¡Hola, constructores de agentes! Emma aquí, de regreso de otra sesión de codificación nocturna alimentada por café tibio y la pura alegría de ver algo que construí… bueno, *hacer* algo. Hoy quiero hablar sobre algo que probablemente está en la mente de muchos de ustedes, especialmente si están apenas metiendo los pies en el mundo de los agentes de IA: ¿Cómo demonios logran que un agente de IA haga algo útil y no solo escupa texto genérico o mensajes de error?
Específicamente, quiero centrarme en un obstáculo común que observo y que, francamente, experimenté hace no mucho tiempo: El Arte de Darle Herramientas a Tu Agente. Suena simple, ¿verdad? “Aquí tienes, agente, usa esto.” Pero hay una sutileza, un baile sutil entre darle suficiente capacidad sin abrumarlo, y asegurarte de que sepa *cuándo* usar lo que le has dado. Olvida los marcos novedosos por un momento; volvamos a lo básico. Si tu agente no puede interactuar con el mundo real (o al menos, el mundo digital fuera de su propio cerebro LLM), solo es un chatbot sofisticado.
Piénsalo de esta manera: quieres que tu niño pequeño construya un magnífico castillo de Lego. Puedes decirle exactamente qué hacer, pero si no le das los bloques de Lego (las herramientas), simplemente se quedará ahí mirando confundido. De manera similar, si le das todo un taller lleno de herramientas eléctricas y ninguna orientación, terminarás con… bueno, probablemente un desastre y tal vez un viaje a urgencias. Nuestros agentes de IA son un poco como ese niño pequeño, aunque con un riesgo de lesión ligeramente menor.
Por qué las Herramientas Son el Superpoder de Tu Agente (y a Veces Tu Dolor de Cabeza)
Cuando empecé a jugar con agentes, pasé una cantidad vergonzosa de tiempo tratando de hacer que un LLM “recordara” cosas o “buscara” información puramente mediante indicaciones ingeniosas. Escribía indicaciones más largas que mi lista de compras, tratando de embebir todo el contexto que necesitaba. ¿Y sabes qué? En su mayoría fallaba. O alucinaba. Mucho. Mi agente me decía con confianza que el clima actual en la Antártida era de 75 grados Fahrenheit y soleado. Claramente, no es ideal para planear un viaje.
El momento de claridad llegó cuando me di cuenta de que el LLM en sí no está destinado a ser una base de datos o un navegador de internet. Su superpoder es entender y generar texto similar al humano basado en los datos en los que fue entrenado. Su debilidad? Información en tiempo real, cálculos específicos o interacción con sistemas externos. Ahí es donde entran las herramientas. Las herramientas son esas pequeñas funciones o API que proporcionas que permiten a tu agente alcanzar fuera de su red neuronal y entrar en el mundo real.
Imagina un agente cuyo trabajo es ayudarte a planear un viaje de fin de semana. Sin herramientas, puede sugerir destinos o actividades genéricas basadas en sus datos de entrenamiento. ¿Con herramientas? Puede:
- Comprobar los precios de vuelos en tiempo real.
- Buscar pronósticos del clima actual para una ciudad específica.
- Encontrar habitaciones de hotel disponibles y sus tarifas.
- Leer reseñas de restaurantes locales.
- ¡Incluso reservar un alquiler de coche!
De repente, tu agente no es solo un compañero de conversación; es un asistente personal con utilidad real.
Mi Primera Incursión: El Debacle de la Búsqueda en Google
Mi primer intento de darle una herramienta a un agente fue, predeciblemente, un desastre. Quería un agente que pudiera responder preguntas sobre eventos actuales. Simple, ¿verdad? Mi pensamiento inicial fue: “¡Solo dale acceso a Google!”
Terminé usando una biblioteca que proporcionaba una herramienta de búsqueda simple. El problema no era la herramienta en sí; era mi comprensión de cómo el agente *la usaría*. Simplemente declaré la herramienta, le dije al agente que existía, y esperaba magia. El agente, bendito corazón digital, a menudo buscaba cosas que ya estaban en mi indicación, o buscaba cosas obscuras cuando había una respuesta directa disponible. Era como darle a un niño una calculadora y que intentara usarla para llamar a sus amigos.
La clave que obtuve fue esta: No es suficiente con solo darle una herramienta a un agente. Necesitas decirle para qué es la herramienta, qué tipo de entradas espera, y qué tipo de salida obtendrá. Y crucialmente, necesitas guiar su proceso de toma de decisiones sobre *cuándo* usar esa herramienta.
Anatomía de una Buena Herramienta (para Tu Agente)
Desglosamos lo que hace efectiva una herramienta para un agente de IA. Voy a mantener esto independiente de cualquier marco por un momento, ya que los principios se aplican ya sea que estés usando LangChain, CrewAI, o desarrollando tu propio bucle de agente personalizado.
1. Firma de Función Clara
Tu herramienta necesita un nombre y, si toma argumentos, definiciones de parámetros claras. Piénsalo como una función en Python. El agente necesita saber qué llamar y qué pasarle.
2. Descripción Concisa
¡Esta es probablemente la parte más pasada por alto! La descripción es tu línea directa al motor de razonamiento del LLM. Es cómo le dices al agente, en un lenguaje sencillo, qué hace esta herramienta, por qué es útil y cuándo debería considerar usarla. ¡No seas vago! En lugar de “Una herramienta de búsqueda,” intenta “Busca en internet información actualizada sobre cualquier tema. Usa esto cuando necesites hechos actuales, datos externos, o para verificar información que puede estar desactualizada en mis datos de entrenamiento.”
3. Implementación Confiable
El código real que ejecuta la herramienta necesita funcionar de manera consistente. Si tu herramienta falla ocasionalmente o devuelve datos mal formados, tu agente se confundirá y podría dejar de confiar en esa herramienta. ¡Esto significa que el manejo de errores es tu amigo!
Ejemplo Práctico: Un Agente Simple de Verificación de Hechos
Construyamos un agente súper básico que pueda responder preguntas y, si no tiene certeza o la información parece anticuada, usar un motor de búsqueda para obtener datos actuales. Para esto, utilizaré un ejemplo de Python muy simplificado, centrándome en la definición de la herramienta.
Paso 1: Definir Nuestra Herramienta de “Búsqueda”
Crearemos una función de Python que simule una búsqueda en la web. En una aplicación real, esto se conectaría a una API de búsqueda (como SerpAPI, Google Custom Search, o incluso solo `requests` para raspar un sitio, aunque raspar tiene sus propios desafíos).
import requests
import json
def web_search_tool(query: str) -> str:
"""
Busca en internet información actualizada sobre cualquier tema.
Usa esta herramienta cuando necesites hechos actuales, datos externos,
o para verificar información que puede estar desactualizada en mis datos de entrenamiento.
Proporciona una consulta de búsqueda concisa.
"""
try:
# Simular una llamada real a la API de búsqueda web
# En un escenario real, esto sería una llamada a una API real, por ejemplo, a SerpAPI
# Para simplificar, simplemente simulemos algunos resultados basados en consultas comunes.
mock_results = {
"current weather in London": "Son 12°C y está nublado en Londres, Reino Unido, a partir del 22 de marzo de 2026.",
"population of Tokyo": "La población actual estimada de Tokio es de alrededor de 14 millones de personas (a principios de 2026).",
"latest AI agent news": "Se anunciaron nuevos avances en marcos de orquestación de múltiples agentes esta semana.",
"capital of France": "La capital de Francia es París.", # Ejemplo donde el LLM puede ya saber
"who won the Super Bowl last year": "Los Kansas City Chiefs ganaron el Super Bowl LVIII en febrero de 2025."
}
# Una coincidencia muy simplista para demostración
for key, value in mock_results.items():
if key.lower() in query.lower():
return value
# Si no hay un mock específico, retornar un resultado de búsqueda genérico
return f"Resultados de búsqueda para '{query}': [Resultado simulado: Información encontrada en un sitio de noticias reciente o Wikipedia relevante para '{query}']"
except Exception as e:
return f"Error al realizar la búsqueda en la web: {str(e)}"
# Ejemplo de cómo la herramienta sería utilizada por un agente:
# print(web_search_tool("current weather in London"))
# print(web_search_tool("population of Tokyo"))
# print(web_search_tool("who won the Super Bowl last year"))
# print(web_search_tool("random obscure fact"))
¿Notas la docstring de `web_search_tool`? ¡Esa es la descripción de tu herramienta! Le dice al agente *qué* hace y *cuándo* usarla. El `query: str` es el parámetro de entrada claro.
Paso 2: Integrar la Herramienta con un Agente (Simplificado)
Ahora, ¿cómo “sabría” un agente sobre esta herramienta? La mayoría de los marcos de agentes abstraen esto, pero en su núcleo, implica:
- Proporcionar al LLM la descripción y firma de función de la herramienta.
- Hacer que el LLM decida llamar a la herramienta.
- Ejecutar la función de Python de la herramienta.
- Retroalimentar la salida de la herramienta al LLM.
Imaginemos un bucle de agente muy simplificado usando un envoltorio hipotético de LLM:
# Este es un ejemplo conceptual, no ejecutable sin una integración real de LLM
# y un marco de agentes.
class SimpleAgent:
def __init__(self, llm_model):
self.llm = llm_model
self.tools = {
"web_search": web_search_tool
}
self.tool_descriptions = {
"web_search": {
"name": "web_search",
"description": """Busca en internet información actualizada sobre cualquier tema.
Usa esta herramienta cuando necesites datos actuales, información externa,
o para verificar información que podría estar desactualizada en mis datos de entrenamiento.
Proporciona una consulta de búsqueda concisa como entrada.""",
"parameters": {"query": "string"} # Descripción de parámetro simplificada
}
}
def run(self, prompt: str) -> str:
# Paso 1: El LLM decide si se necesita una herramienta
# En un marco real, el LLM sería presentado con la consulta del usuario
# Y las descripciones de las herramientas disponibles. Luego generaría una salida estructurada
# indicando si quiere usar una herramienta y con qué argumentos.
# Para demostración, codifiquemos un poco de "pensamiento" del LLM
if "current" in prompt.lower() or "latest" in prompt.lower() or "up-to-date" in prompt.lower():
print("\nPENSAMIENTO DEL AGENTE: Esta pregunta probablemente requiere información actual. Debería usar la herramienta de búsqueda en la web.")
search_query = prompt.replace("What is the ", "").replace("what is ", "").strip("?.").strip()
print(f"ACCIÓN DEL AGENTE: Llamando a web_search con la consulta: '{search_query}'")
tool_output = self.tools["web_search"](search_query)
print(f"SALIDA DE LA HERRAMIENTA: {tool_output}")
# Paso 2: El LLM procesa la salida de la herramienta y genera la respuesta final
final_answer = f"Basado en mi búsqueda: {tool_output}"
else:
print("\nPENSAMIENTO DEL AGENTE: Esta pregunta podría responderse a partir de mi conocimiento interno.")
# En un LLM real, generaría una respuesta directamente
final_answer = f"El conocimiento interno del LLM dice: [Respuesta simulada para: '{prompt}']"
return final_answer
# --- Ejemplo de Uso ---
# Suponiendo que 'my_llm_model' es un cliente LLM instanciado (por ejemplo, OpenAI, Anthropic)
# agent = SimpleAgent(my_llm_model)
# print(agent.run("What is the current weather in London?"))
# print("\n---")
# print(agent.run("What is the capital of France?")) # Esto podría no activar una búsqueda según nuestra lógica simple
# print("\n---")
# print(agent.run("Tell me the latest AI agent news."))
Esta es, por supuesto, una representación muy simplificada. Los marcos de agente reales manejan la lógica de llamada a herramientas del LLM de manera mucho más elegante, a menudo utilizando capacidades de llamada de funciones integradas en modelos como la serie GPT de OpenAI o Claude de Anthropic.
La idea central sigue siendo: el LLM recibe la consulta y las descripciones de las herramientas. Basado en su comprensión, decide “llamar” a una herramienta, proporcionando los argumentos. Tu código luego ejecuta esa herramienta y devuelve el resultado al LLM, que luego utiliza ese resultado para formular su respuesta final.
Mi Última Obsesión: Herramientas de Orquestación
Más allá de una búsqueda simple, he estado experimentando con herramientas que no solo recuperan información, sino que *orquestan* otras acciones. Piensa en una herramienta de “enviar correo electrónico” o una herramienta de “crear evento en el calendario”. Estas son poderosas porque permiten que el agente vaya más allá de solo hablar y realmente *haga* cosas en tu vida digital.
Un proyecto reciente involucró construir un agente que pudiera ayudar a gestionar mi bandeja de entrada desbordante. En lugar de solo resumir correos electrónicos (lo cual es genial, pero limitado), quería que pudiera:
- `summarize_thread(thread_id)`: Resumir un hilo de correo electrónico específico.
- `draft_reply(thread_id, context, tone)`: Redactar una respuesta dada el hilo, algo de contexto que proporcione y un tono deseado.
- `add_to_todo_list(task_description, due_date)`: Agregar un elemento a mi lista de Todoist.
La herramienta `draft_reply` fue fascinante porque involucró un poco de cadena de pensamiento interna para el agente: “Está bien, el usuario quiere que redacte una respuesta. Primero, necesito usar `summarize_thread` para entender el contexto. Luego, puedo usar ese resumen y el tono deseado del usuario para generar el texto de la respuesta.” Esto demuestra cómo los agentes pueden encadenar herramientas para tareas más complejas.
La herramienta `add_to_todo_list` fue una simple llamada a la API de Todoist. La magia no estaba en la llamada a la API en sí, sino en el agente *decidiendo* cuándo un correo electrónico contenía un elemento accionable que necesitaba ser rastreado, y luego extrayendo correctamente la descripción de la tarea y una posible fecha de vencimiento del texto del correo para pasar a la herramienta.
Conclusiones Accionables para Tu Viaje con Agentes
- Comienza Simple: No intentes darle a tu agente 50 herramientas a la vez. Comienza con una o dos herramientas realmente útiles (como una búsqueda en la web o una calculadora simple) y domina cómo interactúa tu agente con ellas.
- Las Descripciones son Clave: Dedica tiempo a elaborar descripciones claras, concisas e instructivas para cada herramienta. Piensa en lo que un humano necesitaría saber para decidir cuándo y cómo usar esa herramienta. Enfatiza su propósito y casos de uso ideales.
- Claridad en la Entrada/Salida: Asegúrate de que la firma de función de tu herramienta esté clara sobre qué argumentos espera (las pistas de tipo son geniales) y en qué formato estará su salida. El agente necesita entender ambas cosas.
- Maneja los Errores con Elegancia: Tus herramientas *fallarán* a veces. Implementa el manejo de errores dentro de las funciones de tus herramientas para que, cuando algo salga mal (por ejemplo, un tiempo de espera de API, entrada no válida), la herramienta devuelva un mensaje de error sensato en lugar de fallar, permitiendo al agente potencialmente reintentar o informar al usuario.
- Pensar en Cadenas: Una vez que te sientas cómodo con el uso de una sola herramienta, comienza a reflexionar sobre cómo los agentes pueden encadenar herramientas juntos. Un ejemplo simple: “Buscar información” -> “Resumir información” -> “Responder al usuario.”
- Itera, Itera, Itera: Rara vez lograrás una integración perfecta de herramientas en el primer intento. Observa cómo tu agente usa (o *mal usa*) sus herramientas, ajusta las descripciones de tus herramientas y refina la forma en que tu agente recibe instrucciones para guiar su comportamiento.
Dar herramientas a tu agente de IA es donde sucede la verdadera magia. Es el paso que transforma un chatbot ingenioso en un asistente verdaderamente útil e interactivo que puede realmente *hacer* cosas en el mundo. Se necesita un poco de práctica, un toque de paciencia y un montón de escritura cuidadosa de descripciones, pero confía en mí, la recompensa es enorme. Así que avanza, empodera a tus agentes y déjame saber qué cosas increíbles logras que construyan.
¡Hasta la próxima, feliz construcción de agentes!
Emma Walsh
agent101.net
Artículos Relacionados
- Mi Viaje con Agentes de IA 2026: Enfrentando el Factor de Intimidación
- Construyendo un Agente de Investigación OpenClaw
- Cuando Tu Agente se Rebela: Dominando los Kill Switches
🕒 Published: