Principios de diseño para agentes de IA exitosos según Anthropic [artículo traducido]

> # TL;DR
>
> - Al construir agentes LLM/IA,
> - el principio base siempre debe ser la simplicidad, y agregar complejidad solo cuando sea necesario"
> - "hay que entender a fondo los frameworks antes de adoptarlos", y combinar y probar patrones de workflow y agentes (chaining, routing, paralelización, evaluador-optimizador, etc.) según el entorno real y el objetivo, además de diseñar bien las herramientas (API), documentarlas y probarlas cuidadosamente.

1. Principios de diseño para agentes LLM exitosos

• Enfocarse en la simplicidad: las implementaciones exitosas tienden fuertemente a usar patrones simples y combinables (compoundable) en lugar de depender de frameworks complejos.
• Agregar complejidad solo cuando haga falta: es más eficiente diseñar la estructura base de la forma más simple posible e introducir complejidad únicamente cuando sea indispensable.
• (Texto original: "Las implementaciones más exitosas no dependían de librerías especiales ni de frameworks complejos... se construyeron sobre patrones simples pero componibles".)

2. Diferencia conceptual entre workflows y agentes

• Workflows: el LLM y las herramientas procesan siguiendo rutas predefinidas (paths de código).
• Agentes: el LLM gestiona dinámicamente por sí mismo las tareas y el uso de herramientas (el LLM toma las decisiones).
• (Texto original: "En los workflows, el LLM y las herramientas se coordinan según paths de código predefinidos... en los agentes, el LLM dirige dinámicamente su propio proceso y la forma en que usa las herramientas").

3. Criterios para decidir si conviene usar agentes

• Empezar simple → complejizar gradualmente si hace falta: al inicio conviene probar con llamadas simples al LLM, búsqueda, etc.; si eso no alcanza, incorporar de forma gradual workflows/agentes.
• Si la predictibilidad/consistencia es importante → conviene usar workflows
• Si se necesita flexibilidad a gran escala y toma de decisiones guiada por el modelo → los agentes son más adecuados

4. Principios para adoptar frameworks

• Existen diversas herramientas/frameworks como LangGraph, Bedrock, Rivet y Vellum, pero
• se recomienda empezar usando directamente la API del LLM y adoptar frameworks solo cuando haga falta.
• Si se usa un framework, es indispensable entender a fondo cómo funciona internamente (la abstracción puede dificultar la resolución de problemas).
• (Texto original: "Recomendamos que los desarrolladores comiencen primero usando directamente la API del LLM").

5. Workflows y ejemplos por patrón práctico

• LLM ampliado (Augmented LLM): agregar funciones de extensión integradas como búsqueda, conexión con herramientas y memoria (es importante diseñar bien la interfaz y documentarla).
• Prompt chaining: dividir una tarea en varias llamadas al LLM (etapas) para asegurar claridad y precisión.
  • Ej.: generación de copy de marketing → traducción, borrador de documento → revisión → redacción
• Routing: clasificar la entrada y derivarla al procesamiento o herramienta correspondiente
  • Ej.: enrutar consultas de clientes según el tipo, o enviar solo las preguntas difíciles a un modelo de alto rendimiento
• Paralelización:
  • Sectioning: dividir el trabajo en varias subtareas y procesarlas al mismo tiempo
  • Voting: intentar la misma tarea varias veces para decidir el mejor resultado
  • Ej.: revisión de vulnerabilidades de código, automatización de evaluación de LLM
• Orchestrator-Workers: un agente maestro distribuye subtareas y luego integra los resultados.
  • Ej.: en tareas complejas de programación, repartir en tiempo real solo las partes necesarias; recolectar e integrar múltiples datos
• Evaluator-Optimizer: un LLM genera una respuesta y otro LLM la evalúa, da feedback y repite el ciclo de mejora
  • Ej.: mejora iterativa de resultados de traducción, recopilación de información compleja

6. Casos reales de aplicación industrial

• Soporte al cliente: integración de chatbots con herramientas, automatización de tareas con datos de clientes/pedidos/reembolsos; el éxito puede medirse claramente según la "resolución del problema". También hay referencias de empresas con cobro basado en uso en producción.
• Agentes de programación: iteración y mejora basadas en feedback de pruebas automáticas, demostrado en SWE-bench y otros. El dominio del problema y la calidad del resultado pueden medirse con claridad. Aun así, siempre se necesita revisión final humana.

7. Consejos de prompt engineering para herramientas (apéndice 2)

• Se recomienda un formato cómodo para que el LLM lo use y asignación suficiente de tokens
• Describir con claridad la herramienta (usage, ejemplos, edge cases, límites, etc.)
• Probar ⇒ mejorar observando cómo el modelo la usa realmente (con workbench, etc.)
• Diseñar con un enfoque tipo poka-yoke que ayude a prevenir incluso errores pequeños
• (Texto original: "Una buena definición de herramienta debería incluir ejemplos de uso, edge cases, requisitos del formato de entrada y límites claros respecto de otras herramientas").

8. Principios clave

• Mantener la simplicidad (Keep it simple)
• La transparencia del proceso de planning del agente es indispensable
• Documentación clara y pruebas de herramientas e interfaces
• Los frameworks ayudan con la velocidad inicial, pero se recomienda minimizar la abstracción y mantener control directo