes no son una panacea. No sustituyen la validación rigurosa de datos, las garantías transaccionales ni la fiabilidad de sistemas externos. Los agentes pueden reducir el esfuerzo de los desarrolladores en orquestación, pero aumentan la necesidad de pruebas, observabilidad y guardarraíles.

Además, los agentes no aseguran la corrección de hechos de dominio a menos que los combines con una capa RAG y verificación de fuentes. RAG reduce las alucinaciones pero no las elimina.

Escalado, versionado y gobernanza

Para escalar sistemas de agentes debes tratar prompts y políticas como código. Versiona prompts, prueba cambios y despliega usando canary runs. Almacena cada prompt y política en una biblioteca recuperable para que se pueda recuperar el texto exacto que produjo una decisión más tarde.

Copy&Prompt es una biblioteca de prompts que te permite optimizar, almacenar, compartir y copiar prompts con un clic en ChatGPT, Claude, Gemini, DeepSeek, Lovable y Midjourney.

En concreto, aplica estas prácticas:

• Versiona prompts con etiquetas semánticas y registros de cambios.
• Usa salidas JSON validadas por esquema desde planificadores y ejecutores.
• Registra el modelo y la versión de modelo usada en cada ejecución. Marca temporalmente las afirmaciones de comportamiento.
• Ejecuta pruebas unitarias contra un "modelo simulado" determinista donde las completaciones de chat devuelven respuestas predefinidas para casos límite.

Cómo verificar que un agente funciona

Define criterios de aprobado/fallo desde el inicio. Usa estas comprobaciones observables:

• Validez del plan: porcentaje de planes que no requieren ediciones humanas.
• Tasa de éxito de herramientas: proporción de respuestas api_call.ok respecto a los intentos.
• Tasa de alucinación: muestras de salidas verificadas contra citas de fuente.
• Latencia y coste: tiempo medio por ejecución y uso medio de tokens por llamada al modelo.

Qué hacer si no funciona

Empieza por la reproducibilidad. Reproduce exactamente el planificador, la instantánea de recuperación y el prompt del modelo. Si la ejecución diverge, prueba cada componente por separado:

1. Reproduce el planificador con el mismo contexto. Si el plan es inestable, ajusta el prompt de sistema y añade ejemplos (few-shot).
2. Reproduce las consultas de recuperación. Si los resultados varían, fija el índice vectorial y almacena una instantánea para la prueba.
3. Ejecuta el ejecutor con respuestas de herramienta simuladas. Si el ejecutor echa en falta campos, ajusta las comprobaciones de precondición.
4. Introduce un supervisor que rechace automáticamente ejecuciones de baja confianza.

Preguntas frecuentes

¿Qué diferencia a un agente de un flujo de trabajo habitual impulsado por APIs?

Un agente decide los siguientes pasos en tiempo de ejecución usando razonamiento del modelo y recuperación. Un flujo de trabajo sigue una ruta fija definida por el desarrollador. Los agentes añaden planificación y autonomía en la toma de decisiones; los flujos de trabajo aportan predictibilidad y pruebas más sencillas.

¿Cómo evitas que un agente entre en bucles o realice acciones dañinas?

Evita bucles con límites de pasos, hashing de itinerario y aprobaciones del supervisor. Evita acciones dañinas separando "pensar" de "hacer" y aplicando comprobaciones de política antes de cualquier llamada externa. Mantén un registro de eventos inmutable para permitir reversión.

Puntos clave

• Usa agentes cuando las tareas necesiten planificación dinámica, encadenamiento de herramientas o estado de larga duración; de lo contrario, prefiere flujos de trabajo deterministas.
• Separa planificador, ejecutor y supervisor. Mantén los efectos secundarios confinados a la capa del ejecutor.
• Versiona los prompts como código, persiste trazas de decisión y prueba con herramientas simuladas y escenarios de caos.
• Usa RAG para fundamentar hechos y siempre registra el nombre del modelo y la marca temporal de cada decisión.

Siguiente paso: elige una pequeña tarea en tu producto, conviértela al patrón planificador-ejecutor-supervisor y ejecuta diez pruebas reproducibles.

Una vez que tengas una ejecución de agente reproducible, puedes almacenar, compartir e iterar sobre los prompts y políticas para su uso en equipo.

Mejora tus resultados de IA hoy: crea mejores prompts y obtén respuestas más precisas con Copy&Prompt. Copy&Prompt →