Introducción

Un agente de IA no es un único chatbot que mágicamente lo sabe todo. Por dentro, ejecuta un bucle repetitivo: observa algo, piensa qué hacer, elige una herramienta y actúa. Luego observa el resultado de esa acción y vuelve a iterar. Comprender este bucle es la base de todo lo que sigue en este curso: conectar bases de datos, llamar a APIs y gestionar la autenticación son pasos de "acción" dentro de este bucle.

El bucle Percepción–Planificación–Acción

El bucle del agente tiene cuatro fases que se repiten continuamente hasta que la tarea del agente finaliza.

La percepción es todo lo que el agente puede leer o percibir: el prompt del usuario, el historial de la conversación, la salida de una llamada previa a una herramienta o datos obtenidos de una base de datos. La planificación es el paso de razonamiento del LLM en el que decide qué debe ocurrir a continuación. La selección de herramientas es el momento en que el modelo elige una función específica (como query_database o send_email) y genera los argumentos para ella. La acción es cuando esa herramienta realmente se ejecuta y devuelve un resultado.

Después de que la acción devuelve, el resultado se convierte en nueva percepción. Luego el agente vuelve a planificar. Por eso los agentes pueden encadenar llamadas: la salida de una herramienta informa la siguiente decisión.

Cómo decide el modelo qué herramienta usar

A los agentes modernos se les proporciona una lista estructurada de herramientas disponibles, cada una con un nombre, una descripción y un esquema de parámetros. El LLM lee estas descripciones y decide cuál se ajusta a la necesidad actual. No "sabe" cómo llamar a una API por sí mismo: elige la herramienta que tú, como desarrollador, registraste.

tools = [
    {
        "name": "query_database",
        "description": "Run a read-only SQL query against the users database.",
        "parameters": {
            "type": "object",
            "properties": {
                "sql": {"type": "string", "description": "SELECT statement only"}
            },
            "required": ["sql"]
        }
    },
    {
        "name": "get_weather",
        "description": "Fetch current weather for a city.",
        "parameters": {
            "type": "object",
            "properties": {
                "city": {"type": "string"}
            },
            "required": ["city"]
        }
    }
]

Cuando el usuario pregunta "¿Cuántos usuarios se registraron la semana pasada?", el modelo empareja la solicitud con query_database, genera el argumento SQL y el runtime lo ejecuta. Fíjate en que el agente no inventó su propia capacidad: seleccionó de un menú que tú definiste.

Dónde encajan las integrations externas

Cada consulta a base de datos, llamada a API o verificación de autenticación es simplemente otra herramienta en ese menú. Desde la perspectiva del agente no hay diferencia entre "buscar un pedido en Postgres" y "llamar al endpoint de reembolso de Stripe": ambas son herramientas con un esquema y una función handler. El curso construirá estos handlers uno a uno: primero consultas de solo lectura a la base de datos, luego operaciones de escritura, después APIs externas y finalmente flujos autenticados.

def handle_tool_call(tool_name, arguments):
    if tool_name == "query_database":
        return db.execute(arguments["sql"])
    if tool_name == "get_weather":
        return requests.get("https://api.weather.example/current",
                            params={"city": arguments["city"]}).json()
    raise ValueError(f"Unknown tool: {tool_name}")

Este handler es donde ocurre el trabajo real. El LLM solo propone qué hacer; tu código decide qué es seguro hacer.

Errores comunes

Tratar al LLM como omnisciente: no puede llamar a herramientas que no hayas registrado ni acceder a datos para los que no le hayas dado una herramienta. Confundir planificación con ejecución: el modelo solo propone; tu runtime debe validar y ejecutar. Dejar que el agente entre en bucle infinito: establece siempre un máximo de iteraciones para que una herramienta que se comporte mal no pueda atrapar al agente. Por último, nunca confíes en la salida cruda del modelo como llamada directa a base de datos o API sin validación; la inyección de SQL y los payloads incorrectos en la API provienen de saltarse este paso.

Resumen

Un agente de IA es un bucle: percibir, planificar, elegir una herramienta, actuar, observar el resultado, repetir. Las herramientas son el puente entre el razonamiento del LLM y el mundo exterior. Las bases de datos, las APIs y las capas de autenticación se implementan todas como herramientas con esquemas y handlers. Dominar este modelo mental es el prerrequisito para todo lo demás en este curso.