Componentes clave de un agente de IA

Curso para Crear Agentes de AI con MongoDB

Contenido del curso

Fundamentos y Configuración de Agentes de AI

Herramientas y Búsqueda Vectorial

Orquestación y Construcción con LangGraph

Criterios de Uso y Finalización

13
Qué lograste al crear tu agente con MongoDB
00:48 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:007:49

Componentes clave de un agente de IA

Curso para Crear Agentes de AI con MongoDB

Clase 5 de 13

Clase 5 / 13

Recursos

Los agentes de inteligencia artificial funcionan gracias a cuatro componentes que imitan la forma en la que tú resuelves problemas: percepción, planificación y razonamiento, herramientas y memoria. Entender cómo encajan estas piezas es clave si quieres construir aplicaciones autónomas con LLMs y diseñar prompts que realmente guíen a tu agente.

¿Cuáles son los cuatro componentes de un agente de IA?

Un agente no es solo un modelo respondiendo preguntas. Es un sistema que percibe, piensa, actúa y recuerda. Cada componente cumple una función específica y, cuando trabajan juntos, aparece esa autonomía que distingue a un agente de un simple chatbot [0:08].

Percepción: cómo el agente recopila información del entorno.
Planificación y razonamiento: cómo analiza el problema y crea un plan.
Herramientas: las interfaces externas que ejecuta para resolver pasos concretos.
Memoria: cómo aprende de interacciones pasadas y las usa como contexto.

¿Qué es un agente de IA en términos simples? Es un sistema que combina un LLM con percepción, herramientas y memoria para resolver tareas de forma autónoma, no solo responder texto.

¿Cómo percibe un agente su entorno?

La percepción es el mecanismo de entrada del agente. La mayoría de los agentes actuales son pasivos: necesitan que algo los active [1:30].

Esa activación normalmente llega como texto. Puede ser un prompt que tú escribes, un correo electrónico entrante o un mensaje de WhatsApp que dispara un evento preprogramado. Ya están en desarrollo entradas multimodales como voz, imágenes y sensores físicos, pero hoy el estándar sigue siendo el texto.

¿Cómo razona y planifica un agente de IA?

El cerebro del agente es un large language model, un LLM. Cuando recibe una consulta, su trabajo es idear cómo resolver el problema y luego ejecutar los pasos [2:30].

Los LLM son cada vez más poderosos, pero necesitan contexto. Y ese contexto se lo das tú a través de prompts bien diseñados, que funcionan como las instrucciones que orientan al cerebro del agente.

¿Qué es la planificación sin retroalimentación?

Es la forma más sencilla de hacer planear a un modelo. Le pides que cree un plan basado en su comprensión inicial y lo ejecute tal cual, sin modificarlo en el camino [3:20]. Es un plan estático.

El diseño más común aquí se llama cadena de pensamiento: en lugar de pedirle al modelo una respuesta directa, le pides que piense paso a paso antes de responder.

¿Qué es la cadena de pensamiento o chain of thought? Es una técnica de prompting donde le indicas al LLM que razone paso a paso antes de dar la respuesta final, lo que mejora la calidad del resultado en problemas complejos.

La cadena de pensamiento tiene dos variantes principales:

Zero-shot: le dices simplemente "piense en el problema paso a paso", sin ejemplos.
Few-shot: le das algunos ejemplos resueltos para que use como base y desarrolle su propia solución.

¿Qué es la planificación con retroalimentación?

Aquí el agente ajusta y refina su plan mientras lo ejecuta. Reflexiona sobre sus propias respuestas, las critica y las modifica en el camino [5:00]. Es mucho más poderosa y se apoya en dos diseños fundamentales.

REACT combina reason y act. El LLM va generando rastros de razonamiento verbal y acciones, y ajusta su plan con la información que obtiene de las herramientas. Es un ciclo que continúa hasta que el modelo llega a su respuesta final usando su propia información para reaccionar, pensar y actuar.

REFLECTION usa un segundo LLM como supervisor. Mientras un modelo genera respuestas, otro le pide críticas y recomendaciones constantemente. Pueden ser dos modelos en paralelo o varios trabajando juntos. El objetivo es ejecutar ese bucle de crítica y respuesta hasta que el agente esté satisfecho con la respuesta antes de avanzar al siguiente paso.

¿Cuál es la diferencia entre REACT y REFLECTION? REACT es un único LLM que razona y actúa en ciclo con sus herramientas. REFLECTION añade un segundo LLM que supervisa y critica las respuestas del primero, a costa de más latencia y costo.

Esta segunda aproximación incrementa muchísimo la efectividad del agente, aunque implica más llamadas a modelos, más costo y más latencia.

¿Por qué los agentes empiezan a parecer humanos?

Cuando juntas percepción, razonamiento, acciones y memoria, el resultado se parece bastante a cómo tú enfrentas un problema complejo: observas, piensas, actúas con herramientas y aprendes de lo que hiciste antes.

Esa es la promesa de los agentes: imitar gradualmente la autonomía humana para resolver tareas. Los LLM son el cerebro que les permite planificar y razonar, mientras que los planes que generan pueden ser estáticos, como en cadena de pensamiento, o dinámicos, como en REACT y REFLECTION.

¿Tú con cuál arquitectura empezarías tu primer agente, cadena de pensamiento o REACT? Cuéntame en los comentarios.

Resumen

¿Cuáles son los cuatro componentes de un agente de IA?

Percepción: cómo el agente recopila información del entorno.
Planificación y razonamiento: cómo analiza el problema y crea un plan.
Herramientas: las interfaces externas que ejecuta para resolver pasos concretos.
Memoria: cómo aprende de interacciones pasadas y las usa como contexto.

¿Qué es un agente de IA en términos simples? Es un sistema que combina un LLM con percepción, herramientas y memoria para resolver tareas de forma autónoma, no solo responder texto.

¿Cómo percibe un agente su entorno?

La percepción es el mecanismo de entrada del agente. La mayoría de los agentes actuales son pasivos: necesitan que algo los active [1:30].

¿Cómo razona y planifica un agente de IA?

El cerebro del agente es un large language model, un LLM. Cuando recibe una consulta, su trabajo es idear cómo resolver el problema y luego ejecutar los pasos [2:30].

¿Qué es la planificación sin retroalimentación?

Es la forma más sencilla de hacer planear a un modelo. Le pides que cree un plan basado en su comprensión inicial y lo ejecute tal cual, sin modificarlo en el camino [3:20]. Es un plan estático.

El diseño más común aquí se llama cadena de pensamiento: en lugar de pedirle al modelo una respuesta directa, le pides que piense paso a paso antes de responder.

¿Qué es la cadena de pensamiento o chain of thought? Es una técnica de prompting donde le indicas al LLM que razone paso a paso antes de dar la respuesta final, lo que mejora la calidad del resultado en problemas complejos.

La cadena de pensamiento tiene dos variantes principales:

Zero-shot: le dices simplemente "piense en el problema paso a paso", sin ejemplos.
Few-shot: le das algunos ejemplos resueltos para que use como base y desarrolle su propia solución.

¿Qué es la planificación con retroalimentación?

¿Cuál es la diferencia entre REACT y REFLECTION? REACT es un único LLM que razona y actúa en ciclo con sus herramientas. REFLECTION añade un segundo LLM que supervisa y critica las respuestas del primero, a costa de más latencia y costo.

Esta segunda aproximación incrementa muchísimo la efectividad del agente, aunque implica más llamadas a modelos, más costo y más latencia.

¿Por qué los agentes empiezan a parecer humanos?

¿Tú con cuál arquitectura empezarías tu primer agente, cadena de pensamiento o REACT? Cuéntame en los comentarios.

Fundamentos y Configuración de Agentes de AI

Agentes de AI con LangGraph y MongoDB

Configura tu entorno de agentes en Instruct

Qué es un agente de IA y cuándo usarlo

Cuándo usar agentes de IA y cuándo no

Componentes clave de un agente de IA

Herramientas y Búsqueda Vectorial

Tools y memory en agentes de IA

Búsqueda vectorial con embeddings en MongoDB

Búsqueda vectorial con MongoDB paso a paso

Herramientas de agente con LangChain y MongoDB

Orquestación y Construcción con LangGraph

Orquestación de agentes inteligentes con LangGraph

Cómo ejecutar un agente funcional en LangGraph

Memoria persistente en agentes con LangGraph

Criterios de Uso y Finalización

Qué lograste al crear tu agente con MongoDB

Componentes clave de un agente de IA

Progreso del curso

Fundamentos y Configuración de Agentes de AI

Herramientas y Búsqueda Vectorial

Orquestación y Construcción con LangGraph

Criterios de Uso y Finalización

Recursos

Recursos