Flujo de trabajo de agentes de IA: Guía paso a paso
Hola, soy Lena. Un flujo de trabajo de agente de IA es una secuencia estructurada en la que un LLM razona, llama a herramientas, observa resultados y decide qué hacer a continuación — en un bucle, hasta que la tarea termina. Si has leído antes sobre flujos de trabajo agentes, ya conoces el concepto. Este artículo trata sobre la parte que nadie parece explicar bien: cómo construir realmente uno que funcione.
He pasado las últimas semanas pasando de "entiendo la idea" a "tengo algo funcionando que no se rompe cada tercera vez." La diferencia fue mayor de lo que esperaba. Este es el proceso que seguí — no la versión teórica, sino la que sobrevivió al contacto con fracasos reales.
Antes de empezar: Define el contrato de flujo de trabajo
Entrada, salida, criterios de éxito, propietario, estado de fallo
Este es el paso que me salté la primera vez, y me arrepentí en un día.
Antes de tocar cualquier framework, apunta cinco cosas: qué entra, qué sale, cómo es "hecho", quién es el dueño del resultado y qué ocurre cuando falla. Ese es tu contrato de flujo de trabajo. Previene el error más común: construir un agente que haga "cosas" sin que nadie pueda decir si hizo lo correcto.
Así es como era el mío para un router de tickets de soporte:
- Entrada: mensaje del cliente (texto, menos de 2000 caracteres)
- Salida: categoría clasificada + respuesta redactada
- Criterios de éxito: categoría correcta el 90%+ de las veces, la respuesta supera la revisión humana
- Propietario: Líder del equipo de soporte revisa diariamente
- Estado de fallo: si la confianza en la clasificación está por debajo del umbral, escalar a humano — no adivines
Eso último importa más de lo que la gente piensa. Un agente sin un estado de fallo definido es un agente que producirá basura en silencio y nadie se dará cuenta hasta que un cliente se queje.
! [imagen] (https://cdn.10b.ai/1779259121748-1.png)
Paso 1: Elige un flujo de trabajo, no un producto completo
… Aquí es donde la mayoría de la gente se equivoca.
Casi empezaba con "hazme una IA que gestione todo el soporte al cliente." Eso no es un flujo de trabajo. Eso es una hoja de ruta del producto. La guía de Anthropic sobre construir agentes efectivos lo dice claramente: empieza con la solución más sencilla posible y solo aumenta la complejidad cuando sea necesario.
Elige un flujo de trabajo. Una tarea repetible con límites claros. "Clasificar tickets entrantes y redactar una respuesta" — eso es un flujo de trabajo. "Gestionar todas las interacciones con clientes de forma autónoma" — eso es una fantasía para el primer mes.
Si no puedes explicar el flujo de trabajo a un nuevo miembro del equipo en menos de dos minutos, es demasiado amplio. Reduce hasta que puedas.
Paso 2: Mapear el Diagrama de Flujo de Trabajo
Nodos de tarea, llamadas a herramientas, puntos de decisión, puertas de revisión
Al principio me resistí a dibujar un diagrama. Luego construí el flujo de trabajo sin uno y pasé dos horas depurando un bucle que no me había dado cuenta que existía.
Un diagrama de flujo de trabajo de un agente de IA no necesita ser elegante. Cajas y flechas en papel funcionan bien. Lo que importa es que mapees cuatro tipos de elementos:
Nodos de tarea — donde el LLM realiza el trabajo real (clasificar este texto, generar un resumen, redactar una respuesta). Cada nodo debe hacer una sola cosa.
Llamadas a herramientas — donde el agente recurre a algo externo a sí mismo (consultar una base de datos, llamar a una API, buscar documentos). Cada llamada a herramienta es un punto potencial de falla, así que márcalas.
Puntos de decisión — donde el camino se bifurca según una condición (si categoría = facturación, ir a la izquierda; si categoría = técnica, ir a la derecha). Estos deben ser explícitos, no dejarse al juicio del modelo.
Puertas de revisión — donde un humano verifica la salida antes de que el flujo de trabajo continúe. No incluí estas al principio. Eso fue un error que abordaré en el Paso 5.
El diagrama revela cosas que el código no mostrará. Noté que mi flujo de trabajo tenía una rama donde el agente podía repetir indefinidamente entre dos nodos — obvio en papel, invisible en el código hasta que agotó mi presupuesto de API.
Paso 3: Añadir Herramientas y Acceso a Datos
API, base de datos, documentos, sistema de archivos, navegador
Las herramientas son lo que separa un agente de un chatbot. Pero he aprendido por las malas que más herramientas no significa mejor rendimiento. El equipo de ingeniería de Anthropic señala que demasiadas herramientas o herramientas que se solapan pueden distraer a los agentes de seguir estrategias eficientes.
Para mi enrutador de tickets, comencé con seis herramientas. Terminé con tres. Las que sobrevivieron:
- Recuperación de conocimiento — busca en nuestros documentos internos respuestas relevantes
- API del sistema de tickets — lee metadatos de tickets (prioridad, nivel del cliente, historial)
- Herramienta de redacción de respuestas — genera una respuesta usando el contexto recuperado
¿Las tres que eliminé? Una herramienta de búsqueda web (innecesaria para tickets internos), una herramienta de análisis de sentimiento (el LLM lo maneja suficientemente bien), y una herramienta de notificación (mejor manejada fuera del bucle del agente).
Cada herramienta necesita una descripción clara que indique al modelo cuándo usarla, no solo qué hace. "Usa esta herramienta cuando la pregunta se relacione con facturación" es mejor que "Consulta la base de datos de facturación."
Todavía no estoy seguro de haber definido las descripciones de las herramientas correctamente. Esta parte se siente como si pudiera estar equivocada de maneras que no notaré hasta mucho más tarde.
Paso 4: Añadir Memoria Solo Donde Ayude
Qué recordar, qué recalcular, qué descartar
La memoria es la característica más sobreutilizada en el diseño de agentes. No todos los flujos de trabajo la necesitan. El equipo de ingeniería de Anthropic describe el contexto como un recurso crítico pero finito — y el desafío es optimizar lo que guardas frente a lo que descartas.
Mi enrutador de tickets funciona como un flujo de trabajo de un solo uso: llega un mensaje, se procesa, sale el resultado. No se necesita memoria. Cada ejecución comienza desde cero, lo que hace que la depuración sea simple y el comportamiento predecible.
Pero si estuviera construyendo un asistente de múltiples turnos que rastrea un problema en curso del cliente, la memoria se vuelve esencial. La pregunta no es "¿debería agregar memoria?" sino "¿qué información específica degradaría la salida si el agente la olvidara?"
Tres categorías me ayudaron a decidir:
Recordar: ID del cliente, historial de conversaciones para problemas en curso, intentos de resolución anteriores. Sin esto, el agente hace las mismas preguntas de diagnóstico dos veces.
Recalcular: estado actual del ticket, resultados más recientes de la base de conocimientos. Esto cambia entre sesiones, por lo que almacenarlos en caché crea problemas de contexto desactualizado.
Descartar: pasos intermedios de razonamiento, intentos fallidos de llamada a herramientas, registros de depuración. Mantener estos en el contexto desperdicia tokens y puede confundir al modelo en ejecuciones posteriores.
Paso 5: Agregar Validación y Revisión Humana
Casos de prueba, listas de verificación, puntos de transferencia
Agregué revisión humana al final, después de haber desplegado una versión que "funcionaba". Resulta que "funcionaba" significaba "produciendo salida", no "produciendo salida correcta".
La validación tiene dos capas: automatizada y humana.
Los casos de prueba automatizados verifican cosas que el modelo siempre debería acertar. Escribí alrededor de 30 entradas de prueba con clasificaciones conocidas como correctas. Si el agente acierta menos de 27, algo está roto. Esto se ejecuta antes de cada despliegue.
La revisión humana cubre lo que las pruebas automatizadas no pueden — tono, matiz, si la respuesta redactada realmente tiene sentido para este cliente. Configuré una transferencia sencilla: cada respuesta redactada va a una cola, un humano aprueba o edita, y sus ediciones retroalimentan la mejora del prompt.
El punto de transferencia importa. No pongas revisión humana al final de una canalización de 15 pasos. Ponla en el punto más temprano donde el juicio del agente podría equivocarse. Para mí, eso fue justo después de la clasificación — si la categoría es incorrecta, todo lo siguiente se desperdicia.
Paso 6: Realizar Pruebas de Fallo Antes de la Automatización
Fallo de herramienta, entrada incorrecta, contexto desactualizado, salida incorrecta
Este es el paso que cambió la forma en que pienso sobre los flujos de trabajo de agentes.
Antes de dejar que el flujo de trabajo se ejecute con tráfico real, lo probé contra todo lo que podría salir mal:
Fallo de la herramienta: ¿Qué pasa cuando la API de la base de conocimientos se agota? Mi primera versión simplemente se colgaba. Ahora reintenta una vez, luego recurre a una respuesta genérica y marca para revisión humana.
Entrada incorrecta: ¿Qué pasa con mensajes vacíos, idiomas inesperados o mensajes que en realidad son imágenes? El agente necesita manejar todo esto sin fallar.
Contexto obsoleto: ¿Qué pasa cuando la base de conocimientos no se ha actualizado pero el producto ha cambiado? El agente cita con seguridad información desactualizada. Agregué una comprobación de fecha — si el documento tiene más de 30 días, la respuesta incluye un aviso.
Salida incorrecta: ¿Qué pasa cuando el agente clasifica correctamente pero escribe una respuesta terrible? Esto es lo más difícil de probar automáticamente. Usé una segunda llamada a LLM como evaluador — revisa el borrador conforme a nuestra guía de estilo y marca cualquier error.
Las pruebas de fallos detectaron problemas que nunca habría encontrado en pruebas de ruta feliz. No omitas este paso.
Preguntas frecuentes
¿Cuánto tiempo lleva construir un flujo de trabajo de agente de IA funcional?
Un flujo de trabajo básico de una sola tarea puede estar funcional en pocos días. Hacerlo fiable en producción — con validación, manejo de fallos y revisión humana — toma de dos a cuatro semanas.
¿Cómo construir un flujo de trabajo completo de agente de IA desde cero?
Primero define el contrato del flujo de trabajo. Escoge una tarea concreta. Haz un mapa visual. Añade solo las herramientas que el agente necesita. Construye validación y pruebas de fallos antes de desplegar.
¿Cuáles son los pasos esenciales al diseñar un flujo de trabajo de agente?
Definición del contrato, delimitación de la tarea, diagramación visual, selección de herramientas, decisiones de memoria, capas de validación y pruebas de fallos. Omitir alguno de estos genera problemas que se acumulan.
A lo que siempre regreso es a esto: la parte más difícil de construir un flujo de trabajo de agente de IA no es la construcción. Es saber si lo que construiste realmente funciona — y si las correcciones que aplicaste la semana pasada siguen siendo válidas el próximo mes. Los flujos de trabajo que sobreviven se validan, versionan y tratan como activos de ingeniería.
Eso fue lo que me llevó a mirar EvoMap. La idea de que un flujo de trabajo exitoso — el camino que tomó un agente para resolver un problema — podría capturarse, verificarse y heredarse por otros agentes en lugar de reconstruirse desde cero. Todavía estoy en las primeras etapas de entender cómo funciona esto en la práctica, pero la pregunta parece correcta: ¿qué pasa con un flujo de trabajo después de que tiene éxito?
…Seguiré observando cómo evoluciona esta parte del stack.
Publicaciones anteriores:
- Si quieres una visión más amplia de las arquitecturas de flujo de trabajo antes de entrar en los detalles de implementación, ¿Qué son los flujos de trabajo agentivos? Tipos, ejemplos y realidad en producción mapea los principales patrones de flujo de trabajo y dónde tienden a tener éxito o fracasar en producción.
- La cuestión de "flujo de trabajo versus razonamiento autónomo" se conecta directamente con Agente Dify vs Flujo de trabajo: ¿Cuál es la diferencia?, especialmente si estás decidiendo cuándo usar canalizaciones estructuradas frente a comportamiento impulsado por agentes.
- Dado que la selección de herramientas se vuelve crítica una vez que comienzas a agregar acciones externas, ¿Qué es MCP? Explicación del estándar de conexión de herramientas de IA explica cómo los agentes modernos se conectan a APIs, herramientas y fuentes de datos a través de una interfaz común.
- Para una mirada más profunda al comportamiento de ejecución dentro de sistemas de múltiples pasos, Hooks de agentes: Cómo funcionan realmente las cadenas de ejecución de IA explora cómo las acciones, eventos y cadenas de flujo de trabajo se coordinan entre bastidores.
- La pregunta final en este artículo — qué sucede después de que un flujo de trabajo tiene éxito una vez — conduce naturalmente a EvoSkills: Habilidades de auto-evolución probadas, que analiza cómo los comportamientos exitosos de los agentes pueden ir más allá de la ejecución única y convertirse en capacidades reutilizables.




