El agente no es solo el modelo
Cuando hablamos de agentes de IA, es fácil poner toda la atención en el modelo: cuál razona mejor, cuál tiene más contexto o cuál responde más rápido. Pero el modelo es solo una parte.
En una nueva #TRIBUTalk conversamos sobre el harness, es decir, todo lo que construimos alrededor de un modelo para que pueda realmente hacer cosas: usar herramientas, recordar información, ejecutar acciones y revisar si el resultado fue correcto. Ahí está buena parte de la diferencia entre preguntarle algo a un LLM y construir un agente.
De responder a actuar
Un modelo puede generar una respuesta. Un agente, en cambio, puede necesitar buscar información, consultar una base de datos, modificar un archivo, ejecutar un proceso o decidir cuál es el siguiente paso. Para eso necesita acceso a herramientas externas. Durante la charla apareció, por ejemplo, MCP (Model Context Protocol) como una forma de conectar modelos con distintas herramientas y fuentes de información. La lógica es bastante simple: el modelo aporta la capacidad de razonamiento, pero el sistema que construimos alrededor le permite interactuar con el mundo real.
Qué recordar y qué dejar afuera
La memoria es otra parte importante. No todo lo que un agente conoce tiene que estar presente todo el tiempo. De hecho, cargar demasiado contexto puede terminar jugando en contra. El desafío está en decidir qué información tiene que recordar, qué puede recuperar cuando la necesita y qué instrucciones pueden mantenerse fuera hasta que sean relevantes. En ese punto también aparecen las skills: capacidades específicas que el agente puede consultar cuando necesita realizar determinada tarea, sin tener que cargar todas las instrucciones desde el comienzo.
El agente también tiene que revisar lo que hace
Otro punto clave es la verificación. Si un agente modifica código, por ejemplo, no alcanza con que haga el cambio. También puede ejecutar tests, comprobar el resultado y volver a intentar si algo salió mal. Ese loop —hacer, observar y corregir— es parte fundamental de estos sistemas. Y cuanto más autonomía les damos, más importante se vuelve definir controles claros sobre qué pueden hacer y cómo sabemos si lo hicieron bien.
La pregunta cambia
Una de las ideas más interesantes de la charla fue que el mismo modelo puede dar resultados muy distintos dependiendo de lo que tenga construido alrededor. Las herramientas disponibles, la memoria, el contexto, las instrucciones y la forma en la que verifica sus acciones pueden cambiar completamente el resultado. Por eso, cuando pensamos en agentes, quizás la pregunta ya no sea solamente: ¿Qué modelo estamos usando? Sino: ¿Qué estamos construyendo alrededor para que realmente pueda trabajar?