Arquitectura de Agentes de IA: Herramientas para Memoria y Planificación
Hola, soy Lena. Cuando miro una arquitectura de agentes de IA, no empiezo con el nombre del framework. Empiezo con una pregunta más silenciosa: ¿dónde decide el sistema, dónde recuerda, dónde actúa y dónde aún puede un humano entender lo que ocurrió? Ese es el verdadero trabajo detrás de las herramientas de memoria y planificación de la arquitectura de agentes de IA. Un sistema de agentes confiable no es solo un modelo con algunas APIs adjuntas. Es un conjunto de límites entre planificación, memoria, herramientas, orquestación y recuperación.
Esta guía es un mapa de decisiones para fundadores técnicos, arquitectos de agentes y pequeños equipos que eligen cómo construir o reemplazar un stack de agentes. No argumentaré a favor de una arquitectura "mejor" universal, porque no creo que exista. La mejor pregunta es qué patrón de planificación, patrón de memoria y modelo de control de herramientas se ajusta al riesgo, costo, latencia y realidad de mantenimiento del trabajo.
Las Capas Principales de la Arquitectura de Agentes de IA
Modelos y planificación
El modelo es el motor de razonamiento, pero no debe tratarse como la arquitectura completa. En un flujo de trabajo simple, el modelo puede solo clasificar la solicitud del usuario, elegir una ruta y llamar a una herramienta aprobada. En una arquitectura de planificación de agentes más seria, el modelo puede descomponer un objetivo en pasos, inspeccionar resultados intermedios, reintentar acciones fallidas, pedir contexto faltante y detenerse cuando el riesgo se vuelve demasiado alto.
Usualmente pienso en la planificación en tres capas. La primera es enrutamiento de intención: ¿qué tipo de tarea es esta? La segunda es descomposición de tareas: ¿qué necesita ocurrir antes de que exista la respuesta final o el artefacto? La tercera es control de ejecución: ¿qué debería suceder si el plan se vuelve obsoleto, costoso, inseguro o imposible?
Esa tercera capa es donde muchos sistemas de agentes se vuelven frágiles. Un modelo puede escribir un hermoso plan de cinco pasos, pero el sistema aún necesita reglas para fallos de herramientas, resultados parciales, límites de presupuesto y aprobación humana. Si un paso planificado depende de un estado desactualizado, el agente debe volver a verificar antes de actuar. Si una respuesta de una herramienta contradice la memoria, el agente no debe simplemente continuar como si nada hubiera pasado.
Para equipos que trabajan con sistemas de mayor riesgo, el Perfil de IA Generativa de NIST es una referencia útil porque enmarca la gestión de riesgos a lo largo del ciclo de vida de la IA, no solo en el momento del despliegue. Eso es importante para los agentes porque la parte de riesgo a menudo no es la salida de texto. Es la acción tomada después del texto.
Memoria y contexto
La arquitectura de memoria de un agente de IA a menudo se describe de manera demasiado informal. “Agregar memoria” suena simple, pero la memoria cambia el comportamiento a lo largo del tiempo. Eso significa que necesita reglas de ciclo de vida.
El contexto de trabajo es la información temporal que el agente necesita durante la ejecución actual: la solicitud actual del usuario, mensajes recientes, documentos recuperados, resultados de herramientas y el estado local de la tarea. La memoria duradera es información que debería sobrevivir después de la ejecución: preferencias, hechos del proyecto, restricciones estables, políticas del equipo o elecciones recurrentes en el flujo de trabajo. La experiencia reutilizable es una categoría más fuerte. No es solo “al usuario le gusta Markdown.” Puede ser un procedimiento validado, un camino de recuperación conocido o un patrón de tarea reutilizable que haya funcionado antes.
El límite entre estas categorías debe ser explícito. Un documento recuperado no debe convertirse automáticamente en memoria duradera. Una ejecución exitosa no debe convertirse automáticamente en experiencia reutilizable. Una preferencia del usuario no debe anular silenciosamente una regla de seguridad. Sé que esto suena un poco cauteloso, pero aquí es donde la arquitectura se vuelve real. La memoria sin alcance, procedencia, validación y olvido se convierte en una fuente silenciosa de deriva.
Herramientas, orquestación y ejecución
Las herramientas son donde el agente deja el mundo seguro del lenguaje y toca sistemas. Una herramienta puede leer un archivo, consultar una base de datos, enviar un mensaje, modificar código, abrir un navegador o activar un flujo de trabajo. La orquestación de herramientas del agente decide qué herramienta puede ser llamada, con qué argumentos, bajo qué límite de permisos y cómo se verifica el resultado.
Protocolos como la especificación del Model Context Protocol son útiles aquí porque empujan a los equipos a describir herramientas, recursos, indicaciones, autorización, cancelación y consentimiento del usuario de manera más explícita. Incluso si un equipo no adopta MCP directamente, el hábito arquitectónico es valioso: las herramientas deben tener contratos estructurados, no promesas vagas en lenguaje natural.
La ejecución también necesita estado. ¿Qué se ha intentado ya? ¿Qué llamada a la herramienta tuvo éxito? ¿Qué efectos secundarios ocurrieron? ¿Qué paso se puede reintentar de manera segura? ¿Qué paso requiere reversión o revisión humana? Sin estado de ejecución, un agente puede repetir fallos, duplicar acciones o resumir con confianza una tarea que nunca se completó realmente.
Elegir un patrón de planificación
Enrutamiento de un solo paso y planificación de múltiples pasos
El enrutamiento de un solo paso es suficiente cuando la tarea es específica y el riesgo es bajo. Por ejemplo, el agente puede clasificar una solicitud entrante, recuperar un documento relevante, completar una plantilla conocida o llamar a una API interna. Este patrón es más fácil de probar, más barato de ejecutar y menos probable que produzca comportamientos extraños de múltiples pasos.
La planificación de múltiples pasos se vuelve útil cuando el resultado depende de decisiones intermedias. Un agente de investigación puede necesitar buscar, comparar, filtrar, redactar y verificar. Un agente de codificación puede necesitar inspeccionar el repositorio, proponer un cambio, editar archivos, ejecutar pruebas y revisar. Un agente de operaciones de soporte puede necesitar verificar el estado de la cuenta, leer políticas, redactar una respuesta y escalar si la confianza es baja.
El compromiso es simple, pero no siempre cómodo: más poder de planificación crea más puntos de fallo. La planificación de múltiples pasos añade latencia, costo de tokens, costo de llamadas a herramientas y requisitos de observabilidad. También hace que la evaluación sea más difícil porque el éxito ya no es un solo resultado. El éxito se convierte en un camino: el agente escogió los pasos correctos, utilizó las herramientas adecuadas, se recuperó de los problemas y produjo un resultado en el que alguien pueda confiar.
Cuándo la planificación multiagente justifica su complejidad
Vale la pena considerar la arquitectura multiagente cuando la tarea contiene perspectivas separables que realmente se benefician del trabajo en paralelo. Una tarea de investigación de mercado puede necesitar que un agente recopile fuentes, otro critique suposiciones y otro prepare la síntesis final. Una migración de código puede necesitar un agente que lea la arquitectura, otro que escriba pruebas y otro que verifique la compatibilidad hacia atrás.
Pero el enjambre no es una mejora mágica. Justifica su complejidad solo cuando la arquitectura incluye reglas de coordinación. ¿Quién toma la decisión final? ¿Cómo comparten estado los agentes? ¿Puede un agente sobrescribir la conclusión de otro agente? ¿Qué ocurre cuando dos agentes no están de acuerdo? ¿Cómo previene el sistema el trabajo repetido o la contaminación del contexto?
No usaría la planificación multiagente solo porque una tarea parece grande. La usaría cuando el trabajo se pueda dividir en roles con entradas, salidas y límites de revisión claros. La capa final todavía necesita un orquestador responsable, ya sea un software, un agente líder o un revisor humano.
Elegir un patrón de memoria
Contexto de trabajo, memoria duradera y experiencia reutilizable
Un buen patrón de memoria comienza con la moderación. El contexto de trabajo debe ser reciente y específico de la tarea. La memoria duradera debe ser selectiva. La experiencia reutilizable debe validarse antes de que influya en ejecuciones futuras.
Por ejemplo, si un agente aprende que un equipo prefiere un cierto formato de pull request, eso puede convertirse en memoria duradera. Si aprende que una estrategia de migración particular pasó las pruebas en un repositorio, eso no debería aplicarse automáticamente en todos lados. Solo puede convertirse en experiencia reutilizable después de que el sistema registre dónde funcionó, qué suposiciones estaban presentes, qué validación se realizó y qué riesgos permanecen.
Aquí es donde se puede mencionar EvoMap de manera natural: veo su idea arquitectónica más interesante no como “los agentes recuerdan todo”, sino como “la experiencia útil necesita estructura antes de poder reutilizarse”. Esa distinción importa. La memoria no es valiosa porque sea larga. Es valiosa cuando está delimitada, es inspeccionable y segura de aplicar.
Recuperación, validación y olvido
La recuperación debería producir candidatos, no comandos. Si se recupera una memoria, el agente aún debe verificar si se aplica a la tarea actual, permisos actuales, versiones actuales de herramientas y datos actuales. Una memoria sobre una API anterior puede ser incorrecta después de un cambio de versión. Una memoria sobre la preferencia de un usuario puede ser inapropiada en un flujo de trabajo de equipo compartido.
Olvidar no es una debilidad. Es parte de la salud del sistema. Los equipos deberían caducar memorias obsoletas, revocar procedimientos inseguros, degradar memorias que fallan repetidamente y separar preferencias personales de políticas de toda la organización. Un sistema de memoria útil debería responder cuatro preguntas: quién creó esta memoria, qué evidencia la respalda, dónde puede usarse y cuándo debe dejar de ser confiable.
Conectar herramientas sin perder el control
Límites de permisos y contratos de herramientas estructurados
El control de herramientas comienza antes de la primera llamada a la herramienta. Cada herramienta debería definir sus acciones permitidas, esquema de entrada requerido, forma de salida, efectos secundarios y nivel de aprobación. Una herramienta de búsqueda de solo lectura no debería compartir la misma categoría de permisos que una herramienta que envía correos electrónicos o modifica datos de producción. Una herramienta de archivos local no debería considerarse igual que un conector de SaaS de terceros.
Los límites de permisos también deben aparecer en los diagramas. Si una herramienta envía datos a un procesador de terceros, la arquitectura debería mostrar qué datos salen del sistema, por qué salen, si se almacenan y quién aprobó esa ruta. Prefiero ver un diagrama un poco sencillo con límites de confianza claros que un diagrama hermoso que oculte el flujo de datos.
Los contratos estructurados reducen la ambigüedad. El agente debe saber qué campos son obligatorios, qué significan los errores, si es seguro reintentar y si el resultado es final o necesita validación. Las descripciones en lenguaje natural pueden ayudar al modelo a elegir herramientas, pero no deben ser la única capa de seguridad.
Observabilidad, reintentos y revisión humana
Los agentes confiables necesitan observabilidad porque el fallo rara vez es un evento aislado. Una mala respuesta final puede derivarse de una recuperación deficiente, un permiso faltante, una herramienta lenta, un bucle de reintento o una memoria que no debería haberse usado. Sin rastros, el equipo está adivinando.
La guía de observabilidad OpenTelemetry GenAI es útil porque conecta llamadas al modelo, uso de tokens, llamadas a herramientas, latencia, rastros, métricas y eventos. Para los sistemas de agentes, esa visibilidad no es solo para depuración. También soporta análisis de costos, revisión de incidentes y decisiones de arquitectura.
Los reintentos deben diseñarse cuidadosamente. Reintentar una búsqueda fallida es de bajo riesgo. Reintentar un pago, una mutación en la base de datos o un mensaje saliente no lo es. El sistema necesita claves de idempotencia, registros de efectos secundarios y reglas de escalamiento. La revisión humana debe aparecer donde el costo de una acción incorrecta sea mayor que el costo de ralentizar el proceso.
Evaluar el sistema completo
Éxito de la tarea, recuperación, costo y mantenibilidad
Una arquitectura de agentes debe evaluarse como un sistema completo, no como una demostración de modelo. El éxito de la tarea importa, pero no es suficiente. El equipo también debe medir la tasa de recuperación, la tasa de errores de las herramientas, la tasa de intervención humana, la latencia, el costo por tarea completada, la calidad de la reutilización de la memoria y el esfuerzo necesario para mantener prompts, herramientas, pruebas y políticas.
El costo debe vincularse al trabajo completado, no solo al volumen de tokens. Una ejecución barata que falla tres veces puede ser más costosa que una ejecución más lenta con mejores controles de estado. Un flujo de trabajo con múltiples agentes puede parecer caro por ejecución, pero ahorrar tiempo si reduce la revisión humana. La única respuesta honesta es medir en función de tareas reales.
La mantenibilidad es la parte que no ignoraría. ¿Puede un nuevo ingeniero comprender las reglas de planificación? ¿Puede un propietario de producto inspeccionar el comportamiento de la memoria? ¿Puede seguridad revisar los permisos de las herramientas? ¿Puede soporte explicar por qué el agente hizo algo? Si la respuesta es no, la arquitectura puede ser ingeniosa pero frágil.
Preguntas frecuentes
¿Cuándo debe un equipo reemplazar un marco de agentes?
Reemplaza un marco de agentes cuando su modelo de estado, sistema de permisos de herramientas, capacidad de observación o ciclo de vida de la memoria bloqueen el trabajo necesario para operar de manera segura. No lo reemplaces solo porque un marco más reciente tenga mejores ejemplos. La migración está justificada cuando la pila actual hace que sea difícil inspeccionar fallas, administrar memorias o controlar herramientas.
¿Quién debería tomar decisiones de arquitectura entre equipos?
Un pequeño grupo de arquitectura debería ser responsable de los límites compartidos: identidad, permisos, observabilidad, política de memoria, estándares de herramientas y requisitos de evaluación. Los equipos de producto individuales aún deberían ser responsables del comportamiento de las tareas, la experiencia del usuario y las pruebas de aceptación. Si todo está centralizado, la entrega se ralentiza. Si todo es local, el sistema se vuelve inconsistente.
¿Cómo pueden los equipos migrar memorias entre pilas de agentes?
Exporta las memorias con metadatos, no solo texto. Cada memoria debe incluir fuente, hora de creación, propietario, alcance, confianza, evidencia de validación, versiones de herramientas relacionadas y estado de revocación. Durante la migración, trata las memorias como candidatas. Vuelve a probarlas antes de promoverlas, especialmente si afectan el uso de herramientas, la política de seguridad o los resultados visibles para el usuario.
¿Qué presupuesto de latencia es adecuado para la planificación de agentes en múltiples pasos?
El presupuesto de latencia correcto depende de la interacción. Para chat en vivo, los usuarios necesitan un progreso parcial rápido y puntos de control visibles. Para investigación en segundo plano, puede aceptarse una planificación más larga si el resultado final es mejor. Para acciones de alto riesgo, el tiempo de aprobación importa más que la velocidad del modelo. Yo definiría los presupuestos por clase de tarea, no por un solo número global.
¿Cómo deberían los diagramas mostrar los procesadores de datos de terceros?
Muestra los procesadores de terceros fuera del límite principal de confianza. Etiqueta qué datos se envían, si incluyen contenido de usuario, si el procesador los almacena, qué herramienta inició la transferencia y dónde ocurre la aprobación. El diagrama debe hacer que el movimiento de datos sea lo suficientemente evidente como para que una persona que no es autora pueda identificar el riesgo.
Reflexión final
La buena arquitectura de agentes no consiste en dar más libertad al modelo en todas partes. Se trata de decidir dónde la libertad ayuda y dónde la estructura protege el trabajo. La planificación, la memoria, las herramientas y la orquestación no deben diseñarse por separado. Se moldean mutuamente. El agente solo puede planificar bien si conoce sus herramientas. Solo puede reutilizar la memoria de manera segura si la memoria tiene un ciclo de vida. Solo puede recuperarse si el estado de ejecución es observable.
Ese es el mapa que mantendría en la pared: decidir, recordar, actuar, observar, recuperar. Todo lo demás es una elección de implementación.
Publicaciones anteriores:
- Si quieres entender qué rodea al modelo en una pila de agentes en producción, ingeniería de arnés de agentes de IA explora cómo la memoria, la orquestación, los frameworks y la infraestructura de ejecución se integran.
- Para un ejemplo concreto de una arquitectura de ejecución modular, arquitectura del arnés DeepSeek muestra cómo las herramientas, sesiones, permisos, sandboxing y el ciclo del agente pueden separarse en componentes reemplazables.
- Si la capa de memoria es la parte que estás diseñando a continuación, memoria de flujo de trabajo del agente analiza más de cerca cómo el contexto de trabajo puede convertirse en una experiencia de flujo de trabajo estructurada y reutilizable.
- Para profundizar en cómo las acciones se conectan a lo largo de una ejecución de múltiples pasos, cadenas de ejecución del agente explica los hooks y la estructura de ejecución detrás de flujos de trabajo de agentes más largos.
- Para el lado de observabilidad y recuperación de la arquitectura, estándares de reproducción determinista examina lo que los sistemas de agentes necesitan registrar para que las ejecuciones puedan ser inspeccionadas, comparadas y verificadas posteriormente.



