Los grandes modelos de lenguaje son cada vez más capaces de manejar tareas complejas de varios pasos, lo que ha dado lugar a una nueva categoría de sistemas basados en LLM conocidos como agentes. Esta guía, elaborada a partir de numerosas implementaciones con clientes, está pensada para equipos de producto e ingeniería que construyen sus primeros agentes. Abarca marcos para identificar casos de uso prometedores, patrones para la lógica y la orquestación de agentes, y buenas prácticas para que los agentes sean seguros, predecibles y eficaces.
¿Qué es un agente? Mientras que el software convencional ayuda a los usuarios a agilizar flujos de trabajo, los agentes ejecutan esos flujos en nombre del usuario con un alto grado de independencia. Un flujo de trabajo es una secuencia de pasos necesarios para alcanzar un objetivo, como resolver un problema de atención al cliente, reservar un restaurante, confirmar un cambio de código o generar un informe. Los chatbots simples, los LLM de un solo turno y los clasificadores de sentimiento que no usan el LLM para controlar la ejecución del flujo de trabajo no son agentes.
Un agente utiliza un LLM para gestionar la ejecución del flujo de trabajo y tomar decisiones. Reconoce cuándo un flujo de trabajo está completo, corrige sus acciones cuando es necesario y puede detenerse y devolver el control al usuario si falla. También tiene acceso a herramientas que le permiten recopilar contexto y realizar acciones en sistemas externos, seleccionando la herramienta adecuada según el estado actual del flujo de trabajo y operando siempre dentro de barreras de seguridad claramente definidas.
¿Cuándo debe crear un agente? Los agentes son adecuados para flujos de trabajo en los que los enfoques tradicionales basados en reglas se quedan cortos. El análisis de fraude en pagos ilustra la diferencia: un motor de reglas funciona como una lista de verificación, mientras que un agente basado en LLM evalúa el contexto y patrones sutiles, identificando actividad sospechosa incluso cuando no se infringe ninguna regla clara. Dé prioridad a los flujos de trabajo que impliquen toma de decisiones complejas, reglas difíciles de mantener o un uso intensivo de datos no estructurados. Si su caso de uso no cumple claramente estos criterios, una solución determinista puede bastar.
Fuente: OpenAI Blog · Resumido por HeadlinesBriefing