Clase 04 · Formación IA
Anatomía de
un Agente
¿Una automatización, un agente, un RAG o un multiagente? Esta clase responde.
Un cerebro con manos
Un LLM solo predice texto. Un agente coge ese cerebro y le da herramientas, memoria, un objetivo y la capacidad de actuar en bucle.
I
Fundamento
¿Qué es un agente?
Pasivo vs. activo
LLM solo
1. Recibe el prompt
2. Genera texto
3. Fin
Una pasada. No "hace" nada en el mundo.
Agente
1. Recibe un objetivo
2. Piensa / planifica
3. Usa una herramienta
4. Observa el resultado
5. ¿Logrado? si no → vuelve al 2
La definición en una frase
Agente =
LLM + herramientas + memoria + un bucle que repite «piensa → actúa → observa» hasta lograr el objetivo.
Surgieron cuando los modelos fueron lo bastante fiables para decidir qué herramienta usar y cuándo parar.
No todo el texto pesa igual
System prompt · la "constitución"
Define
quién es, su rol, tono y límites. El usuario no lo ve.
"Eres un asistente legal. Nunca inventes leyes."Contexto inyectado · lo que le damos de comer
Datos extra de cada llamada: búsquedas, fragmentos de documentos (esto es
RAG), historial.
User prompt · lo que pide el usuario
La petición concreta del turno.
"Resume el contrato en 5 puntos."
El modelo lee las tres juntas. El system prompt es donde se diseña de verdad el carácter de un agente.
Retrieval-Augmented Generation
Darle lo que no sabe
El LLM no se sabe tus documentos internos ni las noticias de hoy. RAG busca los fragmentos relevantes y se los pega al prompt antes de responder.
1 · Preguntadel usuario
2 · Vectorse convierte en embedding
3 · Búsquedatrozos parecidos en la base vectorial
4 · Inyecciónpega esos trozos al prompt
5 · Respuestael LLM responde citando tus datos
¿Cuándo sí y cuándo no?
✓ Usa RAG cuando…
- El conocimiento es privado (manuales, contratos, tu wiki).
- Cambia a menudo (precios, normativa).
- Necesitas que cite la fuente y reduzca alucinaciones.
✗ No hace falta cuando…
- Es conocimiento general que el modelo ya domina.
- Los datos caben enteros en el contexto.
- Necesitas acción → eso son herramientas, no RAG.
IV
El catálogo
Tipos de sistemas
De menos a más · lo cotidiano
Empieza simple
- NIVEL 0
⚙️ Automatización (N8N)
Flujo determinista, sin razonar. Caso: «email con factura → extraer importe → guardar en hoja → avisar por Slack».
- NIVEL 1
🤖 Agente básico (sin RAG)
LLM + herramientas + bucle. Caso: «busca los 3 competidores de X y hazme una tabla».
- NIVEL 2
📚 Agente + RAG
Conectado a tu conocimiento privado. Caso: «soporte que responde según NUESTROS manuales y cita el documento».
Cuando escala · lo complejo
Sube de nivel
- NIVEL 3
🔬 Deep Agent
Tareas largas: planifica, se descompone en subtareas. Caso: «investiga un mercado y dame un informe de 20 páginas con fuentes».
- NIVEL 3
🕸️ Agente por grafo (LangGraph)
Nodos, estado y ciclos controlados por ti. Caso: proceso con pasos obligatorios, validaciones y trazabilidad.
- NIVEL 4
👥 Multiagente
Varios agentes especializados que colaboran. Caso: investigador + redactor + revisor + SEO.
Regla de oro
Usa lo más simple
que resuelva el problema.
Cada escalón añade potencia, pero también coste, latencia y puntos de fallo.
Guía interactiva
¿Qué necesito yo?
Fin del curso
De entender la IA
a construir con ella.