Chatbot y agente no son lo mismo
Un chatbot con LLM recibe texto y devuelve texto. Un agente recibe un objetivo, decide qué hacer, ejecuta acciones y comprueba el resultado. La prueba rápida: si tu código puede consultar la hora, leer un fichero o llamar a una API sin que tú se lo pidas explícitamente, tienes un agente.
Anatomía de un agente
Cuatro piezas, sin misterio:
- Bucle de razonamiento: el LLM decide el siguiente paso a partir del objetivo y del historial.
- Herramientas: funciones Python que el modelo puede invocar (buscar, calcular, guardar).
- Memoria: el estado de la conversación y de lo que ya se ha intentado.
- Ejecución: tu código lanza la acción y devuelve el resultado al modelo.
Construirlo en Python, paso a paso
Vamos con un agente que, dado un tema, busca datos y redacta un resumen.
- Define las herramientas como funciones normales y bien documentadas:
buscar_web(consulta)yguardar(texto). - Describe cada herramienta al modelo en JSON (nombre, descripción, parámetros). Descripciones malas, agente malo.
- Monta el bucle: envía objetivo más historial y mira si la respuesta pide una herramienta.
- Si la pide, ejecútala tú, añade el resultado al historial y vuelve a llamar al modelo.
- Corta cuando llegue la respuesta final o superes un máximo de iteraciones. Ese límite no es opcional: sin él, tu agente se queda pensando y tu factura de API sube.
Con la API de Anthropic u OpenAI son unas 80 líneas. La clave no es el framework, es tener claro qué herramientas das y cómo paras.
Lo que suele fallar
Descripciones ambiguas, bucles sin tope y memoria que crece sin control. Empieza con dos herramientas y una tarea concreta; añade sofisticación cuando lo simple funcione.
Si quieres montarlo guiado y con APIs reales, en Clasesdeprogramacion lo construimos contigo desde la primera línea.