[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"portal-settings:stajic:es":3,"public-menus:all":38,"post:agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act:es":205,"related:post:agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act:es:1":3346},{"statusCode":4,"data":5,"message":37},200,{"tenantId":6,"lang":7,"defaultLang":8,"siteUrl":9,"contactEmail":10,"brandName":11,"logoUrl":12,"siteName":11,"siteDescription":13,"ogImage":10,"robotsIndex":14,"socialLinks":10,"reservedSlugs":10,"seoPolicy":15},"stajic","es","de","https:\u002F\u002Fstajic.de",null,"Stajic Platform","\u002FLogo_Planet.svg","Stajic Portal",true,{"branding":16,"relatedContent":17,"crossDomainLinks":18},{"logoUrl":12},{"enabled":14},[19,22,25,28,31,34],{"url":20,"label":21,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Ffigure.rocks","figure.rocks",{"url":23,"label":24,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Floving.rocks","loving.rocks",{"url":26,"label":27,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.com","bazify.com",{"url":29,"label":30,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.de","bazify.de",{"url":32,"label":33,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.at","bazify.at",{"url":35,"label":36,"isActive":14,"showInFooter":14,"includeInSameAs":14},"https:\u002F\u002Fbazify.ba","bazify.ba","Portal settings resolved",[39,45],{"id":40,"name":41,"location":42,"isActive":14,"isDefault":43,"items":44},1,"main-navigation","header",false,[],{"id":46,"name":47,"location":48,"isActive":14,"isDefault":14,"items":49},4,"main-menu","sidebar",[50,66,79,93,103,118,133],{"id":51,"title":52,"url":60,"target":61,"icon":62,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":64,"portfolioId":10,"children":65},"item-18",{"de":53,"en":54,"es":55,"fr":56,"it":54,"ru":57,"sr":58,"zh":59},"Startseite","Home","Inicio","Accueil","Главная","Почетна","首页","\u002Ffull-stack-web-developer-munich-performance-seo-and-maintainable-builds","_self","i-lucide-home","page",111,[],{"id":67,"title":68,"url":75,"target":61,"icon":76,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":77,"portfolioId":10,"children":78},"item-22",{"de":69,"en":69,"es":70,"fr":69,"it":71,"ru":72,"sr":73,"zh":74},"Vision","Visión","Visione","Видение","Визија","想象","\u002Fueber-uns-webdesign-muenchen-webaplikation","i-lucide-eye",113,[],{"id":80,"title":81,"url":89,"target":61,"icon":90,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":91,"portfolioId":10,"children":92},"item-19",{"de":82,"en":83,"es":84,"fr":83,"it":85,"ru":86,"sr":87,"zh":88},"Leistungen","Services","Servicios","Servizi","Услуги","Услуге","服务","\u002Fservices-dienstleistungen-muenchen","i-lucide-wrench",116,[],{"id":94,"title":95,"url":99,"target":61,"icon":100,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":101,"portfolioId":10,"children":102},"item-23",{"de":96,"en":96,"es":96,"fr":96,"it":96,"ru":97,"sr":97,"zh":98},"Blog","Блог","博客","\u002Fblog","i-lucide-book-open",112,[],{"id":104,"title":105,"url":114,"target":61,"icon":115,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":116,"portfolioId":10,"children":117},"item-32",{"de":106,"en":107,"es":108,"fr":109,"it":110,"ru":111,"sr":112,"zh":113},"Neue Technologien","New Technologies","Nuevas tecnologías","Nouvelles technologies","Nuove tecnologie","Новые технологии","Нове технологије","新技术！","\u002Fneue-webtechnologien","i-lucide-sparkles",122,[],{"id":119,"title":120,"url":129,"target":61,"icon":130,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":131,"portfolioId":10,"children":132},"item-20",{"de":121,"en":122,"es":123,"fr":124,"it":125,"ru":126,"sr":127,"zh":128},"Kontakt","Contact us!","Contacto","Contact","Contatto","Контакт","Контактирајте нас","联系我们！","\u002Fcontact","i-lucide-mail",115,[],{"id":134,"title":135,"url":144,"target":61,"icon":145,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":147},"item-21",{"de":136,"en":137,"es":138,"fr":139,"it":140,"ru":141,"sr":142,"zh":143},"Unsere Arbeit","Our Work","Nuestro trabajo","Nos réalisations","I nostri lavori","Наши работы","Наши радови","文件夹","\u002Fportfolio","i-lucide-briefcase",114,[148,161,175,181,193],{"id":149,"title":150,"url":144,"target":61,"icon":159,"isActive":14,"type":63,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":146,"portfolioId":10,"children":160},"item-24",{"de":151,"en":152,"es":153,"fr":154,"it":155,"ru":156,"sr":157,"zh":158},"Alle Projekte","All Projects","Todos los proyectos","Tous les projets","Tutti i progetti","Все проекты","Сви пројекти","所有项目","i-lucide-grid-3x3",[],{"id":162,"title":163,"url":171,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":174},"item-29",{"de":164,"en":165,"es":166,"fr":167,"it":168,"ru":169,"sr":170,"zh":143},"Local Roots, Global Reach","Local Roots - Global Reach","Empresa local ","Entreprise locale","Azienda locale","Местная компания","Локално предузеће глобално тржиште","\u002Fportfolio\u002Flocal-roots-global-reach-communication-media-systems-for-modern-business","i-lucide-folder","custom",[],{"id":176,"title":177,"url":179,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":180},"item-28",{"de":178,"en":178,"es":178,"fr":178,"it":178,"ru":178,"sr":178,"zh":178},"Solr Suggester","\u002Fportfolio\u002Fsolr-fuzzy-suggester-und-solr-infix-suggester-abfrage-ueber-ajax-und-filterung",[],{"id":182,"title":183,"url":191,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":192},"item-27",{"de":184,"en":185,"es":186,"fr":187,"it":188,"ru":189,"sr":190,"zh":185},"Firmenwebseite SEO","Company Website SEO","Sitio web corporativo SEO","Site web d’entreprise SEO","Sito web aziendale SEO","Корпоративный сайт SEO","Пословна веб-страница SEO","\u002Fportfolio\u002Fseo-sem-branding-mobile-webseite-muenchen",[],{"id":194,"title":195,"url":203,"target":61,"icon":172,"isActive":14,"type":173,"productId":10,"categoryId":10,"shopCategoryId":10,"articleId":10,"pageId":10,"portfolioId":10,"children":204},"item-31",{"de":196,"en":197,"es":198,"fr":199,"it":200,"ru":201,"sr":202,"zh":197},"Digitalisierungsportal","Digitalization Portal","Portal de digitalización","Portail de numérisation","Portale di digitalizzazione","Портал цифровизации","Портал за дигитализацију","\u002Fportfolio\u002Fdigitalisierungsportal-archiv-museum-bibliothek-ead-lido-mets-mods",[],{"statusCode":4,"data":206,"message":3345},{"id":207,"title":208,"slug":209,"content":210,"contentJson":211,"excerpt":1540,"featuredImage":1541,"featuredImageAlt":1542,"featuredImageCaption":10,"featuredImageTitle":10,"featuredImageCopyright":10,"featuredImageAuthor":10,"featuredImageSourceUrl":10,"featuredImageLicense":10,"featuredImageIsAiGenerated":43,"status":1543,"publishedAt":1544,"createdAt":1545,"updatedAt":1546,"seoLocalePaths":1547,"categories":1556,"author":1569,"translations":1574},"489","IA agéntica explicada: cuando un sistema de IA puede planificar, usar herramientas y actuar","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u003Cp>La IA agéntica es un sistema de IA en el que un modelo puede perseguir un objetivo a lo largo de múltiples pasos decidiendo qué hacer a continuación, utilizando herramientas u otras capacidades, observando los resultados, actualizando su estado de trabajo y continuando hasta alcanzar una condición de parada. El modelo por sí solo no es el agente. Un agente utilizable también necesita un entorno de ejecución o harness que gestione el contexto, la ejecución de herramientas, el estado, los permisos, las aprobaciones, los errores y el bucle entre decisiones y observaciones.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--info my-6 rounded-xl border p-5 border-blue-300 bg-blue-50 dark:border-blue-900 dark:bg-blue-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Respuesta directa\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Una llamada normal a un modelo suele ser \u003Cstrong>entrada → modelo → salida\u003C\u002Fstrong>. Un sistema agéntico se acerca más a \u003Cstrong>objetivo → decisión → herramienta\u002Facción → observación → decisión actualizada → … → resultado\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>La distinción crítica no es si una aplicación utiliza un LLM o llamadas a funciones. Es si el sistema otorga al modelo un control significativo sobre el siguiente paso de un proceso de múltiples pasos mientras un entorno de ejecución restringe lo que el modelo tiene realmente permitido hacer.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">La capacidad no es autoridad\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Un modelo puede saber cómo llamar a una herramienta. Un entorno de ejecución puede exponer esa herramienta. Ninguno de estos hechos significa que el usuario o agente actual esté autorizado a ejecutar la acción de negocio subyacente. \u003Cstrong>La capacidad de la herramienta, el permiso de la herramienta y la autoridad de negocio son capas separadas.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Nota de fuentes actuales — 8 de octubre de 2026\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">La terminología sobre agentes aún varía entre proveedores y comunidades de investigación. OpenAI define actualmente los entornos de ejecución de agentes en torno al trabajo de múltiples pasos, las herramientas, el estado y la orquestación. La distinción práctica de Anthropic sigue siendo útil: los flujos de trabajo siguen rutas de código predefinidas, mientras que los agentes dirigen dinámicamente su propio proceso y uso de herramientas. Por lo tanto, este artículo trata la «IA agéntica» como un espectro arquitectónico más que como una categoría de producto estandarizada.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Cnav class=\"editorjs-toc\" data-editorjs-toc=\"true\" aria-label=\"Contenido\">\u003Cstrong class=\"editorjs-toc__title\">Contenido\u003C\u002Fstrong>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-0\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-6\" class=\"editorjs-toc__link\">Qué significa realmente la IA agéntica\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-10\" class=\"editorjs-toc__link\">El ejemplo más simple\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-15\" class=\"editorjs-toc__link\">Dónde se detiene el ejemplo simple\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-18\" class=\"editorjs-toc__link\">Agente vs flujo de trabajo\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-21\" class=\"editorjs-toc__link\">El comportamiento agéntico es un espectro, no una etiqueta binaria\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-24\" class=\"editorjs-toc__link\">La arquitectura mínima de un sistema agéntico\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-26\" class=\"editorjs-toc__link\">Un modelo no es un agente\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-30\" class=\"editorjs-toc__link\">El uso de herramientas es central, pero el uso de herramientas por sí solo no convierte algo en un agente\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-34\" class=\"editorjs-toc__link\">Capacidad, permiso y autoridad de las herramientas son diferentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-37\" class=\"editorjs-toc__link\">El runtime o harness es el sistema de ejecución real\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-41\" class=\"editorjs-toc__link\">La planificación es útil, pero no se requiere un plan explícito\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-44\" class=\"editorjs-toc__link\">La retroalimentación del entorno es lo que hace útil el bucle\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-48\" class=\"editorjs-toc__link\">El estado del agente no es lo mismo que el contexto del modelo\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-51\" class=\"editorjs-toc__link\">La memoria es opcional, no la definición de un agente\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-55\" class=\"editorjs-toc__link\">La ingeniería de contexto se vuelve dinámica en los agentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-58\" class=\"editorjs-toc__link\">Las herramientas de lectura y las herramientas con efectos secundarios tienen distinto riesgo\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-60\" class=\"editorjs-toc__link\">El humano en el bucle es un mecanismo de control, no lo opuesto a la IA agéntica\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-64\" class=\"editorjs-toc__link\">Los agentes necesitan condiciones de parada explícitas\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-66\" class=\"editorjs-toc__link\">La recuperación es parte del comportamiento del agente\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-70\" class=\"editorjs-toc__link\">La IA agéntica no requiere múltiples agentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-74\" class=\"editorjs-toc__link\">Los protocolos de agentes son capas de interoperabilidad, no el agente en sí\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-78\" class=\"editorjs-toc__link\">La trayectoria es parte de la confiabilidad del agente\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-83\" class=\"editorjs-toc__link\">Los sistemas agénticos aumentan la superficie de seguridad\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-85\" class=\"editorjs-toc__link\">La observabilidad del agente debe seguir el bucle\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-88\" class=\"editorjs-toc__link\">Cómo evaluar un sistema agéntico\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-90\" class=\"editorjs-toc__link\">Cuándo es apropiado un agente\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-93\" class=\"editorjs-toc__link\">Evidencia de implementación original\u003C\u002Fa>\u003Col class=\"editorjs-toc__list editorjs-toc__list--depth-1\">\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-94\" class=\"editorjs-toc__link\">Cliente de IA Aaasaasa: modelo, entorno de ejecución y permisos son separados\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-99\" class=\"editorjs-toc__link\">Motor de investigación Source of Truth: etapas de investigación agéntica acotadas\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-105\" class=\"editorjs-toc__link\">Modos de fallo comunes de la IA agéntica\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-107\" class=\"editorjs-toc__link\">Conceptos erróneos comunes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-109\" class=\"editorjs-toc__link\">Una secuencia práctica de diseño de agentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-111\" class=\"editorjs-toc__link\">Lista de verificación de arquitectura de IA agéntica\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-113\" class=\"editorjs-toc__link\">Casos límite y limitaciones\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-119\" class=\"editorjs-toc__link\">Qué cambiaría esta respuesta\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-123\" class=\"editorjs-toc__link\">Conocimiento canónico relacionado\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-127\" class=\"editorjs-toc__link\">Preguntas frecuentes\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-129\" class=\"editorjs-toc__link\">Glosario\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-131\" class=\"editorjs-toc__link\">Conclusión\u003C\u002Fa>\u003C\u002Fli>\u003Cli class=\"editorjs-toc__item\">\u003Ca href=\"#section-135\" class=\"editorjs-toc__link\">Fuentes primarias y orientación actual\u003C\u002Fa>\u003C\u002Fli>\u003C\u002Fol>\u003C\u002Fnav>\n\u003Ch2 id=\"section-6\">Qué significa realmente la IA agéntica\u003C\u002Fh2>\n\u003Cp>El cambio importante de la IA generativa ordinaria a la IA agéntica es el control sobre el proceso. Un asistente normal puede responder a una pregunta utilizando el contexto que recibe. Un agente puede decidir que responder requiere pasos adicionales: inspeccionar un archivo, buscar en un repositorio, consultar una API, pedir aclaraciones, ejecutar una prueba, actualizar un ticket, delegar una subtarea o reintentar tras una acción fallida.\u003C\u002Fp>\n\u003Cp>Esto no requiere una autonomía ilimitada. Un agente puede operar dentro de un entorno aislado y limitado, bajo permisos estrictos, con aprobación requerida antes de cada acción trascendental. El sistema sigue siendo agéntico si el modelo elige dinámicamente entre los siguientes pasos permitidos.\u003C\u002Fp>\n\u003Cp>Por lo tanto, la arquitectura importa más que la etiqueta. «Agente» debería describir un comportamiento del sistema: toma de decisiones iterativa impulsada por el modelo sobre herramientas, estado y retroalimentación — no simplemente un chatbot con un prompt más grande.\u003C\u002Fp>\n\u003Ch2 id=\"section-10\">El ejemplo más simple\u003C\u002Fh2>\n\u003Cp>Supongamos que un desarrollador le pide a un sistema de IA: «Encuentra por qué falla la suite de pruebas y corrige el error». Una sola llamada al modelo solo podría sugerir causas probables a partir del texto que se le proporcionó.\u003C\u002Fp>\n\u003Cp>Un sistema de programación agéntico puede inspeccionar el repositorio, buscar la prueba que falla, leer los archivos relevantes, proponer un cambio, editar el código, ejecutar la prueba, observar el fallo, revisar la implementación y ejecutar la prueba de nuevo.\u003C\u002Fp>\n\u003Cp>La parte agéntica no es simplemente que existan herramientas de shell y de archivos. Es que el modelo puede usar la retroalimentación del entorno para elegir el siguiente paso en lugar de seguir una secuencia completamente predefinida.\u003C\u002Fp>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">El bucle básico del agente\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Recibir un objetivo\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El usuario o el sistema anterior define el objetivo y las restricciones relevantes.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Construir el contexto actual\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El entorno de ejecución proporciona instrucciones, estado, historial, memoria, herramientas y evidencia actual.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. El modelo decide el siguiente paso\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El modelo puede responder, llamar a una herramienta, solicitar información, delegar o detenerse.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. El entorno de ejecución valida la solicitud\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Los permisos, esquemas, aprobaciones y políticas determinan si la acción propuesta puede ejecutarse.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Ejecutar la herramienta o acción\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El entorno externo cambia o devuelve nueva información.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Observar el resultado\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El entorno de ejecución devuelve la salida estructurada de la herramienta, los errores o los cambios de estado al siguiente paso del modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Continuar o detenerse\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">El bucle se repite hasta el éxito, el rechazo, la escalada, el límite de presupuesto, el tiempo de espera agotado u otra condición de parada.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-15\">Dónde se detiene el ejemplo simple\u003C\u002Fh2>\n\u003Cp>No todos los sistemas de IA de múltiples pasos son igualmente agénticos. Un flujo de trabajo puede usar varias llamadas a LLM y herramientas mientras cada paso está predeterminado en el código. Otro sistema puede dejar que el modelo decida qué herramienta llamar, en qué orden, cuántas veces y cuándo detenerse.\u003C\u002Fp>\n\u003Cp>Ambos pueden ser útiles. La diferencia está en dónde reside el control. Los flujos de trabajo predefinidos ponen más control en el código de la aplicación. Los agentes trasladan más decisiones tácticas del proceso al bucle modelo\u002Fentorno de ejecución.\u003C\u002Fp>\n\u003Ch2 id=\"section-18\">Agente vs flujo de trabajo\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Flujo de trabajo predefinido y control agéntico\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Flujo de trabajo LLM\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Agente\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Ruta del proceso\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Secuencia de herramientas\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Fortaleza\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Riesgo\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Cp>Anthropic separa explícitamente estos dos patrones: los flujos de trabajo orquestan modelos y herramientas a través de rutas de código predefinidas, mientras que los agentes permiten que los modelos dirijan dinámicamente sus propios procesos y el uso de herramientas. Esta no es la única terminología posible, pero es un límite arquitectónico útil.\u003C\u002Fp>\n\u003Ch2 id=\"section-21\">El comportamiento agéntico es un espectro, no una etiqueta binaria\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Nivel\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Ejemplo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">¿Quién decide el siguiente paso?\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Llamada única al modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Resume este documento\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La aplicación llama al modelo una vez\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Respuesta asistida por herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo puede usar búsqueda web antes de responder\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo selecciona entre herramientas acotadas para una respuesta\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Flujo de trabajo estructurado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Clasificar → recuperar → generar → validar\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El flujo de trabajo de la aplicación determina las etapas\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Flujo de trabajo adaptativo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo puede elegir entre varias ramas y reintentar\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Control compartido entre la aplicación y el modelo\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bucle de agente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo elige repetidamente herramientas\u002Facciones basándose en observaciones\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo dirige la ejecución táctica dentro de las restricciones del entorno de ejecución\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Agente de larga duración\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El agente pausa, reanuda, gestiona artefactos y continúa\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo + el entorno de ejecución persistente gestionan la ejecución en evolución\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Llamar \"agente\" a todos los sistemas anteriores puede ocultar diferencias operativas importantes. Cuanto mayor sea el control del modelo sobre la secuencia, la duración y las acciones, más importantes se vuelven el aislamiento del entorno de ejecución, los permisos, el trazado, las condiciones de parada y la evaluación de trayectorias.\u003C\u002Fp>\n\u003Ch2 id=\"section-24\">La arquitectura mínima de un sistema agéntico\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Componente\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Responsabilidad\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Objetivo \u002F tarea\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Define lo que el sistema intenta lograr.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Interpreta el contexto y decide la siguiente acción o salida.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Instrucciones\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Definen el rol, las restricciones, las prioridades y la política específica de la tarea.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ensamblador de contexto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Construye la información visible para el modelo en cada paso.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Catálogo de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Define las capacidades que el modelo puede solicitar.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Entorno de ejecución \u002F arnés\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ejecuta el bucle, ejecuta herramientas, gestiona el estado y maneja las condiciones de parada.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Capa de autorización\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Determina si una acción propuesta está permitida para el principal actual.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Estado \u002F sesión\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Preserva el progreso de la tarea a lo largo de turnos o pasos de ejecución.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Canal de observación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Devuelve los resultados de las herramientas y los cambios del entorno al siguiente paso del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Aprobaciones \u002F control humano\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Pausa las acciones consecuentes donde se requiere revisión.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Trazado \u002F auditoría\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Registra llamadas al modelo, herramientas, transiciones, aprobaciones y fallos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Evaluación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mide los resultados y las trayectorias de ejecución frente a los criterios de aceptación.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-26\">Un modelo no es un agente\u003C\u002Fh2>\n\u003Cp>Un modelo de lenguaje produce salidas a partir de entradas. Por sí mismo no posee un sistema de archivos, no ejecuta un comando de shell, no mantiene un estado de tarea duradero, no aplica permisos ni se llama automáticamente a sí mismo de nuevo.\u003C\u002Fp>\n\u003Cp>Esas capacidades provienen del entorno de ejecución circundante. El mismo modelo puede comportarse como un modelo de chat simple en una aplicación y como el motor de decisión dentro de un bucle de agente en otra.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--success my-6 rounded-xl border p-5 border-emerald-300 bg-emerald-50 dark:border-emerald-900 dark:bg-emerald-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Regla de arquitectura\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">\u003Cstrong>La capacidad del modelo determina qué decisiones se pueden proponer. La arquitectura del entorno de ejecución determina qué puede suceder realmente.\u003C\u002Fstrong>\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-30\">El uso de herramientas es central, pero el uso de herramientas por sí solo no convierte algo en un agente\u003C\u002Fh2>\n\u003Cp>Las herramientas permiten al modelo adquirir información y afectar sistemas externos. Los ejemplos incluyen lecturas de bases de datos, operaciones con archivos, ejecución de shell, búsqueda web, control del navegador, llamadas a API, actualizaciones de tickets o agentes especialistas delegados.\u003C\u002Fp>\n\u003Cp>Una única llamada al modelo puede usar una herramienta y seguir siendo una respuesta acotada asistida por herramientas en lugar de un agente de larga duración. El comportamiento agéntico aparece cuando las observaciones de las herramientas alimentan un bucle adaptativo en el que el modelo elige qué hacer a continuación.\u003C\u002Fp>\n\u003Cp>El diseño de las herramientas importa porque las herramientas son el contrato entre el razonamiento del modelo y la realidad externa. Las herramientas ambiguas o superpuestas crean errores de enrutamiento; las salidas grandes y no estructuradas contaminan el contexto; las herramientas amplias con efectos secundarios aumentan el radio de impacto.\u003C\u002Fp>\n\u003Ch2 id=\"section-34\">Capacidad, permiso y autoridad de las herramientas son diferentes\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Capa\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pregunta\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Capacidad\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Puede este entorno de ejecución realizar técnicamente la operación?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exposición de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Está esa capacidad disponible para este agente?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Permiso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Puede este agente\u002Fsesión usarla bajo la política actual?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autorización del usuario\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Se permite al principal solicitante causar esta operación?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Autoridad de negocio\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Es la operación válida bajo las reglas de dominio, aprobaciones y límites?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ejecución\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Ocurrió realmente la operación?\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Auditoría\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Puede el sistema probar quién la solicitó, aprobó y ejecutó?\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Estas capas con frecuencia se colapsan en los prototipos. Un modelo ve una herramienta de reembolso y, por lo tanto, parece capaz de emitir reembolsos. En producción, la herramienta aún debe validar la cuenta, el usuario, la transacción, el monto, la política y las condiciones de aprobación independientemente de la solicitud del modelo.\u003C\u002Fp>\n\u003Ch2 id=\"section-37\">El runtime o harness es el sistema de ejecución real\u003C\u002Fh2>\n\u003Cp>La documentación actual de agentes de OpenAI hace explícita la distinción del runtime. Diferentes runtimes pueden gestionar la orquestación, el estado, las herramientas, los sandboxes y la ejecución en distintos lugares, mientras que el modelo sigue siendo solo una parte del sistema.\u003C\u002Fp>\n\u003Cp>El Agents SDK describe un bucle que llama repetidamente al modelo actual, inspecciona la salida, ejecuta las herramientas o handoffs solicitados y continúa hasta que el modelo devuelve una respuesta final u otro punto de parada real.\u003C\u002Fp>\n\u003Cp>Esto significa que las decisiones de arquitectura de agentes incluyen dónde se ejecuta la orquestación, dónde vive el estado, quién ejecuta las herramientas, qué sandbox contiene los efectos secundarios y quién es responsable de los reintentos, los timeouts y la reanudabilidad.\u003C\u002Fp>\n\u003Ch2 id=\"section-41\">La planificación es útil, pero no se requiere un plan explícito\u003C\u002Fh2>\n\u003Cp>A menudo se describe a los agentes como sistemas que “planifican”. En la práctica, la planificación puede ser explícita o implícita. Un agente puede producir primero un plan visible de varios pasos, o puede elegir una acción siguiente a la vez y revisarla después de cada observación.\u003C\u002Fp>\n\u003Cp>Para tareas altamente inciertas, la planificación de horizonte corto puede ser más segura porque el entorno puede invalidar un plan largo. El requisito arquitectónico es la capacidad de elegir y revisar acciones basándose en el objetivo, el estado actual y la nueva evidencia.\u003C\u002Fp>\n\u003Ch2 id=\"section-44\">La retroalimentación del entorno es lo que hace útil el bucle\u003C\u002Fh2>\n\u003Cp>Un agente se vuelve operativamente significativo cuando puede observar si su acción funcionó. La salida de las herramientas, los resultados de las pruebas, las respuestas de la API, el estado del sistema de archivos, el estado del navegador y los registros de la aplicación proporcionan evidencia externa que el sistema puede usar para revisar su siguiente decisión.\u003C\u002Fp>\n\u003Cp>La guía de agentes de Anthropic enfatiza este bucle de retroalimentación: los agentes usan herramientas, obtienen la verdad fundamental del entorno, evalúan el progreso y continúan o solicitan la intervención humana.\u003C\u002Fp>\n\u003Caside class=\"editorjs-callout editorjs-callout--warning my-6 rounded-xl border p-5 border-amber-300 bg-amber-50 dark:border-amber-900 dark:bg-amber-950\u002F20\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">El autoinforme no es prueba del entorno\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Que un agente diga “la tarea está completa” no prueba que se haya completado. Cuando sea posible, verifica el estado final a través de un sistema externo, una prueba, un archivo, un registro de transacción u otro resultado observable.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-48\">El estado del agente no es lo mismo que el contexto del modelo\u003C\u002Fh2>\n\u003Cp>Una tarea de larga duración puede necesitar un estado que no puede o no debe permanecer en el contexto del modelo: IDs de tareas, checkpoints, artefactos, aprobaciones, identificadores de objetos externos, contadores de reintentos y estado del flujo de trabajo.\u003C\u002Fp>\n\u003Cp>El runtime puede preservar este estado duradero fuera de la ventana del modelo y reconstruir el contexto necesario para el siguiente paso. Esto mantiene el contexto visible para el modelo enfocado mientras mantiene la continuidad y la reanudabilidad.\u003C\u002Fp>\n\u003Ch2 id=\"section-51\">La memoria es opcional, no la definición de un agente\u003C\u002Fh2>\n\u003Cp>Un agente puede operar con éxito sin memoria a largo plazo si la tarea completa cabe dentro de una ejecución acotada. La memoria se vuelve útil cuando la información debe persistir entre sesiones, tareas o largos horizontes de ejecución.\u003C\u002Fp>\n\u003Cp>RAG, memoria, estado y contexto resuelven problemas diferentes. Tratar una base de datos vectorial como “la memoria del agente” o el historial de conversación como “la máquina de estados” generalmente oculta límites importantes de ciclo de vida y autoridad.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">La memoria del agente de IA no es RAG: cómo separar memoria, recuperación, estado y contexto\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Una arquitectura práctica que separa la memoria persistente, el estado autoritativo de la aplicación, la recuperación y el contexto proporcionado al modelo.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer el artículo sobre arquitectura de memoria →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-55\">La ingeniería de contexto se vuelve dinámica en los agentes\u003C\u002Fh2>\n\u003Cp>Cada llamada a una herramienta puede producir nuevo contexto. Cada paso también puede dejar obsoleta la información anterior. Por lo tanto, un runtime de agente sólido reconstruye o depura el contexto a medida que avanza la ejecución en lugar de reproducir todo indefinidamente.\u003C\u002Fp>\n\u003Cp>Las definiciones de herramientas, el estado de la tarea, la evidencia recuperada, las observaciones y la memoria compiten por la atención del modelo. Los agentes de larga duración necesitan recorte, compactación o carga justo a tiempo para que el contexto siga siendo relevante para la decisión actual.\u003C\u002Fp>\n\u003Ch2 id=\"section-58\">Las herramientas de lectura y las herramientas con efectos secundarios tienen distinto riesgo\u003C\u002Fh2>\n\u003Csection class=\"editorjs-comparison my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Acceso a información versus acción externa\u003C\u002Fh3>\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left dark:border-gray-700 dark:bg-gray-900\">\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Leer \u002F observar\u003C\u002Fth>\u003Cth class=\"border border-gray-300 bg-gray-50 px-4 py-3 text-left font-semibold dark:border-gray-700 dark:bg-gray-900\">Escribir \u002F actuar\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Ejemplos\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Riesgo principal\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-3 text-left font-semibold dark:border-gray-700\">Control típico\u003C\u002Fth>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-3 dark:border-gray-700\">\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-60\">El humano en el bucle es un mecanismo de control, no lo opuesto a la IA agéntica\u003C\u002Fh2>\n\u003Cp>Un agente no deja de ser agéntico porque un humano apruebe pasos trascendentales. El modelo aún puede inspeccionar, razonar, buscar y preparar una acción de forma autónoma mientras el runtime requiere confirmación humana antes de la ejecución.\u003C\u002Fp>\n\u003Cp>La guía actual de seguridad de agentes de OpenAI recomienda explícitamente aprobaciones para operaciones con herramientas en flujos de trabajo de mayor riesgo. Anthropic también enfatiza los puntos de control y el juicio humano cuando los agentes encuentran bloqueos o decisiones trascendentales.\u003C\u002Fp>\n\u003Cp>La pregunta arquitectónica útil no es “¿humano o autónomo?” sino ¿qué decisiones pueden delegarse, cuáles requieren revisión y cuáles deben permanecer deterministas?\u003C\u002Fp>\n\u003Ch2 id=\"section-64\">Los agentes necesitan condiciones de parada explícitas\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Condición de parada\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Propósito\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Resultado exitoso verificado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Terminar cuando se confirma el estado objetivo externo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Máximo de pasos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Prevenir bucles descontrolados.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Presupuesto de tiempo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Acotar la ejecución en tiempo real.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Presupuesto de costo\u002Ftokens\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Limitar el consumo de recursos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Detector de acciones repetidas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Detener bucles que ya no avanzan.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Límite de permisos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Pausar o detener cuando la siguiente acción requerida no está permitida.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Punto de control de aprobación humana\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Esperar antes de una ejecución trascendental.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Fallo irrecuperable de herramienta\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Escalar en lugar de reintentar indefinidamente.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Umbral de incertidumbre\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Pedir aclaración cuando la tarea no puede inferirse de forma segura.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-66\">La recuperación es parte del comportamiento del agente\u003C\u002Fh2>\n\u003Cp>Los agentes operan en entornos que fallan: las API se agotan, los archivos cambian, las credenciales expiran, las páginas web se mueven y las herramientas devuelven resultados malformados. Por lo tanto, un sistema agéntico útil necesita comportamiento de recuperación, no solo un bucle de herramientas en el camino feliz.\u003C\u002Fp>\n\u003Cp>La recuperación puede incluir reintentar con límites, elegir otra herramienta, volver a leer el estado actual, preguntar al usuario, revertir una acción parcial o escalar a un humano.\u003C\u002Fp>\n\u003Cp>Los reintentos también necesitan conciencia de idempotencia. Repetir una lectura suele ser de bajo riesgo; repetir un pago o el envío de un mensaje puede crear efectos secundarios duplicados.\u003C\u002Fp>\n\u003Ch2 id=\"section-70\">La IA agéntica no requiere múltiples agentes\u003C\u002Fh2>\n\u003Cp>Un solo agente con un conjunto de herramientas claro suele ser más simple y más fácil de evaluar que una arquitectura multiagente. Varios agentes son útiles cuando la especialización mejora materialmente el aislamiento de herramientas, el aislamiento de políticas, la claridad de los prompts, la propiedad o la legibilidad del rastro.\u003C\u002Fp>\n\u003Cp>La guía actual de orquestación de OpenAI recomienda explícitamente comenzar con un solo agente cuando sea posible y añadir especialistas solo cuando el contrato o el límite de propiedad cambien materialmente.\u003C\u002Fp>\n\u003Cp>Los sistemas multiagente añaden nuevos problemas: calidad de la delegación, contexto duplicado, estado en conflicto, semántica de transferencia, identidad, costo y manejo de fallos distribuidos.\u003C\u002Fp>\n\u003Ch2 id=\"section-74\">Los protocolos de agentes son capas de interoperabilidad, no el agente en sí\u003C\u002Fh2>\n\u003Cp>Protocolos como MCP y A2A pueden hacer que una arquitectura de agentes sea interoperable, pero no crean el bucle del agente por sí mismos. MCP puede exponer herramientas y recursos. A2A puede conectar agentes implementados de forma independiente. La aplicación aún necesita tiempo de ejecución, autorización, estado, evaluación y lógica de dominio.\u003C\u002Fp>\n\u003Cp>Por eso la capacidad del protocolo debe permanecer separada de la autoridad de negocio. Descubrir una herramienta a través de MCP no prueba que el principal actual tenga permitido usarla. Recibir una tarea a través de A2A no prueba que el agente remoto pueda realizar todas las acciones solicitadas.\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">MCP vs A2A vs UCP vs AP2 vs A2UI: La pila de protocolos de agentes explicada\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Un mapa de responsabilidades de protocolos que muestra por qué el acceso a herramientas, la colaboración entre agentes, el comercio, la autoridad de pago y la interfaz impulsada por agentes pertenecen a diferentes límites de interoperabilidad.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer la pila de protocolos de agentes →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-78\">La trayectoria es parte de la confiabilidad del agente\u003C\u002Fh2>\n\u003Cp>Una respuesta final es evidencia insuficiente para un sistema agéntico porque un agente puede llegar al resultado correcto a través de una ruta insegura o inválida. Puede usar una herramienta no autorizada, omitir una verificación requerida, reintentar un efecto secundario, depender de un estado obsoleto o tener éxito por accidente.\u003C\u002Fp>\n\u003Cp>Por lo tanto, la evaluación necesita trazas de ejecución: decisiones, llamadas a herramientas, aprobaciones, observaciones, cambios de estado y resultado final. La guía de seguridad actual de OpenAI recomienda evaluadores de trazas y evaluaciones; la guía de evaluación de agentes de Anthropic de 2026 también trata las trayectorias de herramientas multiturno como objetos de evaluación de primera clase.\u003C\u002Fp>\n\u003Cp>La pregunta de confiabilidad más fuerte es: ¿El agente alcanzó un resultado aceptable a través de una trayectoria aceptable, recuperable y auditable?\u003C\u002Fp>\n\u003Caside class=\"editorjs-referral my-6\">\u003Ca href=\"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough\" class=\"flex flex-col sm:flex-row gap-4 rounded-xl border border-gray-200 dark:border-gray-700 p-4 transition hover:border-primary-500\">\u003Cdiv class=\"min-w-0 flex-1\">\u003Cstrong class=\"block text-lg text-gray-900 dark:text-gray-100\">Confiabilidad de agentes de IA: por qué la respuesta final no es suficiente\u003C\u002Fstrong>\u003Cp class=\"mt-2 text-sm text-gray-600 dark:text-gray-300\">Por qué la evaluación en producción debe inspeccionar trayectorias, uso de herramientas, transiciones de estado y recuperabilidad en lugar de solo respuestas finales.\u003C\u002Fp>\u003Cspan class=\"mt-3 inline-flex text-sm font-medium text-primary-600 dark:text-primary-400\">Leer el artículo de confiabilidad →\u003C\u002Fspan>\u003C\u002Fdiv>\u003C\u002Fa>\u003C\u002Faside>\n\u003Ch2 id=\"section-83\">Los sistemas agénticos aumentan la superficie de seguridad\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Riesgo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Por qué los agentes lo amplifican\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Respuesta de arquitectura\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Inyección de prompt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El contenido no confiable puede influir en decisiones futuras de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Separar instrucciones de datos; restringir herramientas; sanear o estructurar la entrada externa cuando sea posible\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Permisos excesivos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los errores de razonamiento pueden convertirse en efectos secundarios reales\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mínimo privilegio, credenciales con alcance limitado, política por herramienta y aprobaciones\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Exposición de credenciales\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Las herramientas pueden necesitar secretos potentes\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Mantener los secretos fuera del contexto del modelo; intermediar el acceso a través de un tiempo de ejecución confiable\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Diputado confundido\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El agente puede actuar con una autoridad más amplia que el usuario solicitante\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Vincular la ejecución a la identidad del usuario\u002Fservicio y reautorizar acciones trascendentales\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bucles descontrolados\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo llama repetidamente a herramientas sin progreso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Presupuestos de pasos, tiempo y costo más detección de bucles\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Deriva de estado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El entorno cambia después de que el agente formó un plan\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Volver a leer el estado autoritativo antes de acciones trascendentales\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Inyección indirecta\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El contenido de herramientas\u002Fweb\u002Fdocumentos contiene instrucciones dirigidas al modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tratar el contenido externo como datos no confiables, no como autoridad de instrucción\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Brecha de auditoría\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El resultado final no puede mostrar qué se ejecutó\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rastrear llamadas a herramientas, aprobaciones, identidades y cambios de estado\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-85\">La observabilidad del agente debe seguir el bucle\u003C\u002Fh2>\n\u003Cp>La observabilidad tradicional de servicios registra solicitudes, latencia y errores. La observabilidad de agentes necesita un modelo de ejecución adicional: qué agente estaba activo, qué versión del modelo tomó la decisión, qué contexto estaba disponible, qué herramienta se seleccionó, qué argumentos se enviaron, qué resultado regresó y por qué se detuvo la ejecución.\u003C\u002Fp>\n\u003Cp>Para sistemas sensibles, las trazas mismas requieren control de acceso y política de retención porque los prompts, las salidas de herramientas y los artefactos pueden contener datos confidenciales.\u003C\u002Fp>\n\u003Ch2 id=\"section-88\">Cómo evaluar un sistema agéntico\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Dimensión\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pregunta\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Evidencia de ejemplo\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Éxito de la tarea\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Ocurrió el resultado solicitado?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Estado externo, pruebas, resultado de negocio\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Calidad de la trayectoria\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Fueron aceptables los pasos?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Traza de herramientas\u002Facciones\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Selección de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿El agente eligió capacidades apropiadas?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Llamadas a herramientas esperadas vs reales\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Cumplimiento de permisos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Se mantuvo dentro de la autoridad permitida?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Registros de autorización y pruebas de acciones denegadas\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Manejo del estado\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Usó el estado autoritativo actual?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Verificaciones de frescura y pruebas de cambio de estado\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recuperación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Respondió correctamente a los fallos?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Escenarios de tiempo de espera\u002Ferror inyectados\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comportamiento de detención\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Se detuvo en el punto correcto?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Recuentos de pasos, detección de bucles, prueba del estado final\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Escalado humano\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Preguntó cuando se requería revisión?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Trazas de aprobación\u002Fescalado\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Costo\u002Flatencia\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Valió la pena el costo operativo de la autonomía?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Tokens, llamadas a herramientas, duración\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Robustez\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Sobrevive a la variación realista del entorno?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Ensayos repetidos y adversarios\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-90\">Cuándo es apropiado un agente\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Usa un agente cuando\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Prefiere un flujo de trabajo o una llamada simple cuando\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El número o el orden de los pasos no se puede conocer de forma fiable de antemano\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La secuencia es estable y determinista\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El sistema debe inspeccionar el entorno y adaptarse\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un único paso de recuperación + generación es suficiente\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Varias herramientas pueden ser útiles según los resultados intermedios\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una llamada a una API conocida resuelve la tarea\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La tarea se beneficia de verificación o reparación iterativa\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La respuesta se puede producir directamente a partir del contexto proporcionado\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los fallos requieren un comportamiento de recuperación flexible\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Las ramas de fallo son simples y se pueden codificar explícitamente\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Se puede insertar revisión humana en puntos de control significativos\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Cada paso es de alto riesgo y debe controlarse manualmente de todos modos\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El valor esperado justifica la latencia, el costo y la complejidad adicionales\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La previsibilidad y el bajo costo importan más que la flexibilidad\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Cp>Un buen valor predeterminado es comenzar con la solución más simple que funcione y aumentar la complejidad agéntica solo cuando la flexibilidad produzca un valor medible. Los agentes intercambian previsibilidad, latencia y costo por una ejecución adaptativa.\u003C\u002Fp>\n\u003Ch2 id=\"section-93\">Evidencia de implementación original\u003C\u002Fh2>\n\u003Ch3 id=\"section-94\">Cliente de IA Aaasaasa: modelo, entorno de ejecución y permisos son separados\u003C\u002Fh3>\n\u003Cp>El Cliente de IA Aaasaasa separa explícitamente agente\u002Fcliente, proveedor, modelo, ubicación del entorno de ejecución y permisos. Su documentación de arquitectura trata los permisos como una política central de herramientas\u002Fespacio de trabajo en lugar de una propiedad del modelo.\u003C\u002Fp>\n\u003Cp>La misma aplicación puede exponer Chat Directo sin herramientas de sistema de archivos ni de shell, mientras que un entorno de ejecución de Codex opera bajo un espacio de trabajo y un perfil de permisos seleccionados. Esto demuestra un límite arquitectónico agéntico central: cambiar la superficie del entorno de ejecución\u002Fherramientas cambia lo que el sistema puede hacer incluso cuando el acceso al modelo sigue disponible.\u003C\u002Fp>\n\u003Cp>El repositorio también distingue un entorno de ejecución local de Codex de la ubicación del modelo: un entorno de ejecución local puede llamar a un modelo en la nube. Esto evita el error común de equiparar “el agente se ejecuta localmente” con “la inferencia es local”.\u003C\u002Fp>\n\u003Cp>La implementación desactiva rutas de ejecución integradas cuyas semánticas de aprobación no satisfacen el modelo de permisos requerido. Esto respalda el principio de que la capacidad del agente no debe eludir la autorización del entorno de ejecución simplemente porque un framework subyacente pueda ejecutar herramientas.\u003C\u002Fp>\n\u003Ch3 id=\"section-99\">Motor de investigación Source of Truth: etapas de investigación agéntica acotadas\u003C\u002Fh3>\n\u003Cp>El Motor de investigación Source of Truth utiliza un pipeline de investigación acotado: descubrir → adquirir → extraer → verificar → contradecir → sintetizar. Los trabajos de investigación pueden ejecutarse a través de un entorno de ejecución de IA mientras que la evidencia, las fuentes, las afirmaciones y las contradicciones permanecen en un almacén persistente externo.\u003C\u002Fp>\n\u003Cp>Esto es intencionalmente más controlado que un agente de investigación autónomo sin restricciones. Las etapas proporcionan barreras de protección sobre qué tipo de trabajo debe ocurrir a continuación, a la vez que permiten investigación impulsada por el modelo dentro de cada tarea acotada.\u003C\u002Fp>\n\u003Cp>Esa distinción es evidencia útil para el diseño de agentes: la autonomía puede colocarse dentro de un envoltorio de entrega estructurado en lugar de aplicarse uniformemente a todo el proceso.\u003C\u002Fp>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Patrón implementado\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Lección de arquitectura agéntica\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Chat Directo no tiene herramientas del sistema operativo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Un modelo puede existir sin capacidad de ejecución agéntica.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El entorno de ejecución de Codex tiene un perfil de permisos del espacio de trabajo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La autoridad de las herramientas pertenece a la política del entorno de ejecución, no a la capacidad del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Proveedor\u002Fmodelo\u002Fentorno de ejecución son conceptos separados\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La ubicación del arnés del agente y la ubicación de la inferencia son decisiones independientes.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Bróker de permisos para entornos de ejecución con capacidad de herramientas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La exposición de capacidades puede centralizarse y gobernarse.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Etapas de investigación acotadas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La autonomía puede operar dentro de límites de proceso explícitos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Afirmaciones\u002Fevidencia persistentes fuera del contexto del modelo\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El estado del agente y la evidencia no necesitan residir solo en el historial de conversación.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Caside class=\"editorjs-callout editorjs-callout--note my-6 rounded-xl border p-5 border-gray-300 bg-gray-50 dark:border-gray-700 dark:bg-gray-900\u002F40\" role=\"note\">\u003Cstrong class=\"block mb-2 text-gray-900 dark:text-gray-100\">Límite de la evidencia\u003C\u002Fstrong>\u003Cdiv class=\"text-gray-700 dark:text-gray-200\">Estos proyectos demuestran patrones concretos de agente\u002Fentorno de ejecución, permisos e investigación acotada. No se presentan como prueba de un despliegue comercial a gran escala de agentes autónomos.\u003C\u002Fdiv>\u003C\u002Faside>\n\u003Ch2 id=\"section-105\">Modos de fallo comunes de la IA agéntica\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Modo de fallo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Qué falló realmente\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El “agente” es solo un chatbot con herramientas listadas en el prompt\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">No existe un bucle de entorno de ejecución fiable ni una arquitectura de ejecución de herramientas\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El soporte de herramientas se trata como permiso\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Se colapsan los límites de capacidad y autorización\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El agente confía en su propia declaración de finalización\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El resultado no se verifica contra el estado externo\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Cada tarea se convierte en multiagente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La complejidad aumenta sin un límite real de propiedad o especialización\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El historial de conversación se usa como estado duradero\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La reanudabilidad y el estado autoritativo se vuelven frágiles\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El agente reintenta efectos secundarios a ciegas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Se vuelven posibles mensajes, pagos o cambios de estado duplicados\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Sin límites de pasos\u002Fcosto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El agente puede entrar en bucle indefinidamente o consumir recursos sin control\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La salida de la herramienta se confía como instrucción\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La inyección indirecta de prompts puede redirigir el comportamiento\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La respuesta final correcta es la única evaluación\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Las trayectorias inseguras o inválidas permanecen invisibles\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La actualización del modelo se trata como transparente\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La selección de herramientas, la planificación y el comportamiento de parada pueden cambiar\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una herramienta amplia expone muchas operaciones privilegiadas\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El radio de impacto aumenta y la intención se vuelve más difícil de validar\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Existe aprobación humana pero el revisor carece de contexto\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La aprobación se vuelve ceremonial en lugar de efectiva\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-107\">Conceptos erróneos comunes\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Concepto erróneo\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Corrección\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Un LLM es un agente.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">El modelo es el componente de decisión; el agente es el sistema circundante que gestiona herramientas, estado e iteración.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Llamar a herramientas significa automáticamente IA agéntica.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una única llamada a herramienta acotada puede no implicar un bucle de agente adaptativo de varios pasos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Los agentes deben ser totalmente autónomos.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Los sistemas agénticos pueden requerir aprobaciones y operar bajo límites de permisos estrechos.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Los agentes necesitan memoria a largo plazo.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La memoria es opcional; muchos agentes útiles completan tareas acotadas sin memoria entre sesiones.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Los agentes deben crear primero un plan escrito.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La planificación puede ser explícita o implícita y puede ocurrir paso a paso.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Multiagente es más avanzado que un solo agente.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Es más complejo; úsalo solo cuando la especialización o los límites de propiedad lo justifiquen.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“MCP crea un agente.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">MCP expone herramientas\u002Frecursos; el entorno de ejecución aún necesita un bucle de agente y un modelo de autorización.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Un entorno de ejecución local significa que el modelo es local.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La ubicación del entorno de ejecución y la ubicación de la inferencia\u002Fproveedor son separadas.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“Si el resultado final es correcto, el agente funcionó correctamente.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Una trayectoria insegura o no autorizada aún puede producir un resultado correcto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">“La aprobación humana elimina la autonomía.”\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La aprobación puede restringir acciones seleccionadas mientras el resto del proceso sigue dirigido por el modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-109\">Una secuencia práctica de diseño de agentes\u003C\u002Fh2>\n\u003Csection class=\"editorjs-process my-6\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Diseñar el agente desde la autoridad hacia afuera\u003C\u002Fh3>\u003Cdiv class=\"grid grid-cols-1 md:grid-cols-2 xl:grid-cols-3 gap-4\">\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">1\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">1. Definir el resultado\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Indicar qué resultado externo o artefacto demuestra el éxito de la tarea.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">2\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">2. Decidir si realmente se necesita un agente\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Preferir una llamada simple o un flujo de trabajo determinista cuando la ruta es predecible.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">3\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">3. Identificar el estado y la Fuente de Verdad\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Definir qué sistemas poseen los hechos actuales, el progreso de la tarea y el estado del negocio.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">4\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">4. Definir la superficie de herramientas\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Exponer el conjunto más pequeño de capacidades claras requeridas para la tarea.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">5\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">5. Vincular identidad y permisos\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Separar la autoridad del usuario, los permisos del agente\u002Fentorno de ejecución y las capacidades de las herramientas.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">6\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">6. Elegir los límites de autonomía\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Especificar qué puede decidir el modelo dinámicamente y qué permanece determinista.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">7\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">7. Agregar puntos de control de aprobación\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Requerir revisión antes de acciones trascendentales o irreversibles cuando corresponda.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">8\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">8. Definir la detención y la recuperación\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Establecer la prueba de éxito, los presupuestos, los tiempos de espera, los reintentos, la escalada y los controles de bucle.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">9\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">9. Diseñar la gestión de contexto\u002Festado\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Mantener el estado actual, la memoria, las observaciones de herramientas y los artefactos duraderos en las capas correctas.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">10\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">10. Rastrear la trayectoria\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Registrar suficiente estructura de ejecución para depurar y auditar las decisiones del modelo y de las herramientas.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">11\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">11. Evaluar fallas realistas\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Probar estado obsoleto, errores de herramientas, inyección de prompts, solicitudes ambiguas y entornos modificados.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv class=\"editorjs-process__step min-w-0  rounded-xl border border-gray-200 dark:border-gray-700 p-4\">\u003Cdiv class=\"text-xs font-semibold text-gray-500 dark:text-gray-400\">12\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 font-semibold text-gray-900 dark:text-gray-100\">12. Ampliar la autonomía solo a partir de evidencia\u003C\u002Fdiv>\u003Cdiv class=\"mt-1 text-sm text-gray-600 dark:text-gray-300\">Aumentar los permisos o el horizonte de ejecución cuando la evaluación muestre que el beneficio justifica el riesgo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-111\">Lista de verificación de arquitectura de IA agéntica\u003C\u002Fh2>\n\u003Cdiv class=\"overflow-x-auto\">\u003Ctable class=\"w-full border-collapse\">\u003Cthead>\u003Ctr>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Pregunta\u003C\u002Fth>\u003Cth class=\"border border-gray-300 px-4 py-2 text-left font-semibold\">Evidencia esperada\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué prueba el éxito?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Resultado externo, artefacto, prueba o estado autoritativo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Por qué se necesita un agente?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">La ruta depende genuinamente de observaciones intermedias.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué decisiones están impulsadas por el modelo?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Límite de autonomía explícito.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué herramientas existen?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Conjunto de capacidades pequeño, documentado e inequívoco.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Quién puede usar cada herramienta?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Política de autorización consciente de la identidad y el contexto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué acciones necesitan aprobación?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Reglas de revisión basadas en consecuencias.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Dónde reside el estado de la tarea?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Estado propiedad de la aplicación separado del contexto transitorio del modelo.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Cómo se recupera el agente?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Comportamiento de reintento, relectura, reversión, aclaración y escalada.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Cómo se detiene?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Finalización verificada más límites de pasos\u002Ftiempo\u002Fcosto.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Cómo se protegen los efectos secundarios?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Validación, idempotencia, privilegio mínimo y confirmación.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Se puede reconstruir la ejecución?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Rastros de herramientas, aprobaciones y transiciones de estado.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Cómo se evalúa?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Pruebas de resultado + trayectoria + robustez.\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd class=\"border border-gray-300 px-4 py-2\">¿Qué cambia después de una actualización del modelo\u002Fentorno de ejecución?\u003C\u002Ftd>\u003Ctd class=\"border border-gray-300 px-4 py-2\">Suite de regresión para selección de herramientas, permisos, detención y recuperación.\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Fdiv>\n\u003Ch2 id=\"section-113\">Casos límite y limitaciones\u003C\u002Fh2>\n\u003Cp>Algunos sistemas son “agénticos” solo en un sentido estrecho de enrutamiento: el modelo selecciona un especialista o herramienta y luego el resto del flujo de trabajo es determinista. Eso puede seguir siendo útil, pero no debe describirse como equivalente a un agente autónomo de larga duración.\u003C\u002Fp>\n\u003Cp>Los dominios altamente trascendentales pueden restringir intencionalmente la autonomía del agente. Un sistema de IA puede inspeccionar evidencia, preparar recomendaciones y completar formularios estructurados mientras un humano sigue siendo el único actor autorizado para confirmar la transacción final.\u003C\u002Fp>\n\u003Cp>Algunos entornos son adecuados para agentes porque la retroalimentación es objetiva. Los agentes de programación pueden ejecutar pruebas; los agentes de infraestructura pueden inspeccionar métricas; los agentes de datos pueden validar resultados de consultas. Los dominios abiertos con retroalimentación débil requieren una evaluación más cautelosa.\u003C\u002Fp>\n\u003Cp>Un agente puede operar completamente de forma local, completamente a través de servicios en la nube gestionados o en una arquitectura híbrida. El comportamiento agéntico describe el flujo de control, no la ubicación de alojamiento.\u003C\u002Fp>\n\u003Cp>El término “razonamiento” no debe usarse como prueba de que el proceso interno del agente es correcto. La garantía de producción debe basarse en entradas, acciones, salidas, estado y evaluación observables en lugar de afirmaciones no verificables sobre razonamiento oculto.\u003C\u002Fp>\n\u003Ch2 id=\"section-119\">Qué cambiaría esta respuesta\u003C\u002Fh2>\n\u003Cp>Las API de proveedores y los marcos de agentes seguirán evolucionando, pero el límite arquitectónico es estable: un modelo propone decisiones, un entorno de ejecución gestiona el bucle, las herramientas se conectan al entorno, los permisos restringen las acciones y las observaciones externas determinan lo que realmente sucedió.\u003C\u002Fp>\n\u003Cp>A medida que los modelos se vuelvan más confiables, los sistemas podrán delegar de forma segura horizontes más largos o comportamientos de recuperación más complejos. A medida que mejoren la verificación y la autorización en tiempo de ejecución, algunos pasos de aprobación podrán automatizarse. Esos son cambios en el nivel de autonomía, no cambios en las capas fundamentales de responsabilidad.\u003C\u002Fp>\n\u003Cp>La arquitectura recomendada también cambia según las consecuencias. Un agente de investigación que solo lee fuentes públicas puede tolerar controles diferentes a los de un agente que escribe configuración de producción o mueve dinero.\u003C\u002Fp>\n\u003Ch2 id=\"section-123\">Conocimiento canónico relacionado\u003C\u002Fh2>\n\u003Cp>La IA agéntica se sitúa por encima de varias capas prerequisito: la ingeniería de contexto determina lo que ve el modelo; la arquitectura de Fuente de Verdad determina qué información es autoritativa; la recuperación proporciona evidencia externa; la arquitectura de tiempo de ejecución determina qué puede ejecutarse.\u003C\u002Fp>\n\u003Cp>Los nodos posteriores incluyen llamada a herramientas, MCP, A2A, identidad del agente, permisos, auditabilidad, human-in-the-loop, orquestación, memoria y sistemas multiagente.\u003C\u002Fp>\n\u003Cp>Por lo tanto, el artículo de la pila de protocolos debe leerse después del concepto básico de agente: los protocolos estandarizan los límites en torno a los agentes; no definen el comportamiento agéntico en sí.\u003C\u002Fp>\n\u003Ch2 id=\"section-127\">Preguntas frecuentes\u003C\u002Fh2>\n\u003Csection class=\"editorjs-faq my-6 rounded-xl border border-gray-200 p-5 dark:border-gray-700\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Preguntas frecuentes sobre IA agéntica\u003C\u002Fh3>\u003Cdiv id=\"faq1\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Qué es la IA agéntica?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">La IA agéntica es un sistema de IA en el que un modelo puede perseguir un objetivo a lo largo de múltiples pasos eligiendo acciones o herramientas, observando resultados, actualizando su estado y continuando hasta alcanzar una condición de parada.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq2\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Cuál es la diferencia entre un LLM y un agente de IA?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Un LLM produce salidas a partir de entradas. Un agente combina un modelo con un entorno de ejecución, herramientas, estado, permisos, gestión de contexto y un bucle de ejecución iterativo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq3\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿El uso de herramientas convierte a un sistema en un agente?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No necesariamente. Una única respuesta de un modelo asistida por herramientas puede ser acotada y no agéntica. El comportamiento agéntico aparece cuando las observaciones de las herramientas impulsan un bucle adaptativo de múltiples pasos.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq4\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Cuál es la diferencia entre un agente y un flujo de trabajo de IA?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Un flujo de trabajo normalmente sigue una ruta de proceso definida en el código de la aplicación. Un agente tiene más control impulsado por el modelo sobre qué pasos y herramientas utilizar según las observaciones intermedias.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq5\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Los agentes necesitan memoria?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. La memoria a largo plazo es útil para información persistente entre sesiones, pero muchos agentes completan tareas acotadas utilizando únicamente el estado y el contexto de la tarea actual.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq6\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Los agentes de IA necesitan múltiples agentes?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. Un solo agente suele ser más sencillo. Los sistemas multiagente se justifican cuando la especialización, el aislamiento de herramientas, el aislamiento de políticas o los límites de propiedad mejoran materialmente el sistema.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq7\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Puede un agente tener intervención humana?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Sí. El agente puede realizar de forma autónoma análisis y preparación de bajo riesgo mientras el entorno de ejecución se detiene para la aprobación humana antes de acciones consecuentes.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq8\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Es MCP un framework de agentes?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">No. MCP es un protocolo de interoperabilidad para exponer herramientas, recursos y prompts. Un entorno de ejecución de agentes puede usar MCP, pero aún necesita su propio bucle, estado, autorización y evaluación.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003Cdiv id=\"faq9\" class=\"border-t border-gray-200 py-4 first:border-t-0 dark:border-gray-700\">\u003Ch4 class=\"font-semibold text-gray-900 dark:text-gray-100\">¿Cómo se sabe que un agente realmente completó una tarea?\u003C\u002Fh4>\u003Cdiv class=\"mt-2 text-gray-600 dark:text-gray-300\">Cuando sea posible, verifique el éxito mediante estado externo, pruebas, artefactos o registros autorizados del sistema en lugar de confiar en la propia declaración de finalización del modelo.\u003C\u002Fdiv>\u003C\u002Fdiv>\u003C\u002Fsection>\n\u003Ch2 id=\"section-129\">Glosario\u003C\u002Fh2>\n\u003Csection class=\"editorjs-glossary my-6 rounded-xl border border-gray-200 dark:border-gray-700 p-5\">\u003Ch3 class=\"mb-3 text-lg font-semibold\">Términos clave de IA agéntica\u003C\u002Fh3>\u003Cdl>\u003Cdiv id=\"agentic-ai\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">IA agéntica\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Comportamiento de un sistema de IA en el que un modelo dirige dinámicamente la ejecución de múltiples pasos utilizando herramientas, observaciones y estado hacia un objetivo.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"ai-agent\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Agente de IA\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Un sistema centrado en un modelo con entorno de ejecución, herramientas, estado y un bucle de ejecución que puede perseguir una tarea a lo largo de múltiples pasos.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"agent-loop\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Bucle del agente\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Ciclo repetido de decisión del modelo, ejecución de herramienta\u002Facción, observación y decisión actualizada del modelo hasta la parada.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"runtime-harness\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Entorno de ejecución \u002F harness\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La capa de ejecución que gestiona el bucle del modelo, las herramientas, el estado, las aprobaciones, el contexto, los errores y las condiciones de parada.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"tool\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Herramienta\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Una capacidad expuesta al modelo para leer información, calcular, delegar o cambiar el estado externo.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"observation\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Observación\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Información devuelta por una herramienta o entorno y proporcionada a un paso posterior del agente.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"agent-state\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Estado del agente\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Información persistente de tarea o ejecución que existe fuera de una única salida del modelo y puede sobrevivir entre pasos o pausas.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"autonomy-boundary\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Límite de autonomía\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">El límite explícito que define qué decisiones y acciones puede controlar dinámicamente el modelo.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"human-in-the-loop\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Intervención humana\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Un patrón de control en el que se requiere revisión, aportación o aprobación humana en puntos seleccionados de un proceso impulsado por IA.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"trajectory\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Trayectoria\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">La secuencia de estados, decisiones, llamadas a herramientas, acciones y observaciones relevantes entre la solicitud de la tarea y el resultado final.\u003C\u002Fdd>\u003C\u002Fdiv>\u003Cdiv id=\"idempotency\" class=\"border-t border-gray-200 dark:border-gray-700 py-3 first:border-t-0\">\u003Cdt class=\"font-semibold text-gray-900 dark:text-gray-100\">Idempotencia\u003C\u002Fdt>\u003Cdd class=\"mt-1 text-gray-600 dark:text-gray-300\">Propiedad que permite repetir una operación sin aplicar involuntariamente el mismo efecto secundario varias veces.\u003C\u002Fdd>\u003C\u002Fdiv>\u003C\u002Fdl>\u003C\u002Fsection>\n\u003Ch2 id=\"section-131\">Conclusión\u003C\u002Fh2>\n\u003Cp>La IA agéntica no es simplemente un modelo más inteligente o un chatbot con más herramientas. Es una arquitectura de sistema en la que un modelo participa en un bucle de control iterativo: decidir, actuar, observar, actualizar y continuar.\u003C\u002Fp>\n\u003Cp>El modelo proporciona una toma de decisiones flexible, pero el entorno de ejecución circundante debe ser responsable de la realidad de la ejecución: permisos, acceso a herramientas, estado, aprobaciones, reintentos, presupuestos, condiciones de parada, trazabilidad y verificación.\u003C\u002Fp>\n\u003Cp>El principio de diseño más útil es, por tanto: delegar la elección táctica al modelo solo dentro de límites técnicos y de negocio explícitos. La capacidad agéntica se convierte en capacidad de producción solo cuando la autonomía, la autoridad y la evidencia permanecen separables.\u003C\u002Fp>\n\u003Ch2 id=\"section-135\">Fuentes primarias y orientación actual\u003C\u002Fh2>\n\u003Cp>Las fuentes a continuación respaldan las distinciones arquitectónicas actuales en torno a agentes, flujos de trabajo, bucles, herramientas, orquestación, seguridad y evaluación. Las secciones del proyecto son evidencia de implementación original y están explícitamente limitadas a lo que demuestran los repositorios.\u003C\u002Fp>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Agentes\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación actual para desarrolladores que define opciones de entorno de ejecución para trabajo de múltiples pasos, herramientas, estado, orquestación y ejecución de agentes.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Definiciones de agentes\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentación actual que describe un agente como un modelo más instrucciones y comportamiento opcional del entorno de ejecución, incluidas herramientas, barreras de protección, servidores MCP y transferencias.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Ejecución de agentes\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Documentación actual del bucle del agente: llamada al modelo, ejecución de herramientas o transferencia, continuación y punto de parada final.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Orquestación y transferencias\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación actual sobre transferencias, agentes como herramientas y cuándo los agentes especialistas añaden límites útiles de propiedad o capacidad.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">OpenAI — Seguridad en la creación de agentes\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación actual de seguridad que cubre aprobaciones de herramientas, inyección de prompts, barreras de protección y evaluación basada en trazas.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Creación de agentes eficaces\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación de ingeniería que distingue flujos de trabajo predefinidos de agentes dirigidos por el modelo y describe bucles de retroalimentación del entorno basados en herramientas.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Ingeniería de contexto eficaz para agentes de IA\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Enfoque práctico de los agentes como LLM que utilizan herramientas de forma autónoma en un bucle, con gestión dinámica de contexto justo a tiempo.\u003C\u002Fp>\u003C\u002Fa>\n\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents\" target=\"_blank\" rel=\"noopener noreferrer\" class=\"editorjs-link-tool block border border-gray-200 dark:border-gray-700 rounded-lg p-4 transition text-gray-900 dark:text-gray-100 hover:border-primary-500 hover:bg-primary-50 dark:hover:bg-gray-900 hover:text-gray-900 dark:hover:text-gray-100\">\u003Cstrong class=\"block font-semibold\">Anthropic — Desmitificación de las evaluaciones para agentes de IA\u003C\u002Fstrong>\u003Cp class=\"text-sm text-gray-600 dark:text-gray-400\">Orientación de 2026 sobre la evaluación de agentes multiturno que llaman a herramientas, modifican el estado y se adaptan a resultados intermedios.\u003C\u002Fp>\u003C\u002Fa>",{"time":212,"blocks":213,"version":1539},1791481710090,[214,220,228,235,242,250,255,260,265,270,275,280,285,290,319,324,329,334,339,371,376,381,414,419,424,468,473,478,483,490,495,500,505,510,515,544,549,554,559,564,569,574,579,584,589,594,599,605,610,615,620,625,630,635,644,649,654,659,664,689,694,699,704,709,714,749,754,759,764,769,774,779,784,789,794,799,804,812,817,822,827,832,840,845,885,890,895,900,905,953,958,987,992,997,1002,1007,1012,1017,1022,1027,1032,1037,1042,1068,1074,1079,1123,1128,1166,1171,1213,1218,1264,1269,1274,1279,1284,1289,1294,1299,1304,1309,1314,1319,1324,1329,1334,1339,1381,1386,1436,1441,1446,1451,1456,1461,1466,1476,1485,1494,1503,1512,1521,1530],{"id":215,"data":216,"type":218,"tunes":219},"intro",{"text":217},"La IA agéntica es un sistema de IA en el que un modelo puede perseguir un objetivo a lo largo de múltiples pasos decidiendo qué hacer a continuación, utilizando herramientas u otras capacidades, observando los resultados, actualizando su estado de trabajo y continuando hasta alcanzar una condición de parada. El modelo por sí solo no es el agente. Un agente utilizable también necesita un entorno de ejecución o harness que gestione el contexto, la ejecución de herramientas, el estado, los permisos, las aprobaciones, los errores y el bucle entre decisiones y observaciones.","paragraph",{},{"id":221,"data":222,"type":226,"tunes":227},"direct",{"body":223,"title":224,"variant":225},"Una llamada normal a un modelo suele ser \u003Cstrong>entrada → modelo → salida\u003C\u002Fstrong>. Un sistema agéntico se acerca más a \u003Cstrong>objetivo → decisión → herramienta\u002Facción → observación → decisión actualizada → … → resultado\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>La distinción crítica no es si una aplicación utiliza un LLM o llamadas a funciones. Es si el sistema otorga al modelo un control significativo sobre el siguiente paso de un proceso de múltiples pasos mientras un entorno de ejecución restringe lo que el modelo tiene realmente permitido hacer.","Respuesta directa","info","callout",{},{"id":229,"data":230,"type":226,"tunes":234},"boundary",{"body":231,"title":232,"variant":233},"Un modelo puede saber cómo llamar a una herramienta. Un entorno de ejecución puede exponer esa herramienta. Ninguno de estos hechos significa que el usuario o agente actual esté autorizado a ejecutar la acción de negocio subyacente. \u003Cstrong>La capacidad de la herramienta, el permiso de la herramienta y la autoridad de negocio son capas separadas.\u003C\u002Fstrong>","La capacidad no es autoridad","warning",{},{"id":236,"data":237,"type":226,"tunes":241},"current",{"body":238,"title":239,"variant":240},"La terminología sobre agentes aún varía entre proveedores y comunidades de investigación. OpenAI define actualmente los entornos de ejecución de agentes en torno al trabajo de múltiples pasos, las herramientas, el estado y la orquestación. La distinción práctica de Anthropic sigue siendo útil: los flujos de trabajo siguen rutas de código predefinidas, mientras que los agentes dirigen dinámicamente su propio proceso y uso de herramientas. Por lo tanto, este artículo trata la «IA agéntica» como un espectro arquitectónico más que como una categoría de producto estandarizada.","Nota de fuentes actuales — 8 de octubre de 2026","note",{},{"id":243,"data":244,"type":248,"tunes":249},"toc",{"title":245,"maxLevel":246,"minLevel":247},"Contenido",3,2,"tableOfContents",{},{"id":251,"data":252,"type":42,"tunes":254},"h-meaning",{"text":253,"level":247},"Qué significa realmente la IA agéntica",{},{"id":256,"data":257,"type":218,"tunes":259},"p-meaning-1",{"text":258},"El cambio importante de la IA generativa ordinaria a la IA agéntica es el control sobre el proceso. Un asistente normal puede responder a una pregunta utilizando el contexto que recibe. Un agente puede decidir que responder requiere pasos adicionales: inspeccionar un archivo, buscar en un repositorio, consultar una API, pedir aclaraciones, ejecutar una prueba, actualizar un ticket, delegar una subtarea o reintentar tras una acción fallida.",{},{"id":261,"data":262,"type":218,"tunes":264},"p-meaning-2",{"text":263},"Esto no requiere una autonomía ilimitada. Un agente puede operar dentro de un entorno aislado y limitado, bajo permisos estrictos, con aprobación requerida antes de cada acción trascendental. El sistema sigue siendo agéntico si el modelo elige dinámicamente entre los siguientes pasos permitidos.",{},{"id":266,"data":267,"type":218,"tunes":269},"p-meaning-3",{"text":268},"Por lo tanto, la arquitectura importa más que la etiqueta. «Agente» debería describir un comportamiento del sistema: toma de decisiones iterativa impulsada por el modelo sobre herramientas, estado y retroalimentación — no simplemente un chatbot con un prompt más grande.",{},{"id":271,"data":272,"type":42,"tunes":274},"h-simple",{"text":273,"level":247},"El ejemplo más simple",{},{"id":276,"data":277,"type":218,"tunes":279},"p-simple-1",{"text":278},"Supongamos que un desarrollador le pide a un sistema de IA: «Encuentra por qué falla la suite de pruebas y corrige el error». Una sola llamada al modelo solo podría sugerir causas probables a partir del texto que se le proporcionó.",{},{"id":281,"data":282,"type":218,"tunes":284},"p-simple-2",{"text":283},"Un sistema de programación agéntico puede inspeccionar el repositorio, buscar la prueba que falla, leer los archivos relevantes, proponer un cambio, editar el código, ejecutar la prueba, observar el fallo, revisar la implementación y ejecutar la prueba de nuevo.",{},{"id":286,"data":287,"type":218,"tunes":289},"p-simple-3",{"text":288},"La parte agéntica no es simplemente que existan herramientas de shell y de archivos. Es que el modelo puede usar la retroalimentación del entorno para elegir el siguiente paso en lugar de seguir una secuencia completamente predefinida.",{},{"id":291,"data":292,"type":317,"tunes":318},"simple-loop",{"steps":293,"title":315,"orientation":316},[294,297,300,303,306,309,312],{"label":295,"description":296},"1. Recibir un objetivo","El usuario o el sistema anterior define el objetivo y las restricciones relevantes.",{"label":298,"description":299},"2. Construir el contexto actual","El entorno de ejecución proporciona instrucciones, estado, historial, memoria, herramientas y evidencia actual.",{"label":301,"description":302},"3. El modelo decide el siguiente paso","El modelo puede responder, llamar a una herramienta, solicitar información, delegar o detenerse.",{"label":304,"description":305},"4. El entorno de ejecución valida la solicitud","Los permisos, esquemas, aprobaciones y políticas determinan si la acción propuesta puede ejecutarse.",{"label":307,"description":308},"5. Ejecutar la herramienta o acción","El entorno externo cambia o devuelve nueva información.",{"label":310,"description":311},"6. Observar el resultado","El entorno de ejecución devuelve la salida estructurada de la herramienta, los errores o los cambios de estado al siguiente paso del modelo.",{"label":313,"description":314},"7. Continuar o detenerse","El bucle se repite hasta el éxito, el rechazo, la escalada, el límite de presupuesto, el tiempo de espera agotado u otra condición de parada.","El bucle básico del agente","auto","processFlow",{},{"id":320,"data":321,"type":42,"tunes":323},"h-stops",{"text":322,"level":247},"Dónde se detiene el ejemplo simple",{},{"id":325,"data":326,"type":218,"tunes":328},"p-stops-1",{"text":327},"No todos los sistemas de IA de múltiples pasos son igualmente agénticos. Un flujo de trabajo puede usar varias llamadas a LLM y herramientas mientras cada paso está predeterminado en el código. Otro sistema puede dejar que el modelo decida qué herramienta llamar, en qué orden, cuántas veces y cuándo detenerse.",{},{"id":330,"data":331,"type":218,"tunes":333},"p-stops-2",{"text":332},"Ambos pueden ser útiles. La diferencia está en dónde reside el control. Los flujos de trabajo predefinidos ponen más control en el código de la aplicación. Los agentes trasladan más decisiones tácticas del proceso al bucle modelo\u002Fentorno de ejecución.",{},{"id":335,"data":336,"type":42,"tunes":338},"h-workflow",{"text":337,"level":247},"Agente vs flujo de trabajo",{},{"id":340,"data":341,"type":369,"tunes":370},"workflow-comparison",{"rows":342,"title":360,"layout":361,"columns":362},[343,348,352,356],{"id":344,"label":345,"values":346},"path","Ruta del proceso",[347,347],"",{"id":349,"label":350,"values":351},"tools","Secuencia de herramientas",[347,347],{"id":353,"label":354,"values":355},"strength","Fortaleza",[347,347],{"id":357,"label":358,"values":359},"risk","Riesgo",[347,347],"Flujo de trabajo predefinido y control agéntico","table",[363,366],{"id":364,"label":365},"workflow","Flujo de trabajo LLM",{"id":367,"label":368},"agent","Agente","comparison",{},{"id":372,"data":373,"type":218,"tunes":375},"p-workflow-1",{"text":374},"Anthropic separa explícitamente estos dos patrones: los flujos de trabajo orquestan modelos y herramientas a través de rutas de código predefinidas, mientras que los agentes permiten que los modelos dirijan dinámicamente sus propios procesos y el uso de herramientas. Esta no es la única terminología posible, pero es un límite arquitectónico útil.",{},{"id":377,"data":378,"type":42,"tunes":380},"h-spectrum",{"text":379,"level":247},"El comportamiento agéntico es un espectro, no una etiqueta binaria",{},{"id":382,"data":383,"type":361,"tunes":413},"spectrum-table",{"content":384,"stretched":43,"withHeadings":14},[385,389,393,397,401,405,409],[386,387,388],"Nivel","Ejemplo","¿Quién decide el siguiente paso?",[390,391,392],"Llamada única al modelo","Resume este documento","La aplicación llama al modelo una vez",[394,395,396],"Respuesta asistida por herramientas","El modelo puede usar búsqueda web antes de responder","El modelo selecciona entre herramientas acotadas para una respuesta",[398,399,400],"Flujo de trabajo estructurado","Clasificar → recuperar → generar → validar","El flujo de trabajo de la aplicación determina las etapas",[402,403,404],"Flujo de trabajo adaptativo","El modelo puede elegir entre varias ramas y reintentar","Control compartido entre la aplicación y el modelo",[406,407,408],"Bucle de agente","El modelo elige repetidamente herramientas\u002Facciones basándose en observaciones","El modelo dirige la ejecución táctica dentro de las restricciones del entorno de ejecución",[410,411,412],"Agente de larga duración","El agente pausa, reanuda, gestiona artefactos y continúa","El modelo + el entorno de ejecución persistente gestionan la ejecución en evolución",{},{"id":415,"data":416,"type":218,"tunes":418},"p-spectrum-1",{"text":417},"Llamar \"agente\" a todos los sistemas anteriores puede ocultar diferencias operativas importantes. Cuanto mayor sea el control del modelo sobre la secuencia, la duración y las acciones, más importantes se vuelven el aislamiento del entorno de ejecución, los permisos, el trazado, las condiciones de parada y la evaluación de trayectorias.",{},{"id":420,"data":421,"type":42,"tunes":423},"h-anatomy",{"text":422,"level":247},"La arquitectura mínima de un sistema agéntico",{},{"id":425,"data":426,"type":361,"tunes":467},"anatomy-table",{"content":427,"stretched":43,"withHeadings":14},[428,431,434,437,440,443,446,449,452,455,458,461,464],[429,430],"Componente","Responsabilidad",[432,433],"Objetivo \u002F tarea","Define lo que el sistema intenta lograr.",[435,436],"Modelo","Interpreta el contexto y decide la siguiente acción o salida.",[438,439],"Instrucciones","Definen el rol, las restricciones, las prioridades y la política específica de la tarea.",[441,442],"Ensamblador de contexto","Construye la información visible para el modelo en cada paso.",[444,445],"Catálogo de herramientas","Define las capacidades que el modelo puede solicitar.",[447,448],"Entorno de ejecución \u002F arnés","Ejecuta el bucle, ejecuta herramientas, gestiona el estado y maneja las condiciones de parada.",[450,451],"Capa de autorización","Determina si una acción propuesta está permitida para el principal actual.",[453,454],"Estado \u002F sesión","Preserva el progreso de la tarea a lo largo de turnos o pasos de ejecución.",[456,457],"Canal de observación","Devuelve los resultados de las herramientas y los cambios del entorno al siguiente paso del modelo.",[459,460],"Aprobaciones \u002F control humano","Pausa las acciones consecuentes donde se requiere revisión.",[462,463],"Trazado \u002F auditoría","Registra llamadas al modelo, herramientas, transiciones, aprobaciones y fallos.",[465,466],"Evaluación","Mide los resultados y las trayectorias de ejecución frente a los criterios de aceptación.",{},{"id":469,"data":470,"type":42,"tunes":472},"h-model-agent",{"text":471,"level":247},"Un modelo no es un agente",{},{"id":474,"data":475,"type":218,"tunes":477},"p-model-agent-1",{"text":476},"Un modelo de lenguaje produce salidas a partir de entradas. Por sí mismo no posee un sistema de archivos, no ejecuta un comando de shell, no mantiene un estado de tarea duradero, no aplica permisos ni se llama automáticamente a sí mismo de nuevo.",{},{"id":479,"data":480,"type":218,"tunes":482},"p-model-agent-2",{"text":481},"Esas capacidades provienen del entorno de ejecución circundante. El mismo modelo puede comportarse como un modelo de chat simple en una aplicación y como el motor de decisión dentro de un bucle de agente en otra.",{},{"id":484,"data":485,"type":226,"tunes":489},"model-agent-rule",{"body":486,"title":487,"variant":488},"\u003Cstrong>La capacidad del modelo determina qué decisiones se pueden proponer. La arquitectura del entorno de ejecución determina qué puede suceder realmente.\u003C\u002Fstrong>","Regla de arquitectura","success",{},{"id":491,"data":492,"type":42,"tunes":494},"h-tools",{"text":493,"level":247},"El uso de herramientas es central, pero el uso de herramientas por sí solo no convierte algo en un agente",{},{"id":496,"data":497,"type":218,"tunes":499},"p-tools-1",{"text":498},"Las herramientas permiten al modelo adquirir información y afectar sistemas externos. Los ejemplos incluyen lecturas de bases de datos, operaciones con archivos, ejecución de shell, búsqueda web, control del navegador, llamadas a API, actualizaciones de tickets o agentes especialistas delegados.",{},{"id":501,"data":502,"type":218,"tunes":504},"p-tools-2",{"text":503},"Una única llamada al modelo puede usar una herramienta y seguir siendo una respuesta acotada asistida por herramientas en lugar de un agente de larga duración. El comportamiento agéntico aparece cuando las observaciones de las herramientas alimentan un bucle adaptativo en el que el modelo elige qué hacer a continuación.",{},{"id":506,"data":507,"type":218,"tunes":509},"p-tools-3",{"text":508},"El diseño de las herramientas importa porque las herramientas son el contrato entre el razonamiento del modelo y la realidad externa. Las herramientas ambiguas o superpuestas crean errores de enrutamiento; las salidas grandes y no estructuradas contaminan el contexto; las herramientas amplias con efectos secundarios aumentan el radio de impacto.",{},{"id":511,"data":512,"type":42,"tunes":514},"h-capability-permission",{"text":513,"level":247},"Capacidad, permiso y autoridad de las herramientas son diferentes",{},{"id":516,"data":517,"type":361,"tunes":543},"permission-table",{"content":518,"stretched":43,"withHeadings":14},[519,522,525,528,531,534,537,540],[520,521],"Capa","Pregunta",[523,524],"Capacidad","¿Puede este entorno de ejecución realizar técnicamente la operación?",[526,527],"Exposición de herramientas","¿Está esa capacidad disponible para este agente?",[529,530],"Permiso","¿Puede este agente\u002Fsesión usarla bajo la política actual?",[532,533],"Autorización del usuario","¿Se permite al principal solicitante causar esta operación?",[535,536],"Autoridad de negocio","¿Es la operación válida bajo las reglas de dominio, aprobaciones y límites?",[538,539],"Ejecución","¿Ocurrió realmente la operación?",[541,542],"Auditoría","¿Puede el sistema probar quién la solicitó, aprobó y ejecutó?",{},{"id":545,"data":546,"type":218,"tunes":548},"p-permission-1",{"text":547},"Estas capas con frecuencia se colapsan en los prototipos. Un modelo ve una herramienta de reembolso y, por lo tanto, parece capaz de emitir reembolsos. En producción, la herramienta aún debe validar la cuenta, el usuario, la transacción, el monto, la política y las condiciones de aprobación independientemente de la solicitud del modelo.",{},{"id":550,"data":551,"type":42,"tunes":553},"h-runtime",{"text":552,"level":247},"El runtime o harness es el sistema de ejecución real",{},{"id":555,"data":556,"type":218,"tunes":558},"p-runtime-1",{"text":557},"La documentación actual de agentes de OpenAI hace explícita la distinción del runtime. Diferentes runtimes pueden gestionar la orquestación, el estado, las herramientas, los sandboxes y la ejecución en distintos lugares, mientras que el modelo sigue siendo solo una parte del sistema.",{},{"id":560,"data":561,"type":218,"tunes":563},"p-runtime-2",{"text":562},"El Agents SDK describe un bucle que llama repetidamente al modelo actual, inspecciona la salida, ejecuta las herramientas o handoffs solicitados y continúa hasta que el modelo devuelve una respuesta final u otro punto de parada real.",{},{"id":565,"data":566,"type":218,"tunes":568},"p-runtime-3",{"text":567},"Esto significa que las decisiones de arquitectura de agentes incluyen dónde se ejecuta la orquestación, dónde vive el estado, quién ejecuta las herramientas, qué sandbox contiene los efectos secundarios y quién es responsable de los reintentos, los timeouts y la reanudabilidad.",{},{"id":570,"data":571,"type":42,"tunes":573},"h-planning",{"text":572,"level":247},"La planificación es útil, pero no se requiere un plan explícito",{},{"id":575,"data":576,"type":218,"tunes":578},"p-planning-1",{"text":577},"A menudo se describe a los agentes como sistemas que “planifican”. En la práctica, la planificación puede ser explícita o implícita. Un agente puede producir primero un plan visible de varios pasos, o puede elegir una acción siguiente a la vez y revisarla después de cada observación.",{},{"id":580,"data":581,"type":218,"tunes":583},"p-planning-2",{"text":582},"Para tareas altamente inciertas, la planificación de horizonte corto puede ser más segura porque el entorno puede invalidar un plan largo. El requisito arquitectónico es la capacidad de elegir y revisar acciones basándose en el objetivo, el estado actual y la nueva evidencia.",{},{"id":585,"data":586,"type":42,"tunes":588},"h-feedback",{"text":587,"level":247},"La retroalimentación del entorno es lo que hace útil el bucle",{},{"id":590,"data":591,"type":218,"tunes":593},"p-feedback-1",{"text":592},"Un agente se vuelve operativamente significativo cuando puede observar si su acción funcionó. La salida de las herramientas, los resultados de las pruebas, las respuestas de la API, el estado del sistema de archivos, el estado del navegador y los registros de la aplicación proporcionan evidencia externa que el sistema puede usar para revisar su siguiente decisión.",{},{"id":595,"data":596,"type":218,"tunes":598},"p-feedback-2",{"text":597},"La guía de agentes de Anthropic enfatiza este bucle de retroalimentación: los agentes usan herramientas, obtienen la verdad fundamental del entorno, evalúan el progreso y continúan o solicitan la intervención humana.",{},{"id":600,"data":601,"type":226,"tunes":604},"feedback-rule",{"body":602,"title":603,"variant":233},"Que un agente diga “la tarea está completa” no prueba que se haya completado. Cuando sea posible, verifica el estado final a través de un sistema externo, una prueba, un archivo, un registro de transacción u otro resultado observable.","El autoinforme no es prueba del entorno",{},{"id":606,"data":607,"type":42,"tunes":609},"h-state",{"text":608,"level":247},"El estado del agente no es lo mismo que el contexto del modelo",{},{"id":611,"data":612,"type":218,"tunes":614},"p-state-1",{"text":613},"Una tarea de larga duración puede necesitar un estado que no puede o no debe permanecer en el contexto del modelo: IDs de tareas, checkpoints, artefactos, aprobaciones, identificadores de objetos externos, contadores de reintentos y estado del flujo de trabajo.",{},{"id":616,"data":617,"type":218,"tunes":619},"p-state-2",{"text":618},"El runtime puede preservar este estado duradero fuera de la ventana del modelo y reconstruir el contexto necesario para el siguiente paso. Esto mantiene el contexto visible para el modelo enfocado mientras mantiene la continuidad y la reanudabilidad.",{},{"id":621,"data":622,"type":42,"tunes":624},"h-memory",{"text":623,"level":247},"La memoria es opcional, no la definición de un agente",{},{"id":626,"data":627,"type":218,"tunes":629},"p-memory-1",{"text":628},"Un agente puede operar con éxito sin memoria a largo plazo si la tarea completa cabe dentro de una ejecución acotada. La memoria se vuelve útil cuando la información debe persistir entre sesiones, tareas o largos horizontes de ejecución.",{},{"id":631,"data":632,"type":218,"tunes":634},"p-memory-2",{"text":633},"RAG, memoria, estado y contexto resuelven problemas diferentes. Tratar una base de datos vectorial como “la memoria del agente” o el historial de conversación como “la máquina de estados” generalmente oculta límites importantes de ciclo de vida y autoridad.",{},{"id":636,"data":637,"type":642,"tunes":643},"ref-memory",{"url":638,"title":639,"excerpt":640,"ctaLabel":641},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La memoria del agente de IA no es RAG: cómo separar memoria, recuperación, estado y contexto","Una arquitectura práctica que separa la memoria persistente, el estado autoritativo de la aplicación, la recuperación y el contexto proporcionado al modelo.","Leer el artículo sobre arquitectura de memoria","referralArticle",{},{"id":645,"data":646,"type":42,"tunes":648},"h-context",{"text":647,"level":247},"La ingeniería de contexto se vuelve dinámica en los agentes",{},{"id":650,"data":651,"type":218,"tunes":653},"p-context-1",{"text":652},"Cada llamada a una herramienta puede producir nuevo contexto. Cada paso también puede dejar obsoleta la información anterior. Por lo tanto, un runtime de agente sólido reconstruye o depura el contexto a medida que avanza la ejecución en lugar de reproducir todo indefinidamente.",{},{"id":655,"data":656,"type":218,"tunes":658},"p-context-2",{"text":657},"Las definiciones de herramientas, el estado de la tarea, la evidencia recuperada, las observaciones y la memoria compiten por la atención del modelo. Los agentes de larga duración necesitan recorte, compactación o carga justo a tiempo para que el contexto siga siendo relevante para la decisión actual.",{},{"id":660,"data":661,"type":42,"tunes":663},"h-sideeffects",{"text":662,"level":247},"Las herramientas de lectura y las herramientas con efectos secundarios tienen distinto riesgo",{},{"id":665,"data":666,"type":369,"tunes":688},"sideeffect-comparison",{"rows":667,"title":680,"layout":361,"columns":681},[668,672,676],{"id":669,"label":670,"values":671},"examples","Ejemplos",[347,347],{"id":673,"label":674,"values":675},"mainrisk","Riesgo principal",[347,347],{"id":677,"label":678,"values":679},"control","Control típico",[347,347],"Acceso a información versus acción externa",[682,685],{"id":683,"label":684},"read","Leer \u002F observar",{"id":686,"label":687},"write","Escribir \u002F actuar",{},{"id":690,"data":691,"type":42,"tunes":693},"h-approval",{"text":692,"level":247},"El humano en el bucle es un mecanismo de control, no lo opuesto a la IA agéntica",{},{"id":695,"data":696,"type":218,"tunes":698},"p-approval-1",{"text":697},"Un agente no deja de ser agéntico porque un humano apruebe pasos trascendentales. El modelo aún puede inspeccionar, razonar, buscar y preparar una acción de forma autónoma mientras el runtime requiere confirmación humana antes de la ejecución.",{},{"id":700,"data":701,"type":218,"tunes":703},"p-approval-2",{"text":702},"La guía actual de seguridad de agentes de OpenAI recomienda explícitamente aprobaciones para operaciones con herramientas en flujos de trabajo de mayor riesgo. Anthropic también enfatiza los puntos de control y el juicio humano cuando los agentes encuentran bloqueos o decisiones trascendentales.",{},{"id":705,"data":706,"type":218,"tunes":708},"p-approval-3",{"text":707},"La pregunta arquitectónica útil no es “¿humano o autónomo?” sino ¿qué decisiones pueden delegarse, cuáles requieren revisión y cuáles deben permanecer deterministas?",{},{"id":710,"data":711,"type":42,"tunes":713},"h-stopping",{"text":712,"level":247},"Los agentes necesitan condiciones de parada explícitas",{},{"id":715,"data":716,"type":361,"tunes":748},"stop-table",{"content":717,"stretched":43,"withHeadings":14},[718,721,724,727,730,733,736,739,742,745],[719,720],"Condición de parada","Propósito",[722,723],"Resultado exitoso verificado","Terminar cuando se confirma el estado objetivo externo.",[725,726],"Máximo de pasos","Prevenir bucles descontrolados.",[728,729],"Presupuesto de tiempo","Acotar la ejecución en tiempo real.",[731,732],"Presupuesto de costo\u002Ftokens","Limitar el consumo de recursos.",[734,735],"Detector de acciones repetidas","Detener bucles que ya no avanzan.",[737,738],"Límite de permisos","Pausar o detener cuando la siguiente acción requerida no está permitida.",[740,741],"Punto de control de aprobación humana","Esperar antes de una ejecución trascendental.",[743,744],"Fallo irrecuperable de herramienta","Escalar en lugar de reintentar indefinidamente.",[746,747],"Umbral de incertidumbre","Pedir aclaración cuando la tarea no puede inferirse de forma segura.",{},{"id":750,"data":751,"type":42,"tunes":753},"h-errors",{"text":752,"level":247},"La recuperación es parte del comportamiento del agente",{},{"id":755,"data":756,"type":218,"tunes":758},"p-errors-1",{"text":757},"Los agentes operan en entornos que fallan: las API se agotan, los archivos cambian, las credenciales expiran, las páginas web se mueven y las herramientas devuelven resultados malformados. Por lo tanto, un sistema agéntico útil necesita comportamiento de recuperación, no solo un bucle de herramientas en el camino feliz.",{},{"id":760,"data":761,"type":218,"tunes":763},"p-errors-2",{"text":762},"La recuperación puede incluir reintentar con límites, elegir otra herramienta, volver a leer el estado actual, preguntar al usuario, revertir una acción parcial o escalar a un humano.",{},{"id":765,"data":766,"type":218,"tunes":768},"p-errors-3",{"text":767},"Los reintentos también necesitan conciencia de idempotencia. Repetir una lectura suele ser de bajo riesgo; repetir un pago o el envío de un mensaje puede crear efectos secundarios duplicados.",{},{"id":770,"data":771,"type":42,"tunes":773},"h-single-multi",{"text":772,"level":247},"La IA agéntica no requiere múltiples agentes",{},{"id":775,"data":776,"type":218,"tunes":778},"p-multi-1",{"text":777},"Un solo agente con un conjunto de herramientas claro suele ser más simple y más fácil de evaluar que una arquitectura multiagente. Varios agentes son útiles cuando la especialización mejora materialmente el aislamiento de herramientas, el aislamiento de políticas, la claridad de los prompts, la propiedad o la legibilidad del rastro.",{},{"id":780,"data":781,"type":218,"tunes":783},"p-multi-2",{"text":782},"La guía actual de orquestación de OpenAI recomienda explícitamente comenzar con un solo agente cuando sea posible y añadir especialistas solo cuando el contrato o el límite de propiedad cambien materialmente.",{},{"id":785,"data":786,"type":218,"tunes":788},"p-multi-3",{"text":787},"Los sistemas multiagente añaden nuevos problemas: calidad de la delegación, contexto duplicado, estado en conflicto, semántica de transferencia, identidad, costo y manejo de fallos distribuidos.",{},{"id":790,"data":791,"type":42,"tunes":793},"h-protocols",{"text":792,"level":247},"Los protocolos de agentes son capas de interoperabilidad, no el agente en sí",{},{"id":795,"data":796,"type":218,"tunes":798},"p-protocols-1",{"text":797},"Protocolos como MCP y A2A pueden hacer que una arquitectura de agentes sea interoperable, pero no crean el bucle del agente por sí mismos. MCP puede exponer herramientas y recursos. A2A puede conectar agentes implementados de forma independiente. La aplicación aún necesita tiempo de ejecución, autorización, estado, evaluación y lógica de dominio.",{},{"id":800,"data":801,"type":218,"tunes":803},"p-protocols-2",{"text":802},"Por eso la capacidad del protocolo debe permanecer separada de la autoridad de negocio. Descubrir una herramienta a través de MCP no prueba que el principal actual tenga permitido usarla. Recibir una tarea a través de A2A no prueba que el agente remoto pueda realizar todas las acciones solicitadas.",{},{"id":805,"data":806,"type":642,"tunes":811},"ref-protocols",{"url":807,"title":808,"excerpt":809,"ctaLabel":810},"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP vs A2A vs UCP vs AP2 vs A2UI: La pila de protocolos de agentes explicada","Un mapa de responsabilidades de protocolos que muestra por qué el acceso a herramientas, la colaboración entre agentes, el comercio, la autoridad de pago y la interfaz impulsada por agentes pertenecen a diferentes límites de interoperabilidad.","Leer la pila de protocolos de agentes",{},{"id":813,"data":814,"type":42,"tunes":816},"h-reliability",{"text":815,"level":247},"La trayectoria es parte de la confiabilidad del agente",{},{"id":818,"data":819,"type":218,"tunes":821},"p-rel-1",{"text":820},"Una respuesta final es evidencia insuficiente para un sistema agéntico porque un agente puede llegar al resultado correcto a través de una ruta insegura o inválida. Puede usar una herramienta no autorizada, omitir una verificación requerida, reintentar un efecto secundario, depender de un estado obsoleto o tener éxito por accidente.",{},{"id":823,"data":824,"type":218,"tunes":826},"p-rel-2",{"text":825},"Por lo tanto, la evaluación necesita trazas de ejecución: decisiones, llamadas a herramientas, aprobaciones, observaciones, cambios de estado y resultado final. La guía de seguridad actual de OpenAI recomienda evaluadores de trazas y evaluaciones; la guía de evaluación de agentes de Anthropic de 2026 también trata las trayectorias de herramientas multiturno como objetos de evaluación de primera clase.",{},{"id":828,"data":829,"type":218,"tunes":831},"p-rel-3",{"text":830},"La pregunta de confiabilidad más fuerte es: ¿El agente alcanzó un resultado aceptable a través de una trayectoria aceptable, recuperable y auditable?",{},{"id":833,"data":834,"type":642,"tunes":839},"ref-reliability",{"url":835,"title":836,"excerpt":837,"ctaLabel":838},"https:\u002F\u002Fstajic.de\u002Fes\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough","Confiabilidad de agentes de IA: por qué la respuesta final no es suficiente","Por qué la evaluación en producción debe inspeccionar trayectorias, uso de herramientas, transiciones de estado y recuperabilidad en lugar de solo respuestas finales.","Leer el artículo de confiabilidad",{},{"id":841,"data":842,"type":42,"tunes":844},"h-security",{"text":843,"level":247},"Los sistemas agénticos aumentan la superficie de seguridad",{},{"id":846,"data":847,"type":361,"tunes":884},"security-table",{"content":848,"stretched":43,"withHeadings":14},[849,852,856,860,864,868,872,876,880],[358,850,851],"Por qué los agentes lo amplifican","Respuesta de arquitectura",[853,854,855],"Inyección de prompt","El contenido no confiable puede influir en decisiones futuras de herramientas","Separar instrucciones de datos; restringir herramientas; sanear o estructurar la entrada externa cuando sea posible",[857,858,859],"Permisos excesivos","Los errores de razonamiento pueden convertirse en efectos secundarios reales","Mínimo privilegio, credenciales con alcance limitado, política por herramienta y aprobaciones",[861,862,863],"Exposición de credenciales","Las herramientas pueden necesitar secretos potentes","Mantener los secretos fuera del contexto del modelo; intermediar el acceso a través de un tiempo de ejecución confiable",[865,866,867],"Diputado confundido","El agente puede actuar con una autoridad más amplia que el usuario solicitante","Vincular la ejecución a la identidad del usuario\u002Fservicio y reautorizar acciones trascendentales",[869,870,871],"Bucles descontrolados","El modelo llama repetidamente a herramientas sin progreso","Presupuestos de pasos, tiempo y costo más detección de bucles",[873,874,875],"Deriva de estado","El entorno cambia después de que el agente formó un plan","Volver a leer el estado autoritativo antes de acciones trascendentales",[877,878,879],"Inyección indirecta","El contenido de herramientas\u002Fweb\u002Fdocumentos contiene instrucciones dirigidas al modelo","Tratar el contenido externo como datos no confiables, no como autoridad de instrucción",[881,882,883],"Brecha de auditoría","El resultado final no puede mostrar qué se ejecutó","Rastrear llamadas a herramientas, aprobaciones, identidades y cambios de estado",{},{"id":886,"data":887,"type":42,"tunes":889},"h-observability",{"text":888,"level":247},"La observabilidad del agente debe seguir el bucle",{},{"id":891,"data":892,"type":218,"tunes":894},"p-obs-1",{"text":893},"La observabilidad tradicional de servicios registra solicitudes, latencia y errores. La observabilidad de agentes necesita un modelo de ejecución adicional: qué agente estaba activo, qué versión del modelo tomó la decisión, qué contexto estaba disponible, qué herramienta se seleccionó, qué argumentos se enviaron, qué resultado regresó y por qué se detuvo la ejecución.",{},{"id":896,"data":897,"type":218,"tunes":899},"p-obs-2",{"text":898},"Para sistemas sensibles, las trazas mismas requieren control de acceso y política de retención porque los prompts, las salidas de herramientas y los artefactos pueden contener datos confidenciales.",{},{"id":901,"data":902,"type":42,"tunes":904},"h-eval",{"text":903,"level":247},"Cómo evaluar un sistema agéntico",{},{"id":906,"data":907,"type":361,"tunes":952},"eval-table",{"content":908,"stretched":43,"withHeadings":14},[909,912,916,920,924,928,932,936,940,944,948],[910,521,911],"Dimensión","Evidencia de ejemplo",[913,914,915],"Éxito de la tarea","¿Ocurrió el resultado solicitado?","Estado externo, pruebas, resultado de negocio",[917,918,919],"Calidad de la trayectoria","¿Fueron aceptables los pasos?","Traza de herramientas\u002Facciones",[921,922,923],"Selección de herramientas","¿El agente eligió capacidades apropiadas?","Llamadas a herramientas esperadas vs reales",[925,926,927],"Cumplimiento de permisos","¿Se mantuvo dentro de la autoridad permitida?","Registros de autorización y pruebas de acciones denegadas",[929,930,931],"Manejo del estado","¿Usó el estado autoritativo actual?","Verificaciones de frescura y pruebas de cambio de estado",[933,934,935],"Recuperación","¿Respondió correctamente a los fallos?","Escenarios de tiempo de espera\u002Ferror inyectados",[937,938,939],"Comportamiento de detención","¿Se detuvo en el punto correcto?","Recuentos de pasos, detección de bucles, prueba del estado final",[941,942,943],"Escalado humano","¿Preguntó cuando se requería revisión?","Trazas de aprobación\u002Fescalado",[945,946,947],"Costo\u002Flatencia","¿Valió la pena el costo operativo de la autonomía?","Tokens, llamadas a herramientas, duración",[949,950,951],"Robustez","¿Sobrevive a la variación realista del entorno?","Ensayos repetidos y adversarios",{},{"id":954,"data":955,"type":42,"tunes":957},"h-use",{"text":956,"level":247},"Cuándo es apropiado un agente",{},{"id":959,"data":960,"type":361,"tunes":986},"use-table",{"content":961,"stretched":43,"withHeadings":14},[962,965,968,971,974,977,980,983],[963,964],"Usa un agente cuando","Prefiere un flujo de trabajo o una llamada simple cuando",[966,967],"El número o el orden de los pasos no se puede conocer de forma fiable de antemano","La secuencia es estable y determinista",[969,970],"El sistema debe inspeccionar el entorno y adaptarse","Un único paso de recuperación + generación es suficiente",[972,973],"Varias herramientas pueden ser útiles según los resultados intermedios","Una llamada a una API conocida resuelve la tarea",[975,976],"La tarea se beneficia de verificación o reparación iterativa","La respuesta se puede producir directamente a partir del contexto proporcionado",[978,979],"Los fallos requieren un comportamiento de recuperación flexible","Las ramas de fallo son simples y se pueden codificar explícitamente",[981,982],"Se puede insertar revisión humana en puntos de control significativos","Cada paso es de alto riesgo y debe controlarse manualmente de todos modos",[984,985],"El valor esperado justifica la latencia, el costo y la complejidad adicionales","La previsibilidad y el bajo costo importan más que la flexibilidad",{},{"id":988,"data":989,"type":218,"tunes":991},"p-use-1",{"text":990},"Un buen valor predeterminado es comenzar con la solución más simple que funcione y aumentar la complejidad agéntica solo cuando la flexibilidad produzca un valor medible. Los agentes intercambian previsibilidad, latencia y costo por una ejecución adaptativa.",{},{"id":993,"data":994,"type":42,"tunes":996},"h-implementation",{"text":995,"level":247},"Evidencia de implementación original",{},{"id":998,"data":999,"type":42,"tunes":1001},"h-client",{"text":1000,"level":246},"Cliente de IA Aaasaasa: modelo, entorno de ejecución y permisos son separados",{},{"id":1003,"data":1004,"type":218,"tunes":1006},"p-client-1",{"text":1005},"El Cliente de IA Aaasaasa separa explícitamente agente\u002Fcliente, proveedor, modelo, ubicación del entorno de ejecución y permisos. Su documentación de arquitectura trata los permisos como una política central de herramientas\u002Fespacio de trabajo en lugar de una propiedad del modelo.",{},{"id":1008,"data":1009,"type":218,"tunes":1011},"p-client-2",{"text":1010},"La misma aplicación puede exponer Chat Directo sin herramientas de sistema de archivos ni de shell, mientras que un entorno de ejecución de Codex opera bajo un espacio de trabajo y un perfil de permisos seleccionados. Esto demuestra un límite arquitectónico agéntico central: cambiar la superficie del entorno de ejecución\u002Fherramientas cambia lo que el sistema puede hacer incluso cuando el acceso al modelo sigue disponible.",{},{"id":1013,"data":1014,"type":218,"tunes":1016},"p-client-3",{"text":1015},"El repositorio también distingue un entorno de ejecución local de Codex de la ubicación del modelo: un entorno de ejecución local puede llamar a un modelo en la nube. Esto evita el error común de equiparar “el agente se ejecuta localmente” con “la inferencia es local”.",{},{"id":1018,"data":1019,"type":218,"tunes":1021},"p-client-4",{"text":1020},"La implementación desactiva rutas de ejecución integradas cuyas semánticas de aprobación no satisfacen el modelo de permisos requerido. Esto respalda el principio de que la capacidad del agente no debe eludir la autorización del entorno de ejecución simplemente porque un framework subyacente pueda ejecutar herramientas.",{},{"id":1023,"data":1024,"type":42,"tunes":1026},"h-sot-agent",{"text":1025,"level":246},"Motor de investigación Source of Truth: etapas de investigación agéntica acotadas",{},{"id":1028,"data":1029,"type":218,"tunes":1031},"p-sot-1",{"text":1030},"El Motor de investigación Source of Truth utiliza un pipeline de investigación acotado: descubrir → adquirir → extraer → verificar → contradecir → sintetizar. Los trabajos de investigación pueden ejecutarse a través de un entorno de ejecución de IA mientras que la evidencia, las fuentes, las afirmaciones y las contradicciones permanecen en un almacén persistente externo.",{},{"id":1033,"data":1034,"type":218,"tunes":1036},"p-sot-2",{"text":1035},"Esto es intencionalmente más controlado que un agente de investigación autónomo sin restricciones. Las etapas proporcionan barreras de protección sobre qué tipo de trabajo debe ocurrir a continuación, a la vez que permiten investigación impulsada por el modelo dentro de cada tarea acotada.",{},{"id":1038,"data":1039,"type":218,"tunes":1041},"p-sot-3",{"text":1040},"Esa distinción es evidencia útil para el diseño de agentes: la autonomía puede colocarse dentro de un envoltorio de entrega estructurado en lugar de aplicarse uniformemente a todo el proceso.",{},{"id":1043,"data":1044,"type":361,"tunes":1067},"impl-table",{"content":1045,"stretched":43,"withHeadings":14},[1046,1049,1052,1055,1058,1061,1064],[1047,1048],"Patrón implementado","Lección de arquitectura agéntica",[1050,1051],"Chat Directo no tiene herramientas del sistema operativo","Un modelo puede existir sin capacidad de ejecución agéntica.",[1053,1054],"El entorno de ejecución de Codex tiene un perfil de permisos del espacio de trabajo","La autoridad de las herramientas pertenece a la política del entorno de ejecución, no a la capacidad del modelo.",[1056,1057],"Proveedor\u002Fmodelo\u002Fentorno de ejecución son conceptos separados","La ubicación del arnés del agente y la ubicación de la inferencia son decisiones independientes.",[1059,1060],"Bróker de permisos para entornos de ejecución con capacidad de herramientas","La exposición de capacidades puede centralizarse y gobernarse.",[1062,1063],"Etapas de investigación acotadas","La autonomía puede operar dentro de límites de proceso explícitos.",[1065,1066],"Afirmaciones\u002Fevidencia persistentes fuera del contexto del modelo","El estado del agente y la evidencia no necesitan residir solo en el historial de conversación.",{},{"id":1069,"data":1070,"type":226,"tunes":1073},"impl-boundary",{"body":1071,"title":1072,"variant":240},"Estos proyectos demuestran patrones concretos de agente\u002Fentorno de ejecución, permisos e investigación acotada. No se presentan como prueba de un despliegue comercial a gran escala de agentes autónomos.","Límite de la evidencia",{},{"id":1075,"data":1076,"type":42,"tunes":1078},"h-failures",{"text":1077,"level":247},"Modos de fallo comunes de la IA agéntica",{},{"id":1080,"data":1081,"type":361,"tunes":1122},"failure-table",{"content":1082,"stretched":43,"withHeadings":14},[1083,1086,1089,1092,1095,1098,1101,1104,1107,1110,1113,1116,1119],[1084,1085],"Modo de fallo","Qué falló realmente",[1087,1088],"El “agente” es solo un chatbot con herramientas listadas en el prompt","No existe un bucle de entorno de ejecución fiable ni una arquitectura de ejecución de herramientas",[1090,1091],"El soporte de herramientas se trata como permiso","Se colapsan los límites de capacidad y autorización",[1093,1094],"El agente confía en su propia declaración de finalización","El resultado no se verifica contra el estado externo",[1096,1097],"Cada tarea se convierte en multiagente","La complejidad aumenta sin un límite real de propiedad o especialización",[1099,1100],"El historial de conversación se usa como estado duradero","La reanudabilidad y el estado autoritativo se vuelven frágiles",[1102,1103],"El agente reintenta efectos secundarios a ciegas","Se vuelven posibles mensajes, pagos o cambios de estado duplicados",[1105,1106],"Sin límites de pasos\u002Fcosto","El agente puede entrar en bucle indefinidamente o consumir recursos sin control",[1108,1109],"La salida de la herramienta se confía como instrucción","La inyección indirecta de prompts puede redirigir el comportamiento",[1111,1112],"La respuesta final correcta es la única evaluación","Las trayectorias inseguras o inválidas permanecen invisibles",[1114,1115],"La actualización del modelo se trata como transparente","La selección de herramientas, la planificación y el comportamiento de parada pueden cambiar",[1117,1118],"Una herramienta amplia expone muchas operaciones privilegiadas","El radio de impacto aumenta y la intención se vuelve más difícil de validar",[1120,1121],"Existe aprobación humana pero el revisor carece de contexto","La aprobación se vuelve ceremonial en lugar de efectiva",{},{"id":1124,"data":1125,"type":42,"tunes":1127},"h-misconceptions",{"text":1126,"level":247},"Conceptos erróneos comunes",{},{"id":1129,"data":1130,"type":361,"tunes":1165},"misconceptions-table",{"content":1131,"stretched":43,"withHeadings":14},[1132,1135,1138,1141,1144,1147,1150,1153,1156,1159,1162],[1133,1134],"Concepto erróneo","Corrección",[1136,1137],"“Un LLM es un agente.”","El modelo es el componente de decisión; el agente es el sistema circundante que gestiona herramientas, estado e iteración.",[1139,1140],"“Llamar a herramientas significa automáticamente IA agéntica.”","Una única llamada a herramienta acotada puede no implicar un bucle de agente adaptativo de varios pasos.",[1142,1143],"“Los agentes deben ser totalmente autónomos.”","Los sistemas agénticos pueden requerir aprobaciones y operar bajo límites de permisos estrechos.",[1145,1146],"“Los agentes necesitan memoria a largo plazo.”","La memoria es opcional; muchos agentes útiles completan tareas acotadas sin memoria entre sesiones.",[1148,1149],"“Los agentes deben crear primero un plan escrito.”","La planificación puede ser explícita o implícita y puede ocurrir paso a paso.",[1151,1152],"“Multiagente es más avanzado que un solo agente.”","Es más complejo; úsalo solo cuando la especialización o los límites de propiedad lo justifiquen.",[1154,1155],"“MCP crea un agente.”","MCP expone herramientas\u002Frecursos; el entorno de ejecución aún necesita un bucle de agente y un modelo de autorización.",[1157,1158],"“Un entorno de ejecución local significa que el modelo es local.”","La ubicación del entorno de ejecución y la ubicación de la inferencia\u002Fproveedor son separadas.",[1160,1161],"“Si el resultado final es correcto, el agente funcionó correctamente.”","Una trayectoria insegura o no autorizada aún puede producir un resultado correcto.",[1163,1164],"“La aprobación humana elimina la autonomía.”","La aprobación puede restringir acciones seleccionadas mientras el resto del proceso sigue dirigido por el modelo.",{},{"id":1167,"data":1168,"type":42,"tunes":1170},"h-design",{"text":1169,"level":247},"Una secuencia práctica de diseño de agentes",{},{"id":1172,"data":1173,"type":317,"tunes":1212},"design-flow",{"steps":1174,"title":1211,"orientation":316},[1175,1178,1181,1184,1187,1190,1193,1196,1199,1202,1205,1208],{"label":1176,"description":1177},"1. Definir el resultado","Indicar qué resultado externo o artefacto demuestra el éxito de la tarea.",{"label":1179,"description":1180},"2. Decidir si realmente se necesita un agente","Preferir una llamada simple o un flujo de trabajo determinista cuando la ruta es predecible.",{"label":1182,"description":1183},"3. Identificar el estado y la Fuente de Verdad","Definir qué sistemas poseen los hechos actuales, el progreso de la tarea y el estado del negocio.",{"label":1185,"description":1186},"4. Definir la superficie de herramientas","Exponer el conjunto más pequeño de capacidades claras requeridas para la tarea.",{"label":1188,"description":1189},"5. Vincular identidad y permisos","Separar la autoridad del usuario, los permisos del agente\u002Fentorno de ejecución y las capacidades de las herramientas.",{"label":1191,"description":1192},"6. Elegir los límites de autonomía","Especificar qué puede decidir el modelo dinámicamente y qué permanece determinista.",{"label":1194,"description":1195},"7. Agregar puntos de control de aprobación","Requerir revisión antes de acciones trascendentales o irreversibles cuando corresponda.",{"label":1197,"description":1198},"8. Definir la detención y la recuperación","Establecer la prueba de éxito, los presupuestos, los tiempos de espera, los reintentos, la escalada y los controles de bucle.",{"label":1200,"description":1201},"9. Diseñar la gestión de contexto\u002Festado","Mantener el estado actual, la memoria, las observaciones de herramientas y los artefactos duraderos en las capas correctas.",{"label":1203,"description":1204},"10. Rastrear la trayectoria","Registrar suficiente estructura de ejecución para depurar y auditar las decisiones del modelo y de las herramientas.",{"label":1206,"description":1207},"11. Evaluar fallas realistas","Probar estado obsoleto, errores de herramientas, inyección de prompts, solicitudes ambiguas y entornos modificados.",{"label":1209,"description":1210},"12. Ampliar la autonomía solo a partir de evidencia","Aumentar los permisos o el horizonte de ejecución cuando la evaluación muestre que el beneficio justifica el riesgo.","Diseñar el agente desde la autoridad hacia afuera",{},{"id":1214,"data":1215,"type":42,"tunes":1217},"h-checklist",{"text":1216,"level":247},"Lista de verificación de arquitectura de IA agéntica",{},{"id":1219,"data":1220,"type":361,"tunes":1263},"checklist-table",{"content":1221,"stretched":43,"withHeadings":14},[1222,1224,1227,1230,1233,1236,1239,1242,1245,1248,1251,1254,1257,1260],[521,1223],"Evidencia esperada",[1225,1226],"¿Qué prueba el éxito?","Resultado externo, artefacto, prueba o estado autoritativo.",[1228,1229],"¿Por qué se necesita un agente?","La ruta depende genuinamente de observaciones intermedias.",[1231,1232],"¿Qué decisiones están impulsadas por el modelo?","Límite de autonomía explícito.",[1234,1235],"¿Qué herramientas existen?","Conjunto de capacidades pequeño, documentado e inequívoco.",[1237,1238],"¿Quién puede usar cada herramienta?","Política de autorización consciente de la identidad y el contexto.",[1240,1241],"¿Qué acciones necesitan aprobación?","Reglas de revisión basadas en consecuencias.",[1243,1244],"¿Dónde reside el estado de la tarea?","Estado propiedad de la aplicación separado del contexto transitorio del modelo.",[1246,1247],"¿Cómo se recupera el agente?","Comportamiento de reintento, relectura, reversión, aclaración y escalada.",[1249,1250],"¿Cómo se detiene?","Finalización verificada más límites de pasos\u002Ftiempo\u002Fcosto.",[1252,1253],"¿Cómo se protegen los efectos secundarios?","Validación, idempotencia, privilegio mínimo y confirmación.",[1255,1256],"¿Se puede reconstruir la ejecución?","Rastros de herramientas, aprobaciones y transiciones de estado.",[1258,1259],"¿Cómo se evalúa?","Pruebas de resultado + trayectoria + robustez.",[1261,1262],"¿Qué cambia después de una actualización del modelo\u002Fentorno de ejecución?","Suite de regresión para selección de herramientas, permisos, detención y recuperación.",{},{"id":1265,"data":1266,"type":42,"tunes":1268},"h-edge",{"text":1267,"level":247},"Casos límite y limitaciones",{},{"id":1270,"data":1271,"type":218,"tunes":1273},"p-edge-1",{"text":1272},"Algunos sistemas son “agénticos” solo en un sentido estrecho de enrutamiento: el modelo selecciona un especialista o herramienta y luego el resto del flujo de trabajo es determinista. Eso puede seguir siendo útil, pero no debe describirse como equivalente a un agente autónomo de larga duración.",{},{"id":1275,"data":1276,"type":218,"tunes":1278},"p-edge-2",{"text":1277},"Los dominios altamente trascendentales pueden restringir intencionalmente la autonomía del agente. Un sistema de IA puede inspeccionar evidencia, preparar recomendaciones y completar formularios estructurados mientras un humano sigue siendo el único actor autorizado para confirmar la transacción final.",{},{"id":1280,"data":1281,"type":218,"tunes":1283},"p-edge-3",{"text":1282},"Algunos entornos son adecuados para agentes porque la retroalimentación es objetiva. Los agentes de programación pueden ejecutar pruebas; los agentes de infraestructura pueden inspeccionar métricas; los agentes de datos pueden validar resultados de consultas. Los dominios abiertos con retroalimentación débil requieren una evaluación más cautelosa.",{},{"id":1285,"data":1286,"type":218,"tunes":1288},"p-edge-4",{"text":1287},"Un agente puede operar completamente de forma local, completamente a través de servicios en la nube gestionados o en una arquitectura híbrida. El comportamiento agéntico describe el flujo de control, no la ubicación de alojamiento.",{},{"id":1290,"data":1291,"type":218,"tunes":1293},"p-edge-5",{"text":1292},"El término “razonamiento” no debe usarse como prueba de que el proceso interno del agente es correcto. La garantía de producción debe basarse en entradas, acciones, salidas, estado y evaluación observables en lugar de afirmaciones no verificables sobre razonamiento oculto.",{},{"id":1295,"data":1296,"type":42,"tunes":1298},"h-change",{"text":1297,"level":247},"Qué cambiaría esta respuesta",{},{"id":1300,"data":1301,"type":218,"tunes":1303},"p-change-1",{"text":1302},"Las API de proveedores y los marcos de agentes seguirán evolucionando, pero el límite arquitectónico es estable: un modelo propone decisiones, un entorno de ejecución gestiona el bucle, las herramientas se conectan al entorno, los permisos restringen las acciones y las observaciones externas determinan lo que realmente sucedió.",{},{"id":1305,"data":1306,"type":218,"tunes":1308},"p-change-2",{"text":1307},"A medida que los modelos se vuelvan más confiables, los sistemas podrán delegar de forma segura horizontes más largos o comportamientos de recuperación más complejos. A medida que mejoren la verificación y la autorización en tiempo de ejecución, algunos pasos de aprobación podrán automatizarse. Esos son cambios en el nivel de autonomía, no cambios en las capas fundamentales de responsabilidad.",{},{"id":1310,"data":1311,"type":218,"tunes":1313},"p-change-3",{"text":1312},"La arquitectura recomendada también cambia según las consecuencias. Un agente de investigación que solo lee fuentes públicas puede tolerar controles diferentes a los de un agente que escribe configuración de producción o mueve dinero.",{},{"id":1315,"data":1316,"type":42,"tunes":1318},"h-related",{"text":1317,"level":247},"Conocimiento canónico relacionado",{},{"id":1320,"data":1321,"type":218,"tunes":1323},"p-related-1",{"text":1322},"La IA agéntica se sitúa por encima de varias capas prerequisito: la ingeniería de contexto determina lo que ve el modelo; la arquitectura de Fuente de Verdad determina qué información es autoritativa; la recuperación proporciona evidencia externa; la arquitectura de tiempo de ejecución determina qué puede ejecutarse.",{},{"id":1325,"data":1326,"type":218,"tunes":1328},"p-related-2",{"text":1327},"Los nodos posteriores incluyen llamada a herramientas, MCP, A2A, identidad del agente, permisos, auditabilidad, human-in-the-loop, orquestación, memoria y sistemas multiagente.",{},{"id":1330,"data":1331,"type":218,"tunes":1333},"p-related-3",{"text":1332},"Por lo tanto, el artículo de la pila de protocolos debe leerse después del concepto básico de agente: los protocolos estandarizan los límites en torno a los agentes; no definen el comportamiento agéntico en sí.",{},{"id":1335,"data":1336,"type":42,"tunes":1338},"h-faq",{"text":1337,"level":247},"Preguntas frecuentes",{},{"id":1340,"data":1341,"type":1340,"tunes":1380},"faq",{"items":1342,"title":1379},[1343,1347,1351,1355,1359,1363,1367,1371,1375],{"id":1344,"answer":1345,"question":1346},"faq1","La IA agéntica es un sistema de IA en el que un modelo puede perseguir un objetivo a lo largo de múltiples pasos eligiendo acciones o herramientas, observando resultados, actualizando su estado y continuando hasta alcanzar una condición de parada.","¿Qué es la IA agéntica?",{"id":1348,"answer":1349,"question":1350},"faq2","Un LLM produce salidas a partir de entradas. Un agente combina un modelo con un entorno de ejecución, herramientas, estado, permisos, gestión de contexto y un bucle de ejecución iterativo.","¿Cuál es la diferencia entre un LLM y un agente de IA?",{"id":1352,"answer":1353,"question":1354},"faq3","No necesariamente. Una única respuesta de un modelo asistida por herramientas puede ser acotada y no agéntica. El comportamiento agéntico aparece cuando las observaciones de las herramientas impulsan un bucle adaptativo de múltiples pasos.","¿El uso de herramientas convierte a un sistema en un agente?",{"id":1356,"answer":1357,"question":1358},"faq4","Un flujo de trabajo normalmente sigue una ruta de proceso definida en el código de la aplicación. Un agente tiene más control impulsado por el modelo sobre qué pasos y herramientas utilizar según las observaciones intermedias.","¿Cuál es la diferencia entre un agente y un flujo de trabajo de IA?",{"id":1360,"answer":1361,"question":1362},"faq5","No. La memoria a largo plazo es útil para información persistente entre sesiones, pero muchos agentes completan tareas acotadas utilizando únicamente el estado y el contexto de la tarea actual.","¿Los agentes necesitan memoria?",{"id":1364,"answer":1365,"question":1366},"faq6","No. Un solo agente suele ser más sencillo. Los sistemas multiagente se justifican cuando la especialización, el aislamiento de herramientas, el aislamiento de políticas o los límites de propiedad mejoran materialmente el sistema.","¿Los agentes de IA necesitan múltiples agentes?",{"id":1368,"answer":1369,"question":1370},"faq7","Sí. El agente puede realizar de forma autónoma análisis y preparación de bajo riesgo mientras el entorno de ejecución se detiene para la aprobación humana antes de acciones consecuentes.","¿Puede un agente tener intervención humana?",{"id":1372,"answer":1373,"question":1374},"faq8","No. MCP es un protocolo de interoperabilidad para exponer herramientas, recursos y prompts. Un entorno de ejecución de agentes puede usar MCP, pero aún necesita su propio bucle, estado, autorización y evaluación.","¿Es MCP un framework de agentes?",{"id":1376,"answer":1377,"question":1378},"faq9","Cuando sea posible, verifique el éxito mediante estado externo, pruebas, artefactos o registros autorizados del sistema en lugar de confiar en la propia declaración de finalización del modelo.","¿Cómo se sabe que un agente realmente completó una tarea?","Preguntas frecuentes sobre IA agéntica",{},{"id":1382,"data":1383,"type":42,"tunes":1385},"h-glossary",{"text":1384,"level":247},"Glosario",{},{"id":1387,"data":1388,"type":1387,"tunes":1435},"glossary",{"title":1389,"entries":1390},"Términos clave de IA agéntica",[1391,1395,1399,1403,1407,1411,1415,1419,1423,1427,1431],{"term":1392,"anchor":1393,"definition":1394},"IA agéntica","agentic-ai","Comportamiento de un sistema de IA en el que un modelo dirige dinámicamente la ejecución de múltiples pasos utilizando herramientas, observaciones y estado hacia un objetivo.",{"term":1396,"anchor":1397,"definition":1398},"Agente de IA","ai-agent","Un sistema centrado en un modelo con entorno de ejecución, herramientas, estado y un bucle de ejecución que puede perseguir una tarea a lo largo de múltiples pasos.",{"term":1400,"anchor":1401,"definition":1402},"Bucle del agente","agent-loop","Ciclo repetido de decisión del modelo, ejecución de herramienta\u002Facción, observación y decisión actualizada del modelo hasta la parada.",{"term":1404,"anchor":1405,"definition":1406},"Entorno de ejecución \u002F harness","runtime-harness","La capa de ejecución que gestiona el bucle del modelo, las herramientas, el estado, las aprobaciones, el contexto, los errores y las condiciones de parada.",{"term":1408,"anchor":1409,"definition":1410},"Herramienta","tool","Una capacidad expuesta al modelo para leer información, calcular, delegar o cambiar el estado externo.",{"term":1412,"anchor":1413,"definition":1414},"Observación","observation","Información devuelta por una herramienta o entorno y proporcionada a un paso posterior del agente.",{"term":1416,"anchor":1417,"definition":1418},"Estado del agente","agent-state","Información persistente de tarea o ejecución que existe fuera de una única salida del modelo y puede sobrevivir entre pasos o pausas.",{"term":1420,"anchor":1421,"definition":1422},"Límite de autonomía","autonomy-boundary","El límite explícito que define qué decisiones y acciones puede controlar dinámicamente el modelo.",{"term":1424,"anchor":1425,"definition":1426},"Intervención humana","human-in-the-loop","Un patrón de control en el que se requiere revisión, aportación o aprobación humana en puntos seleccionados de un proceso impulsado por IA.",{"term":1428,"anchor":1429,"definition":1430},"Trayectoria","trajectory","La secuencia de estados, decisiones, llamadas a herramientas, acciones y observaciones relevantes entre la solicitud de la tarea y el resultado final.",{"term":1432,"anchor":1433,"definition":1434},"Idempotencia","idempotency","Propiedad que permite repetir una operación sin aplicar involuntariamente el mismo efecto secundario varias veces.",{},{"id":1437,"data":1438,"type":42,"tunes":1440},"h-conclusion",{"text":1439,"level":247},"Conclusión",{},{"id":1442,"data":1443,"type":218,"tunes":1445},"p-conclusion-1",{"text":1444},"La IA agéntica no es simplemente un modelo más inteligente o un chatbot con más herramientas. Es una arquitectura de sistema en la que un modelo participa en un bucle de control iterativo: decidir, actuar, observar, actualizar y continuar.",{},{"id":1447,"data":1448,"type":218,"tunes":1450},"p-conclusion-2",{"text":1449},"El modelo proporciona una toma de decisiones flexible, pero el entorno de ejecución circundante debe ser responsable de la realidad de la ejecución: permisos, acceso a herramientas, estado, aprobaciones, reintentos, presupuestos, condiciones de parada, trazabilidad y verificación.",{},{"id":1452,"data":1453,"type":218,"tunes":1455},"p-conclusion-3",{"text":1454},"El principio de diseño más útil es, por tanto: delegar la elección táctica al modelo solo dentro de límites técnicos y de negocio explícitos. La capacidad agéntica se convierte en capacidad de producción solo cuando la autonomía, la autoridad y la evidencia permanecen separables.",{},{"id":1457,"data":1458,"type":42,"tunes":1460},"h-sources",{"text":1459,"level":247},"Fuentes primarias y orientación actual",{},{"id":1462,"data":1463,"type":218,"tunes":1465},"p-sources-note",{"text":1464},"Las fuentes a continuación respaldan las distinciones arquitectónicas actuales en torno a agentes, flujos de trabajo, bucles, herramientas, orquestación, seguridad y evaluación. Las secciones del proyecto son evidencia de implementación original y están explícitamente limitadas a lo que demuestran los repositorios.",{},{"id":1467,"data":1468,"type":1474,"tunes":1475},"src-openai-agents",{"link":1469,"meta":1470},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents",{"image":1471,"title":1472,"description":1473},{"url":347},"OpenAI — Agentes","Orientación actual para desarrolladores que define opciones de entorno de ejecución para trabajo de múltiples pasos, herramientas, estado, orquestación y ejecución de agentes.","linkTool",{},{"id":1477,"data":1478,"type":1474,"tunes":1484},"src-openai-definitions",{"link":1479,"meta":1480},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents",{"image":1481,"title":1482,"description":1483},{"url":347},"OpenAI — Definiciones de agentes","Documentación actual que describe un agente como un modelo más instrucciones y comportamiento opcional del entorno de ejecución, incluidas herramientas, barreras de protección, servidores MCP y transferencias.",{},{"id":1486,"data":1487,"type":1474,"tunes":1493},"src-openai-running",{"link":1488,"meta":1489},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents",{"image":1490,"title":1491,"description":1492},{"url":347},"OpenAI — Ejecución de agentes","Documentación actual del bucle del agente: llamada al modelo, ejecución de herramientas o transferencia, continuación y punto de parada final.",{},{"id":1495,"data":1496,"type":1474,"tunes":1502},"src-openai-orchestration",{"link":1497,"meta":1498},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration",{"image":1499,"title":1500,"description":1501},{"url":347},"OpenAI — Orquestación y transferencias","Orientación actual sobre transferencias, agentes como herramientas y cuándo los agentes especialistas añaden límites útiles de propiedad o capacidad.",{},{"id":1504,"data":1505,"type":1474,"tunes":1511},"src-openai-safety",{"link":1506,"meta":1507},"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety",{"image":1508,"title":1509,"description":1510},{"url":347},"OpenAI — Seguridad en la creación de agentes","Orientación actual de seguridad que cubre aprobaciones de herramientas, inyección de prompts, barreras de protección y evaluación basada en trazas.",{},{"id":1513,"data":1514,"type":1474,"tunes":1520},"src-anthropic-agents",{"link":1515,"meta":1516},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents",{"image":1517,"title":1518,"description":1519},{"url":347},"Anthropic — Creación de agentes eficaces","Orientación de ingeniería que distingue flujos de trabajo predefinidos de agentes dirigidos por el modelo y describe bucles de retroalimentación del entorno basados en herramientas.",{},{"id":1522,"data":1523,"type":1474,"tunes":1529},"src-anthropic-context",{"link":1524,"meta":1525},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents",{"image":1526,"title":1527,"description":1528},{"url":347},"Anthropic — Ingeniería de contexto eficaz para agentes de IA","Enfoque práctico de los agentes como LLM que utilizan herramientas de forma autónoma en un bucle, con gestión dinámica de contexto justo a tiempo.",{},{"id":1531,"data":1532,"type":1474,"tunes":1538},"src-anthropic-evals",{"link":1533,"meta":1534},"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents",{"image":1535,"title":1536,"description":1537},{"url":347},"Anthropic — Desmitificación de las evaluaciones para agentes de IA","Orientación de 2026 sobre la evaluación de agentes multiturno que llaman a herramientas, modifican el estado y se adaptan a resultados intermedios.",{},"2.31","La IA agéntica utiliza modelos dentro de bucles de ejecución de varios pasos, donde pueden elegir herramientas, observar resultados, actualizar el estado y adaptar su siguiente acción dentro de límites explícitos de tiempo de ejecución y permisos.","\u002Fuploads\u002F2026\u002F10\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a.webp","agentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act-1791481499084-wnji2a","PUBLISHED","2026-10-08T11:43:00.000Z","2026-10-08T17:43:28.373Z","2026-10-08T19:19:47.140Z",{"en":1548,"de":1549,"sr":1550,"es":1551,"fr":1552,"it":1553,"ru":1554,"zh":1555},"\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fde\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fsr\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fes\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Ffr\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fit\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fru\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act","\u002Fzh\u002Fblog\u002Fagentic-ai-explained-when-an-ai-system-can-plan-use-tools-and-act",[1557,1561,1565],{"id":1558,"name":1559,"slug":1560},84,"Política y límites de datos","policy-and-data",{"id":1562,"name":1563,"slug":1564},57,"Límites de datos","data-boundaries",{"id":1566,"name":1567,"slug":1568},59,"Gobernanza y auditoría","governance",{"id":1570,"login":1571,"email":1572,"displayName":1573},"20","rooth8233","aleksandar@stajic.de","Aleksandar Stajić",[1575,2707],{"lang":1576,"title":1577,"content":1578,"contentJson":1579,"excerpt":2706},"en","Agentic AI Explained: When an AI System Can Plan, Use Tools and Act","{\"time\":1791487185746,\"blocks\":[{\"id\":\"intro\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI is an AI system in which a model can pursue a goal across multiple steps by deciding what to do next, using tools or other capabilities, observing the results, updating its working state and continuing until it reaches a stopping condition. The model alone is not the agent. A usable agent also needs a runtime or harness that manages context, tool execution, state, permissions, approvals, errors and the loop between decisions and observations.\"},\"tunes\":{}},{\"id\":\"direct\",\"type\":\"callout\",\"data\":{\"variant\":\"info\",\"title\":\"Direct answer\",\"body\":\"A normal model call is usually \u003Cstrong>input → model → output\u003C\u002Fstrong>. An agentic system is closer to \u003Cstrong>goal → decision → tool\u002Faction → observation → updated decision → … → result\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>The critical distinction is not whether an application uses an LLM or function calling. It is whether the system gives the model meaningful control over the next step of a multi-step process while a runtime constrains what the model is actually allowed to do.\"},\"tunes\":{}},{\"id\":\"boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Capability is not authority\",\"body\":\"A model may know how to call a tool. A runtime may expose that tool. Neither fact means the current user or agent is authorized to execute the underlying business action. \u003Cstrong>Tool capability, tool permission and business authority are separate layers.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"current\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Current-source note — 8 October 2026\",\"body\":\"Agent terminology still varies across vendors and research communities. OpenAI currently defines agent runtimes around multi-step work, tools, state and orchestration. Anthropic's practical distinction remains useful: workflows follow predefined code paths, while agents dynamically direct their own process and tool use. This article therefore treats “agentic AI” as an architectural spectrum rather than one standardized product category.\"},\"tunes\":{}},{\"id\":\"toc\",\"type\":\"tableOfContents\",\"data\":{\"title\":\"Contents\",\"minLevel\":2,\"maxLevel\":3},\"tunes\":{}},{\"id\":\"h-meaning\",\"type\":\"header\",\"data\":{\"text\":\"What agentic AI really means\",\"level\":2},\"tunes\":{}},{\"id\":\"p-meaning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The important shift from ordinary generative AI to agentic AI is control over process. A normal assistant can answer a question using the context it receives. An agent can decide that answering requires additional steps: inspect a file, search a repository, query an API, ask for clarification, run a test, update a ticket, delegate a subtask or retry after a failed action.\"},\"tunes\":{}},{\"id\":\"p-meaning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This does not require unlimited autonomy. An agent can operate inside a narrow sandbox, under strict permissions, with approval required before every consequential action. The system is still agentic if the model dynamically chooses among permitted next steps.\"},\"tunes\":{}},{\"id\":\"p-meaning-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The architecture therefore matters more than the label. “Agent” should describe a system behavior: iterative model-driven decision making over tools, state and feedback — not merely a chatbot with a larger prompt.\"},\"tunes\":{}},{\"id\":\"h-simple\",\"type\":\"header\",\"data\":{\"text\":\"The simplest example\",\"level\":2},\"tunes\":{}},{\"id\":\"p-simple-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Suppose a developer asks an AI system: “Find why the test suite fails and fix the bug.” A single model call could only suggest likely causes from the text it was given.\"},\"tunes\":{}},{\"id\":\"p-simple-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agentic coding system can inspect the repository, search for the failing test, read relevant files, propose a change, edit the code, run the test, observe the failure, revise the implementation and run the test again.\"},\"tunes\":{}},{\"id\":\"p-simple-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The agentic part is not simply that shell and file tools exist. It is that the model can use environmental feedback to choose the next step instead of following one completely predefined sequence.\"},\"tunes\":{}},{\"id\":\"simple-loop\",\"type\":\"processFlow\",\"data\":{\"title\":\"The basic agent loop\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Receive a goal\",\"description\":\"The user or upstream system defines the objective and relevant constraints.\"},{\"label\":\"2. Build current context\",\"description\":\"The runtime supplies instructions, state, history, memory, tools and current evidence.\"},{\"label\":\"3. Model decides next step\",\"description\":\"The model may answer, call a tool, request information, delegate or stop.\"},{\"label\":\"4. Runtime validates the request\",\"description\":\"Permissions, schemas, approvals and policy determine whether the proposed action may execute.\"},{\"label\":\"5. Execute tool or action\",\"description\":\"The external environment changes or returns new information.\"},{\"label\":\"6. Observe the result\",\"description\":\"The runtime feeds structured tool output, errors or state changes back into the next model step.\"},{\"label\":\"7. Continue or stop\",\"description\":\"The loop repeats until success, refusal, escalation, budget limit, timeout or another stopping condition.\"}]},\"tunes\":{}},{\"id\":\"h-stops\",\"type\":\"header\",\"data\":{\"text\":\"Where the simple example stops\",\"level\":2},\"tunes\":{}},{\"id\":\"p-stops-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Not every multi-step AI system is equally agentic. A workflow may use several LLM calls and tools while every step is predetermined in code. Another system may let the model decide which tool to call, in which order, how many times and when to stop.\"},\"tunes\":{}},{\"id\":\"p-stops-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Both can be useful. The difference is where control lives. Predefined workflows put more control in application code. Agents move more tactical process decisions into the model\u002Fruntime loop.\"},\"tunes\":{}},{\"id\":\"h-workflow\",\"type\":\"header\",\"data\":{\"text\":\"Agent vs workflow\",\"level\":2},\"tunes\":{}},{\"id\":\"workflow-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Predefined workflow and agentic control\",\"layout\":\"table\",\"columns\":[{\"id\":\"workflow\",\"label\":\"LLM workflow\"},{\"id\":\"agent\",\"label\":\"Agent\"}],\"rows\":[{\"id\":\"path\",\"label\":\"Process path\",\"values\":[\"\",\"\"]},{\"id\":\"tools\",\"label\":\"Tool sequence\",\"values\":[\"\",\"\"]},{\"id\":\"strength\",\"label\":\"Strength\",\"values\":[\"\",\"\"]},{\"id\":\"risk\",\"label\":\"Risk\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"p-workflow-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic explicitly separates these two patterns: workflows orchestrate models and tools through predefined code paths, while agents let models dynamically direct their own processes and tool usage. This is not the only possible terminology, but it is a useful architecture boundary.\"},\"tunes\":{}},{\"id\":\"h-spectrum\",\"type\":\"header\",\"data\":{\"text\":\"Agentic behavior is a spectrum, not a binary label\",\"level\":2},\"tunes\":{}},{\"id\":\"spectrum-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Level\",\"Example\",\"Who decides the next step?\"],[\"Single model call\",\"Summarize this document\",\"Application calls model once\"],[\"Tool-assisted response\",\"Model may use web search before answering\",\"Model selects from bounded tools for one response\"],[\"Structured workflow\",\"Classify → retrieve → generate → validate\",\"Application workflow determines stages\"],[\"Adaptive workflow\",\"Model can choose among several branches and retry\",\"Shared control between application and model\"],[\"Agent loop\",\"Model repeatedly chooses tools\u002Factions based on observations\",\"Model directs tactical execution inside runtime constraints\"],[\"Long-running agent\",\"Agent pauses, resumes, manages artifacts and continues\",\"Model + persistent runtime manage evolving execution\"]]},\"tunes\":{}},{\"id\":\"p-spectrum-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Calling every system above an “agent” can obscure important operational differences. The stronger the model's control over sequence, duration and actions, the more important runtime isolation, permissions, tracing, stopping conditions and trajectory evaluation become.\"},\"tunes\":{}},{\"id\":\"h-anatomy\",\"type\":\"header\",\"data\":{\"text\":\"The minimum architecture of an agentic system\",\"level\":2},\"tunes\":{}},{\"id\":\"anatomy-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Component\",\"Responsibility\"],[\"Goal \u002F task\",\"Defines what the system is trying to accomplish.\"],[\"Model\",\"Interprets context and decides the next action or output.\"],[\"Instructions\",\"Define role, constraints, priorities and task-specific policy.\"],[\"Context assembler\",\"Builds the information visible to the model on each step.\"],[\"Tool catalog\",\"Defines capabilities the model may request.\"],[\"Runtime \u002F harness\",\"Runs the loop, executes tools, manages state and handles stopping conditions.\"],[\"Authorization layer\",\"Determines whether a proposed action is permitted for the current principal.\"],[\"State \u002F session\",\"Preserves task progress across turns or execution steps.\"],[\"Observation channel\",\"Returns tool results and environment changes to the next model step.\"],[\"Approvals \u002F human control\",\"Pauses consequential actions where review is required.\"],[\"Tracing \u002F audit\",\"Records model calls, tools, transitions, approvals and failures.\"],[\"Evaluation\",\"Measures outcomes and execution trajectories against acceptance criteria.\"]]},\"tunes\":{}},{\"id\":\"h-model-agent\",\"type\":\"header\",\"data\":{\"text\":\"A model is not an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-model-agent-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A language model produces outputs from inputs. It does not by itself own a filesystem, execute a shell command, maintain durable task state, enforce permissions or automatically call itself again.\"},\"tunes\":{}},{\"id\":\"p-model-agent-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Those capabilities come from the surrounding runtime. The same model can behave as a simple chat model in one application and as the decision engine inside an agent loop in another.\"},\"tunes\":{}},{\"id\":\"model-agent-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"success\",\"title\":\"Architecture rule\",\"body\":\"\u003Cstrong>Model capability determines what decisions can be proposed. Runtime architecture determines what can actually happen.\u003C\u002Fstrong>\"},\"tunes\":{}},{\"id\":\"h-tools\",\"type\":\"header\",\"data\":{\"text\":\"Tool use is central — but tool use alone does not make an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-tools-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tools let the model acquire information and affect external systems. Examples include database reads, file operations, shell execution, web search, browser control, API calls, ticket updates or delegated specialist agents.\"},\"tunes\":{}},{\"id\":\"p-tools-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"A single model call can use one tool and still remain a bounded tool-assisted response rather than a long-running agent. Agentic behavior appears when tool observations feed an adaptive loop in which the model chooses what to do next.\"},\"tunes\":{}},{\"id\":\"p-tools-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool design matters because tools are the contract between model reasoning and external reality. Ambiguous or overlapping tools create routing errors; large unstructured outputs pollute context; broad side-effect tools increase blast radius.\"},\"tunes\":{}},{\"id\":\"h-capability-permission\",\"type\":\"header\",\"data\":{\"text\":\"Tool capability, permission and authority are different\",\"level\":2},\"tunes\":{}},{\"id\":\"permission-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Layer\",\"Question\"],[\"Capability\",\"Can this runtime technically perform the operation?\"],[\"Tool exposure\",\"Is that capability available to this agent?\"],[\"Permission\",\"May this agent\u002Fsession use it under the current policy?\"],[\"User authorization\",\"Is the requesting principal allowed to cause this operation?\"],[\"Business authority\",\"Is the operation valid under domain rules, approvals and limits?\"],[\"Execution\",\"Did the operation actually occur?\"],[\"Audit\",\"Can the system prove who requested, approved and executed it?\"]]},\"tunes\":{}},{\"id\":\"p-permission-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"These layers are frequently collapsed in prototypes. A model sees a refund tool and therefore appears able to issue refunds. In production, the tool should still validate account, user, transaction, amount, policy and approval conditions independently of the model's request.\"},\"tunes\":{}},{\"id\":\"h-runtime\",\"type\":\"header\",\"data\":{\"text\":\"The runtime or harness is the actual execution system\",\"level\":2},\"tunes\":{}},{\"id\":\"p-runtime-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current agent documentation makes the runtime distinction explicit. Different runtimes can manage orchestration, state, tools, sandboxes and execution in different places, while the model remains only one part of the system.\"},\"tunes\":{}},{\"id\":\"p-runtime-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Agents SDK describes a loop that repeatedly calls the current model, inspects the output, executes requested tools or handoffs, and continues until the model returns a final answer or another real stopping point.\"},\"tunes\":{}},{\"id\":\"p-runtime-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"This means agent architecture decisions include where orchestration runs, where state lives, who executes tools, which sandbox contains side effects, and who owns retries, timeouts and resumability.\"},\"tunes\":{}},{\"id\":\"h-planning\",\"type\":\"header\",\"data\":{\"text\":\"Planning is useful, but an explicit plan is not required\",\"level\":2},\"tunes\":{}},{\"id\":\"p-planning-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agents are often described as systems that “plan.” In practice, planning can be explicit or implicit. An agent may first produce a visible multi-step plan, or it may choose one next action at a time and revise after every observation.\"},\"tunes\":{}},{\"id\":\"p-planning-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"For highly uncertain tasks, short-horizon planning can be safer because the environment can invalidate a long plan. The architectural requirement is the ability to choose and revise actions based on the goal, current state and new evidence.\"},\"tunes\":{}},{\"id\":\"h-feedback\",\"type\":\"header\",\"data\":{\"text\":\"Environmental feedback is what makes the loop useful\",\"level\":2},\"tunes\":{}},{\"id\":\"p-feedback-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent becomes operationally meaningful when it can observe whether its action worked. Tool output, test results, API responses, filesystem state, browser state and application records provide external evidence that the system can use to revise its next decision.\"},\"tunes\":{}},{\"id\":\"p-feedback-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Anthropic's agent guidance emphasizes this feedback loop: agents use tools, obtain ground truth from the environment, assess progress and continue or request human input.\"},\"tunes\":{}},{\"id\":\"feedback-rule\",\"type\":\"callout\",\"data\":{\"variant\":\"warning\",\"title\":\"Self-report is not environmental proof\",\"body\":\"An agent saying “the task is complete” does not prove completion. Where possible, verify the final state through an external system, test, file, transaction record or other observable outcome.\"},\"tunes\":{}},{\"id\":\"h-state\",\"type\":\"header\",\"data\":{\"text\":\"Agent state is not the same as model context\",\"level\":2},\"tunes\":{}},{\"id\":\"p-state-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A long-running task may need state that cannot or should not remain in the model context: task IDs, checkpoints, artifacts, approvals, external object identifiers, retry counters and workflow status.\"},\"tunes\":{}},{\"id\":\"p-state-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The runtime can preserve this durable state outside the model window and reconstruct the context required for the next step. This keeps model-visible context focused while maintaining continuity and resumability.\"},\"tunes\":{}},{\"id\":\"h-memory\",\"type\":\"header\",\"data\":{\"text\":\"Memory is optional, not the definition of an agent\",\"level\":2},\"tunes\":{}},{\"id\":\"p-memory-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent can operate successfully without long-term memory if the complete task fits inside one bounded run. Memory becomes useful when information must persist across sessions, tasks or long execution horizons.\"},\"tunes\":{}},{\"id\":\"p-memory-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"RAG, memory, state and context solve different problems. Treating a vector database as “the agent memory” or conversation history as “the state machine” usually hides important lifecycle and authority boundaries.\"},\"tunes\":{}},{\"id\":\"ref-memory\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context\",\"title\":\"AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context\",\"excerpt\":\"A practical architecture separating persistent memory, authoritative application state, retrieval and the context supplied to the model.\",\"ctaLabel\":\"Read the memory architecture article\"},\"tunes\":{}},{\"id\":\"h-context\",\"type\":\"header\",\"data\":{\"text\":\"Context engineering becomes dynamic in agents\",\"level\":2},\"tunes\":{}},{\"id\":\"p-context-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Every tool call can produce new context. Every step can also make earlier information obsolete. A strong agent runtime therefore rebuilds or curates context as execution progresses rather than replaying everything indefinitely.\"},\"tunes\":{}},{\"id\":\"p-context-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Tool definitions, task state, retrieved evidence, observations and memory all compete for the model's attention. Long-running agents need trimming, compaction or just-in-time loading so context remains relevant to the current decision.\"},\"tunes\":{}},{\"id\":\"h-sideeffects\",\"type\":\"header\",\"data\":{\"text\":\"Read tools and side-effect tools have different risk\",\"level\":2},\"tunes\":{}},{\"id\":\"sideeffect-comparison\",\"type\":\"comparison\",\"data\":{\"title\":\"Information access versus external action\",\"layout\":\"table\",\"columns\":[{\"id\":\"read\",\"label\":\"Read \u002F observe\"},{\"id\":\"write\",\"label\":\"Write \u002F act\"}],\"rows\":[{\"id\":\"examples\",\"label\":\"Examples\",\"values\":[\"\",\"\"]},{\"id\":\"mainrisk\",\"label\":\"Main risk\",\"values\":[\"\",\"\"]},{\"id\":\"control\",\"label\":\"Typical control\",\"values\":[\"\",\"\"]}]},\"tunes\":{}},{\"id\":\"h-approval\",\"type\":\"header\",\"data\":{\"text\":\"Human-in-the-loop is a control mechanism, not the opposite of agentic AI\",\"level\":2},\"tunes\":{}},{\"id\":\"p-approval-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent does not stop being agentic because a human approves consequential steps. The model can still autonomously inspect, reason, search and prepare an action while the runtime requires human confirmation before execution.\"},\"tunes\":{}},{\"id\":\"p-approval-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current agent safety guidance explicitly recommends approvals for tool operations in higher-risk workflows. Anthropic likewise emphasizes checkpoints and human judgment where agents encounter blockers or consequential decisions.\"},\"tunes\":{}},{\"id\":\"p-approval-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The useful architecture question is not “human or autonomous?” but which decisions can be delegated, which require review and which must remain deterministic?\"},\"tunes\":{}},{\"id\":\"h-stopping\",\"type\":\"header\",\"data\":{\"text\":\"Agents need explicit stopping conditions\",\"level\":2},\"tunes\":{}},{\"id\":\"stop-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Stopping condition\",\"Purpose\"],[\"Successful verified outcome\",\"End when the external target state is confirmed.\"],[\"Maximum steps\",\"Prevent runaway loops.\"],[\"Time budget\",\"Bound wall-clock execution.\"],[\"Cost\u002Ftoken budget\",\"Limit resource consumption.\"],[\"Repeated-action detector\",\"Stop loops that are no longer making progress.\"],[\"Permission boundary\",\"Pause or stop when the next required action is not permitted.\"],[\"Human approval checkpoint\",\"Wait before consequential execution.\"],[\"Unrecoverable tool failure\",\"Escalate instead of retrying indefinitely.\"],[\"Uncertainty threshold\",\"Ask for clarification when the task cannot be safely inferred.\"]]},\"tunes\":{}},{\"id\":\"h-errors\",\"type\":\"header\",\"data\":{\"text\":\"Recovery is part of agent behavior\",\"level\":2},\"tunes\":{}},{\"id\":\"p-errors-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agents operate in environments that fail: APIs time out, files change, credentials expire, webpages move and tools return malformed output. A useful agentic system therefore needs recovery behavior, not just a happy-path tool loop.\"},\"tunes\":{}},{\"id\":\"p-errors-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Recovery can include retry with limits, choosing another tool, re-reading current state, asking the user, rolling back a partial action or escalating to a human.\"},\"tunes\":{}},{\"id\":\"p-errors-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Retries also need idempotency awareness. Repeating a read is usually low risk; repeating a payment or message send can create duplicate side effects.\"},\"tunes\":{}},{\"id\":\"h-single-multi\",\"type\":\"header\",\"data\":{\"text\":\"Agentic AI does not require multiple agents\",\"level\":2},\"tunes\":{}},{\"id\":\"p-multi-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A single agent with a clear tool set is often simpler and easier to evaluate than a multi-agent architecture. Multiple agents are useful when specialization materially improves tool isolation, policy isolation, prompt clarity, ownership or trace legibility.\"},\"tunes\":{}},{\"id\":\"p-multi-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"OpenAI's current orchestration guidance explicitly recommends starting with one agent where possible and adding specialists only when the contract or ownership boundary materially changes.\"},\"tunes\":{}},{\"id\":\"p-multi-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Multi-agent systems add new problems: delegation quality, duplicated context, conflicting state, handoff semantics, identity, cost and distributed failure handling.\"},\"tunes\":{}},{\"id\":\"h-protocols\",\"type\":\"header\",\"data\":{\"text\":\"Agent protocols are interoperability layers, not the agent itself\",\"level\":2},\"tunes\":{}},{\"id\":\"p-protocols-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Protocols such as MCP and A2A can make an agent architecture interoperable, but they do not create the agent loop by themselves. MCP can expose tools and resources. A2A can connect independently implemented agents. The application still needs runtime, authorization, state, evaluation and domain logic.\"},\"tunes\":{}},{\"id\":\"p-protocols-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is why protocol capability must remain separate from business authority. Discovering a tool through MCP does not prove the current principal is allowed to use it. Receiving a task through A2A does not prove the remote agent may perform every requested action.\"},\"tunes\":{}},{\"id\":\"ref-protocols\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fde\u002Fblog\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained\",\"title\":\"MCP vs A2A vs UCP vs AP2 vs A2UI: The Agent Protocol Stack Explained\",\"excerpt\":\"A protocol-responsibility map showing why tool access, agent collaboration, commerce, payment authority and agent-driven UI belong to different interoperability boundaries.\",\"ctaLabel\":\"Read the agent protocol stack\"},\"tunes\":{}},{\"id\":\"h-reliability\",\"type\":\"header\",\"data\":{\"text\":\"The trajectory is part of agent reliability\",\"level\":2},\"tunes\":{}},{\"id\":\"p-rel-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A final answer is insufficient evidence for an agentic system because an agent can reach the right result through an unsafe or invalid path. It may use an unauthorized tool, skip a required check, retry a side effect, rely on stale state or accidentally succeed.\"},\"tunes\":{}},{\"id\":\"p-rel-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Evaluation therefore needs execution traces: decisions, tool calls, approvals, observations, state changes and final outcome. Current OpenAI safety guidance recommends trace graders and evals; Anthropic's 2026 agent-evaluation guidance similarly treats multi-turn tool trajectories as first-class evaluation objects.\"},\"tunes\":{}},{\"id\":\"p-rel-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The stronger reliability question is: Did the agent reach an acceptable outcome through an acceptable, recoverable and auditable trajectory?\"},\"tunes\":{}},{\"id\":\"ref-reliability\",\"type\":\"referralArticle\",\"data\":{\"url\":\"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough\",\"title\":\"AI Agent Reliability: Why the Final Answer Is Not Enough\",\"excerpt\":\"Why production evaluation must inspect trajectories, tool use, state transitions and recoverability rather than only final answers.\",\"ctaLabel\":\"Read the reliability article\"},\"tunes\":{}},{\"id\":\"h-security\",\"type\":\"header\",\"data\":{\"text\":\"Agentic systems increase the security surface\",\"level\":2},\"tunes\":{}},{\"id\":\"security-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Risk\",\"Why agents amplify it\",\"Architecture response\"],[\"Prompt injection\",\"Untrusted content can influence future tool decisions\",\"Separate instructions from data; constrain tools; sanitize or structure external input where possible\"],[\"Excessive permissions\",\"Reasoning errors can become real side effects\",\"Least privilege, scoped credentials, per-tool policy and approvals\"],[\"Credential exposure\",\"Tools may need powerful secrets\",\"Keep secrets outside model context; broker access through trusted runtime\"],[\"Confused deputy\",\"Agent may act with authority broader than the requesting user\",\"Bind execution to user\u002Fservice identity and re-authorize consequential actions\"],[\"Runaway loops\",\"Model repeatedly calls tools without progress\",\"Step, time and cost budgets plus loop detection\"],[\"State drift\",\"Environment changes after the agent formed a plan\",\"Re-read authoritative state before consequential actions\"],[\"Indirect injection\",\"Tool\u002Fweb\u002Fdocument content contains instructions aimed at the model\",\"Treat external content as untrusted data, not instruction authority\"],[\"Audit gap\",\"Final result cannot show what was executed\",\"Trace tool calls, approvals, identities and state changes\"]]},\"tunes\":{}},{\"id\":\"h-observability\",\"type\":\"header\",\"data\":{\"text\":\"Agent observability must follow the loop\",\"level\":2},\"tunes\":{}},{\"id\":\"p-obs-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Traditional service observability records requests, latency and errors. Agent observability needs an additional execution model: which agent was active, which model version made the decision, what context was available, which tool was selected, what arguments were sent, what result came back and why execution stopped.\"},\"tunes\":{}},{\"id\":\"p-obs-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"For sensitive systems, traces themselves require access control and retention policy because prompts, tool outputs and artifacts can contain confidential data.\"},\"tunes\":{}},{\"id\":\"h-eval\",\"type\":\"header\",\"data\":{\"text\":\"How to evaluate an agentic system\",\"level\":2},\"tunes\":{}},{\"id\":\"eval-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Dimension\",\"Question\",\"Example evidence\"],[\"Task success\",\"Did the requested outcome occur?\",\"External state, tests, business outcome\"],[\"Trajectory quality\",\"Were the steps acceptable?\",\"Tool\u002Faction trace\"],[\"Tool selection\",\"Did the agent choose appropriate capabilities?\",\"Expected vs actual tool calls\"],[\"Permission adherence\",\"Did it stay inside allowed authority?\",\"Authorization logs and denied-action tests\"],[\"State handling\",\"Did it use current authoritative state?\",\"Freshness checks and state-change tests\"],[\"Recovery\",\"Did it respond correctly to failures?\",\"Injected timeout\u002Ferror scenarios\"],[\"Stopping behavior\",\"Did it stop at the right point?\",\"Step counts, loop detection, final-state proof\"],[\"Human escalation\",\"Did it ask when review was required?\",\"Approval\u002Fescalation traces\"],[\"Cost\u002Flatency\",\"Was autonomy worth the operational cost?\",\"Tokens, tool calls, duration\"],[\"Robustness\",\"Does it survive realistic environment variation?\",\"Repeated and adversarial trials\"]]},\"tunes\":{}},{\"id\":\"h-use\",\"type\":\"header\",\"data\":{\"text\":\"When an agent is appropriate\",\"level\":2},\"tunes\":{}},{\"id\":\"use-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Use an agent when\",\"Prefer a workflow or simple call when\"],[\"The number or order of steps cannot be known reliably in advance\",\"The sequence is stable and deterministic\"],[\"The system must inspect the environment and adapt\",\"A single retrieval + generation step is sufficient\"],[\"Several tools may be useful depending on intermediate results\",\"One known API call solves the task\"],[\"The task benefits from iterative verification or repair\",\"The answer can be produced directly from supplied context\"],[\"Failures require flexible recovery behavior\",\"Failure branches are simple and can be encoded explicitly\"],[\"Human review can be inserted at meaningful checkpoints\",\"Every step is high-risk and must be manually controlled anyway\"],[\"Expected value justifies extra latency, cost and complexity\",\"Predictability and low cost matter more than flexibility\"]]},\"tunes\":{}},{\"id\":\"p-use-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"A strong default is to start with the simplest solution that works and increase agentic complexity only when flexibility produces measurable value. Agents trade predictability, latency and cost for adaptive execution.\"},\"tunes\":{}},{\"id\":\"h-implementation\",\"type\":\"header\",\"data\":{\"text\":\"Original implementation evidence\",\"level\":2},\"tunes\":{}},{\"id\":\"h-client\",\"type\":\"header\",\"data\":{\"text\":\"Aaasaasa AI Client: model, runtime and permission are separate\",\"level\":3},\"tunes\":{}},{\"id\":\"p-client-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Aaasaasa AI Client explicitly separates agent\u002Fclient, provider, model, runtime location and permissions. Its architecture documentation treats permissions as central tool\u002Fworkspace policy rather than a model property.\"},\"tunes\":{}},{\"id\":\"p-client-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The same application can expose Direct Chat with no filesystem or shell tools while a Codex runtime operates under a selected workspace and permission profile. This demonstrates a core agentic architecture boundary: changing the runtime\u002Ftool surface changes what the system can do even when model access remains available.\"},\"tunes\":{}},{\"id\":\"p-client-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The repository also distinguishes a local Codex runtime from model location: a local runtime can call a cloud model. This prevents the common mistake of equating “agent runs locally” with “inference is local.”\"},\"tunes\":{}},{\"id\":\"p-client-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"The implementation disables embedded execution paths whose approval semantics do not satisfy the required permission model. This supports the principle that agent capability should not bypass runtime authorization simply because an underlying framework can execute tools.\"},\"tunes\":{}},{\"id\":\"h-sot-agent\",\"type\":\"header\",\"data\":{\"text\":\"Source of Truth Research Engine: bounded agentic research stages\",\"level\":3},\"tunes\":{}},{\"id\":\"p-sot-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"The Source of Truth Research Engine uses a bounded research pipeline: discover → acquire → extract → verify → contradict → synthesize. Research jobs can execute through an AI runtime while evidence, sources, claims and contradictions remain in an external persistent store.\"},\"tunes\":{}},{\"id\":\"p-sot-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"This is intentionally more controlled than an unconstrained autonomous research agent. The stages provide guardrails around what kind of work should happen next while still allowing model-driven research inside each bounded task.\"},\"tunes\":{}},{\"id\":\"p-sot-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"That distinction is useful evidence for agent design: autonomy can be placed inside a structured delivery envelope rather than applied uniformly to the entire process.\"},\"tunes\":{}},{\"id\":\"impl-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Implemented pattern\",\"Agentic architecture lesson\"],[\"Direct Chat has no OS tools\",\"A model can exist without agentic execution capability.\"],[\"Codex runtime has workspace permission profile\",\"Tool authority belongs to runtime policy, not model capability.\"],[\"Provider\u002Fmodel\u002Fruntime are separate concepts\",\"Agent harness location and inference location are independent decisions.\"],[\"Permission broker for tool-capable runtimes\",\"Capability exposure can be centralized and governed.\"],[\"Bounded research stages\",\"Autonomy can operate inside explicit process boundaries.\"],[\"Persistent claims\u002Fevidence outside model context\",\"Agent state and evidence do not need to live only in conversation history.\"]]},\"tunes\":{}},{\"id\":\"impl-boundary\",\"type\":\"callout\",\"data\":{\"variant\":\"note\",\"title\":\"Evidence boundary\",\"body\":\"These projects demonstrate concrete agent\u002Fruntime, permission and bounded-research patterns. They are not presented as proof of large-scale commercial autonomous-agent deployment.\"},\"tunes\":{}},{\"id\":\"h-failures\",\"type\":\"header\",\"data\":{\"text\":\"Common agentic AI failure modes\",\"level\":2},\"tunes\":{}},{\"id\":\"failure-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Failure mode\",\"What actually failed\"],[\"“Agent” is only a chatbot with tools listed in the prompt\",\"No reliable runtime loop or tool execution architecture exists\"],[\"Tool support is treated as permission\",\"Capability and authorization boundaries are collapsed\"],[\"Agent trusts its own completion statement\",\"Outcome is not verified against external state\"],[\"Every task becomes multi-agent\",\"Complexity increases without a real ownership or specialization boundary\"],[\"Conversation history is used as durable state\",\"Resumability and authoritative state become fragile\"],[\"Agent retries side effects blindly\",\"Duplicate messages, payments or state changes become possible\"],[\"No step\u002Fcost limits\",\"Agent can loop indefinitely or consume uncontrolled resources\"],[\"Tool output is trusted as instruction\",\"Indirect prompt injection can redirect behavior\"],[\"Correct final answer is the only evaluation\",\"Unsafe or invalid trajectories remain invisible\"],[\"Model upgrade is treated as transparent\",\"Tool selection, planning and stopping behavior can change\"],[\"One broad tool exposes many privileged operations\",\"Blast radius increases and intent becomes harder to validate\"],[\"Human approval exists but reviewer lacks context\",\"Approval becomes ceremonial rather than effective\"]]},\"tunes\":{}},{\"id\":\"h-misconceptions\",\"type\":\"header\",\"data\":{\"text\":\"Common misconceptions\",\"level\":2},\"tunes\":{}},{\"id\":\"misconceptions-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Misconception\",\"Correction\"],[\"“An LLM is an agent.”\",\"The model is the decision component; the agent is the surrounding system that manages tools, state and iteration.\"],[\"“Tool calling automatically means agentic AI.”\",\"A single bounded tool call may not involve an adaptive multi-step agent loop.\"],[\"“Agents must be fully autonomous.”\",\"Agentic systems can require approvals and operate under narrow permission boundaries.\"],[\"“Agents need long-term memory.”\",\"Memory is optional; many useful agents complete bounded tasks without cross-session memory.\"],[\"“Agents must create a written plan first.”\",\"Planning can be explicit or implicit and can occur one step at a time.\"],[\"“Multi-agent is more advanced than single-agent.”\",\"It is more complex; use it only when specialization or ownership boundaries justify it.\"],[\"“MCP creates an agent.”\",\"MCP exposes tools\u002Fresources; the runtime still needs an agent loop and authorization model.\"],[\"“A local runtime means the model is local.”\",\"Runtime location and inference\u002Fprovider location are separate.\"],[\"“If the final result is correct, the agent worked correctly.”\",\"An unsafe or unauthorized trajectory can still produce a correct result.\"],[\"“Human approval removes autonomy.”\",\"Approval can constrain selected actions while the rest of the process remains model-directed.\"]]},\"tunes\":{}},{\"id\":\"h-design\",\"type\":\"header\",\"data\":{\"text\":\"A practical agent design sequence\",\"level\":2},\"tunes\":{}},{\"id\":\"design-flow\",\"type\":\"processFlow\",\"data\":{\"title\":\"Design the agent from authority outward\",\"orientation\":\"auto\",\"steps\":[{\"label\":\"1. Define the outcome\",\"description\":\"State what external result or artifact proves task success.\"},{\"label\":\"2. Decide whether an agent is actually needed\",\"description\":\"Prefer a simple call or deterministic workflow when the path is predictable.\"},{\"label\":\"3. Identify state and Source of Truth\",\"description\":\"Define which systems own current facts, task progress and business state.\"},{\"label\":\"4. Define the tool surface\",\"description\":\"Expose the smallest set of clear capabilities required for the task.\"},{\"label\":\"5. Bind identity and permissions\",\"description\":\"Separate user authority, agent\u002Fruntime permissions and tool capabilities.\"},{\"label\":\"6. Choose autonomy boundaries\",\"description\":\"Specify what the model may decide dynamically and what remains deterministic.\"},{\"label\":\"7. Add approval checkpoints\",\"description\":\"Require review before consequential or irreversible actions where appropriate.\"},{\"label\":\"8. Define stopping and recovery\",\"description\":\"Set success proof, budgets, timeouts, retries, escalation and loop controls.\"},{\"label\":\"9. Design context\u002Fstate management\",\"description\":\"Keep current state, memory, tool observations and durable artifacts in the correct layers.\"},{\"label\":\"10. Trace the trajectory\",\"description\":\"Record enough execution structure to debug and audit model\u002Ftool decisions.\"},{\"label\":\"11. Evaluate realistic failures\",\"description\":\"Test stale state, tool errors, prompt injection, ambiguous requests and changed environments.\"},{\"label\":\"12. Expand autonomy only from evidence\",\"description\":\"Increase permissions or execution horizon when evaluation shows the benefit justifies the risk.\"}]},\"tunes\":{}},{\"id\":\"h-checklist\",\"type\":\"header\",\"data\":{\"text\":\"Agentic AI architecture checklist\",\"level\":2},\"tunes\":{}},{\"id\":\"checklist-table\",\"type\":\"table\",\"data\":{\"withHeadings\":true,\"stretched\":false,\"content\":[[\"Question\",\"Expected evidence\"],[\"What proves success?\",\"External outcome, artifact, test or authoritative state.\"],[\"Why is an agent needed?\",\"The path genuinely depends on intermediate observations.\"],[\"Which decisions are model-driven?\",\"Explicit autonomy boundary.\"],[\"Which tools exist?\",\"Small, documented, unambiguous capability set.\"],[\"Who may use each tool?\",\"Identity- and context-aware authorization policy.\"],[\"Which actions need approval?\",\"Consequence-based review rules.\"],[\"Where does task state live?\",\"Application-owned state separate from transient model context.\"],[\"How does the agent recover?\",\"Retry, re-read, rollback, clarification and escalation behavior.\"],[\"How does it stop?\",\"Verified completion plus step\u002Ftime\u002Fcost limits.\"],[\"How are side effects protected?\",\"Validation, idempotency, least privilege and confirmation.\"],[\"Can execution be reconstructed?\",\"Tool, approval and state-transition traces.\"],[\"How is it evaluated?\",\"Outcome + trajectory + robustness tests.\"],[\"What changes after a model\u002Fruntime update?\",\"Regression suite for tool selection, permissions, stopping and recovery.\"]]},\"tunes\":{}},{\"id\":\"h-edge\",\"type\":\"header\",\"data\":{\"text\":\"Edge cases and limitations\",\"level\":2},\"tunes\":{}},{\"id\":\"p-edge-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some systems are “agentic” only in a narrow routing sense: the model selects one specialist or tool and then the rest of the workflow is deterministic. That can still be useful, but it should not be described as equivalent to a long-running autonomous agent.\"},\"tunes\":{}},{\"id\":\"p-edge-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Highly consequential domains may intentionally restrict agent autonomy. An AI system can inspect evidence, prepare recommendations and fill structured forms while a human remains the only actor allowed to commit the final transaction.\"},\"tunes\":{}},{\"id\":\"p-edge-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"Some environments are well suited to agents because feedback is objective. Coding agents can run tests; infrastructure agents can inspect metrics; data agents can validate query results. Open-ended domains with weak feedback require more cautious evaluation.\"},\"tunes\":{}},{\"id\":\"p-edge-4\",\"type\":\"paragraph\",\"data\":{\"text\":\"An agent can operate entirely locally, entirely through managed cloud services or in a hybrid architecture. Agentic behavior describes control flow, not hosting location.\"},\"tunes\":{}},{\"id\":\"p-edge-5\",\"type\":\"paragraph\",\"data\":{\"text\":\"The term “reasoning” should not be used as proof that the agent's internal process is correct. Production assurance should rely on observable inputs, actions, outputs, state and evaluation rather than unverifiable claims about hidden reasoning.\"},\"tunes\":{}},{\"id\":\"h-change\",\"type\":\"header\",\"data\":{\"text\":\"What would change this answer?\",\"level\":2},\"tunes\":{}},{\"id\":\"p-change-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Vendor APIs and agent frameworks will continue to evolve, but the architecture boundary is stable: a model proposes decisions, a runtime manages the loop, tools connect to the environment, permissions constrain actions and external observations determine what actually happened.\"},\"tunes\":{}},{\"id\":\"p-change-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"As models become more reliable, systems may safely delegate longer horizons or more complex recovery behavior. As runtime verification and authorization improve, some approval steps may become automated. Those are changes in autonomy level, not changes to the fundamental responsibility layers.\"},\"tunes\":{}},{\"id\":\"p-change-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The recommended architecture also changes by consequence. A research agent that only reads public sources can tolerate different controls from an agent that writes production configuration or moves money.\"},\"tunes\":{}},{\"id\":\"h-related\",\"type\":\"header\",\"data\":{\"text\":\"Related canonical knowledge\",\"level\":2},\"tunes\":{}},{\"id\":\"p-related-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI sits above several prerequisite layers: context engineering determines what the model sees; Source-of-Truth architecture determines which information is authoritative; retrieval supplies external evidence; runtime architecture determines what can execute.\"},\"tunes\":{}},{\"id\":\"p-related-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"Downstream nodes include tool calling, MCP, A2A, agent identity, permissions, auditability, human-in-the-loop, orchestration, memory and multi-agent systems.\"},\"tunes\":{}},{\"id\":\"p-related-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The protocol stack article should therefore be read after the basic agent concept: protocols standardize boundaries around agents; they do not define agentic behavior itself.\"},\"tunes\":{}},{\"id\":\"h-faq\",\"type\":\"header\",\"data\":{\"text\":\"Frequently asked questions\",\"level\":2},\"tunes\":{}},{\"id\":\"faq\",\"type\":\"faq\",\"data\":{\"title\":\"Agentic AI FAQ\",\"items\":[{\"id\":\"faq1\",\"question\":\"What is agentic AI?\",\"answer\":\"Agentic AI is an AI system in which a model can pursue a goal over multiple steps by choosing actions or tools, observing results, updating its state and continuing until a stopping condition is reached.\"},{\"id\":\"faq2\",\"question\":\"What is the difference between an LLM and an AI agent?\",\"answer\":\"An LLM produces outputs from inputs. An agent combines a model with a runtime, tools, state, permissions, context management and an iterative execution loop.\"},{\"id\":\"faq3\",\"question\":\"Does tool calling make a system an agent?\",\"answer\":\"Not necessarily. A single tool-assisted model response can be bounded and non-agentic. Agentic behavior appears when tool observations drive an adaptive multi-step loop.\"},{\"id\":\"faq4\",\"question\":\"What is the difference between an agent and an AI workflow?\",\"answer\":\"A workflow usually follows a process path defined in application code. An agent has more model-driven control over which steps and tools to use based on intermediate observations.\"},{\"id\":\"faq5\",\"question\":\"Do agents need memory?\",\"answer\":\"No. Long-term memory is useful for persistent information across sessions, but many agents complete bounded tasks using only current task state and context.\"},{\"id\":\"faq6\",\"question\":\"Do AI agents need multiple agents?\",\"answer\":\"No. A single agent is often simpler. Multi-agent systems are justified when specialization, tool isolation, policy isolation or ownership boundaries materially improve the system.\"},{\"id\":\"faq7\",\"question\":\"Can an agent be human-in-the-loop?\",\"answer\":\"Yes. The agent can autonomously perform low-risk analysis and preparation while the runtime pauses for human approval before consequential actions.\"},{\"id\":\"faq8\",\"question\":\"Is MCP an agent framework?\",\"answer\":\"No. MCP is an interoperability protocol for exposing tools, resources and prompts. An agent runtime can use MCP, but still needs its own loop, state, authorization and evaluation.\"},{\"id\":\"faq9\",\"question\":\"How do you know an agent actually completed a task?\",\"answer\":\"Where possible, verify success through external state, tests, artifacts or authoritative system records rather than trusting the model's own completion statement.\"}]},\"tunes\":{}},{\"id\":\"h-glossary\",\"type\":\"header\",\"data\":{\"text\":\"Glossary\",\"level\":2},\"tunes\":{}},{\"id\":\"glossary\",\"type\":\"glossary\",\"data\":{\"title\":\"Key agentic AI terms\",\"entries\":[{\"term\":\"Agentic AI\",\"definition\":\"AI system behavior in which a model dynamically directs multi-step execution using tools, observations and state toward a goal.\",\"anchor\":\"agentic-ai\"},{\"term\":\"AI agent\",\"definition\":\"A model-centered system with runtime, tools, state and an execution loop that can pursue a task over multiple steps.\",\"anchor\":\"ai-agent\"},{\"term\":\"Agent loop\",\"definition\":\"Repeated cycle of model decision, tool\u002Faction execution, observation and updated model decision until stopping.\",\"anchor\":\"agent-loop\"},{\"term\":\"Runtime \u002F harness\",\"definition\":\"The execution layer that manages the model loop, tools, state, approvals, context, errors and stopping conditions.\",\"anchor\":\"runtime-harness\"},{\"term\":\"Tool\",\"definition\":\"A capability exposed to the model for reading information, computing, delegating or changing external state.\",\"anchor\":\"tool\"},{\"term\":\"Observation\",\"definition\":\"Information returned from a tool or environment and supplied to a later agent step.\",\"anchor\":\"observation\"},{\"term\":\"Agent state\",\"definition\":\"Persistent task or execution information that exists outside a single model output and may survive across steps or pauses.\",\"anchor\":\"agent-state\"},{\"term\":\"Autonomy boundary\",\"definition\":\"The explicit limit defining which decisions and actions the model may control dynamically.\",\"anchor\":\"autonomy-boundary\"},{\"term\":\"Human-in-the-loop\",\"definition\":\"A control pattern in which human review, input or approval is required at selected points in an AI-driven process.\",\"anchor\":\"human-in-the-loop\"},{\"term\":\"Trajectory\",\"definition\":\"The sequence of relevant states, decisions, tool calls, actions and observations between task request and final outcome.\",\"anchor\":\"trajectory\"},{\"term\":\"Idempotency\",\"definition\":\"Property that allows an operation to be repeated without unintentionally applying the same side effect multiple times.\",\"anchor\":\"idempotency\"}]},\"tunes\":{}},{\"id\":\"h-conclusion\",\"type\":\"header\",\"data\":{\"text\":\"Conclusion\",\"level\":2},\"tunes\":{}},{\"id\":\"p-conclusion-1\",\"type\":\"paragraph\",\"data\":{\"text\":\"Agentic AI is not simply a smarter model or a chatbot with more tools. It is a system architecture in which a model participates in an iterative control loop: decide, act, observe, update and continue.\"},\"tunes\":{}},{\"id\":\"p-conclusion-2\",\"type\":\"paragraph\",\"data\":{\"text\":\"The model provides flexible decision making, but the surrounding runtime must own execution reality: permissions, tool access, state, approvals, retries, budgets, stopping conditions, tracing and verification.\"},\"tunes\":{}},{\"id\":\"p-conclusion-3\",\"type\":\"paragraph\",\"data\":{\"text\":\"The most useful design principle is therefore: delegate tactical choice to the model only inside explicit technical and business boundaries. Agentic capability becomes production capability only when autonomy, authority and evidence remain separable.\"},\"tunes\":{}},{\"id\":\"h-sources\",\"type\":\"header\",\"data\":{\"text\":\"Primary sources and current guidance\",\"level\":2},\"tunes\":{}},{\"id\":\"p-sources-note\",\"type\":\"paragraph\",\"data\":{\"text\":\"The sources below support the current architectural distinctions around agents, workflows, loops, tools, orchestration, safety and evaluation. Project sections are original implementation evidence and are explicitly bounded to what the repositories demonstrate.\"},\"tunes\":{}},{\"id\":\"src-openai-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agents\",\"description\":\"Current developer guidance defining runtime choices for multi-step work, tools, state, orchestration and agent execution.\"}},\"tunes\":{}},{\"id\":\"src-openai-definitions\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Fdefine-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Agent definitions\",\"description\":\"Current documentation describing an agent as a model plus instructions and optional runtime behavior including tools, guardrails, MCP servers and handoffs.\"}},\"tunes\":{}},{\"id\":\"src-openai-running\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Frunning-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Running agents\",\"description\":\"Current documentation of the agent loop: model call, tool execution or handoff, continuation and final stopping point.\"}},\"tunes\":{}},{\"id\":\"src-openai-orchestration\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagents\u002Forchestration\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Orchestration and handoffs\",\"description\":\"Current guidance on handoffs, agents-as-tools and when specialist agents add useful ownership or capability boundaries.\"}},\"tunes\":{}},{\"id\":\"src-openai-safety\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fdevelopers.openai.com\u002Fapi\u002Fdocs\u002Fguides\u002Fagent-builder-safety\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"OpenAI — Safety in building agents\",\"description\":\"Current safety guidance covering tool approvals, prompt injection, guardrails and trace-based evaluation.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-agents\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fbuilding-effective-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Building effective agents\",\"description\":\"Engineering guidance distinguishing predefined workflows from model-directed agents and describing tool-based environmental feedback loops.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-context\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Feffective-context-engineering-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Effective context engineering for AI agents\",\"description\":\"Practical framing of agents as LLMs autonomously using tools in a loop, with dynamic just-in-time context management.\"}},\"tunes\":{}},{\"id\":\"src-anthropic-evals\",\"type\":\"linkTool\",\"data\":{\"link\":\"https:\u002F\u002Fwww.anthropic.com\u002Fengineering\u002Fdemystifying-evals-for-ai-agents\",\"meta\":{\"image\":{\"url\":\"\"},\"title\":\"Anthropic — Demystifying evals for AI agents\",\"description\":\"2026 guidance on evaluating multi-turn agents that call tools, modify state and adapt to intermediate results.\"}},\"tunes\":{}}],\"version\":\"2.31.6\"}",{"time":1580,"blocks":1581,"version":2705},1791487185746,[1582,1586,1591,1596,1601,1605,1609,1613,1617,1621,1625,1629,1633,1637,1663,1667,1671,1675,1679,1701,1705,1709,1741,1745,1749,1792,1796,1800,1804,1809,1813,1817,1821,1825,1829,1857,1861,1865,1869,1873,1877,1881,1885,1889,1893,1897,1901,1906,1910,1914,1918,1922,1926,1930,1937,1941,1945,1949,1953,1972,1976,1980,1984,1988,1992,2026,2030,2034,2038,2042,2046,2050,2054,2058,2062,2066,2070,2076,2080,2084,2088,2092,2099,2103,2142,2146,2150,2154,2158,2205,2209,2237,2241,2245,2249,2253,2257,2261,2265,2269,2273,2277,2281,2306,2311,2315,2358,2362,2399,2403,2444,2448,2493,2497,2501,2505,2509,2513,2517,2521,2525,2529,2533,2537,2541,2545,2549,2553,2585,2589,2625,2629,2633,2637,2641,2645,2649,2656,2663,2670,2677,2684,2691,2698],{"id":215,"data":1583,"type":218,"tunes":1585},{"text":1584},"Agentic AI is an AI system in which a model can pursue a goal across multiple steps by deciding what to do next, using tools or other capabilities, observing the results, updating its working state and continuing until it reaches a stopping condition. The model alone is not the agent. A usable agent also needs a runtime or harness that manages context, tool execution, state, permissions, approvals, errors and the loop between decisions and observations.",{},{"id":221,"data":1587,"type":226,"tunes":1590},{"body":1588,"title":1589,"variant":225},"A normal model call is usually \u003Cstrong>input → model → output\u003C\u002Fstrong>. An agentic system is closer to \u003Cstrong>goal → decision → tool\u002Faction → observation → updated decision → … → result\u003C\u002Fstrong>.\u003Cbr>\u003Cbr>The critical distinction is not whether an application uses an LLM or function calling. It is whether the system gives the model meaningful control over the next step of a multi-step process while a runtime constrains what the model is actually allowed to do.","Direct answer",{},{"id":229,"data":1592,"type":226,"tunes":1595},{"body":1593,"title":1594,"variant":233},"A model may know how to call a tool. A runtime may expose that tool. Neither fact means the current user or agent is authorized to execute the underlying business action. \u003Cstrong>Tool capability, tool permission and business authority are separate layers.\u003C\u002Fstrong>","Capability is not authority",{},{"id":236,"data":1597,"type":226,"tunes":1600},{"body":1598,"title":1599,"variant":240},"Agent terminology still varies across vendors and research communities. OpenAI currently defines agent runtimes around multi-step work, tools, state and orchestration. Anthropic's practical distinction remains useful: workflows follow predefined code paths, while agents dynamically direct their own process and tool use. This article therefore treats “agentic AI” as an architectural spectrum rather than one standardized product category.","Current-source note — 8 October 2026",{},{"id":243,"data":1602,"type":248,"tunes":1604},{"title":1603,"maxLevel":246,"minLevel":247},"Contents",{},{"id":251,"data":1606,"type":42,"tunes":1608},{"text":1607,"level":247},"What agentic AI really means",{},{"id":256,"data":1610,"type":218,"tunes":1612},{"text":1611},"The important shift from ordinary generative AI to agentic AI is control over process. A normal assistant can answer a question using the context it receives. An agent can decide that answering requires additional steps: inspect a file, search a repository, query an API, ask for clarification, run a test, update a ticket, delegate a subtask or retry after a failed action.",{},{"id":261,"data":1614,"type":218,"tunes":1616},{"text":1615},"This does not require unlimited autonomy. An agent can operate inside a narrow sandbox, under strict permissions, with approval required before every consequential action. The system is still agentic if the model dynamically chooses among permitted next steps.",{},{"id":266,"data":1618,"type":218,"tunes":1620},{"text":1619},"The architecture therefore matters more than the label. “Agent” should describe a system behavior: iterative model-driven decision making over tools, state and feedback — not merely a chatbot with a larger prompt.",{},{"id":271,"data":1622,"type":42,"tunes":1624},{"text":1623,"level":247},"The simplest example",{},{"id":276,"data":1626,"type":218,"tunes":1628},{"text":1627},"Suppose a developer asks an AI system: “Find why the test suite fails and fix the bug.” A single model call could only suggest likely causes from the text it was given.",{},{"id":281,"data":1630,"type":218,"tunes":1632},{"text":1631},"An agentic coding system can inspect the repository, search for the failing test, read relevant files, propose a change, edit the code, run the test, observe the failure, revise the implementation and run the test again.",{},{"id":286,"data":1634,"type":218,"tunes":1636},{"text":1635},"The agentic part is not simply that shell and file tools exist. It is that the model can use environmental feedback to choose the next step instead of following one completely predefined sequence.",{},{"id":291,"data":1638,"type":317,"tunes":1662},{"steps":1639,"title":1661,"orientation":316},[1640,1643,1646,1649,1652,1655,1658],{"label":1641,"description":1642},"1. Receive a goal","The user or upstream system defines the objective and relevant constraints.",{"label":1644,"description":1645},"2. Build current context","The runtime supplies instructions, state, history, memory, tools and current evidence.",{"label":1647,"description":1648},"3. Model decides next step","The model may answer, call a tool, request information, delegate or stop.",{"label":1650,"description":1651},"4. Runtime validates the request","Permissions, schemas, approvals and policy determine whether the proposed action may execute.",{"label":1653,"description":1654},"5. Execute tool or action","The external environment changes or returns new information.",{"label":1656,"description":1657},"6. Observe the result","The runtime feeds structured tool output, errors or state changes back into the next model step.",{"label":1659,"description":1660},"7. Continue or stop","The loop repeats until success, refusal, escalation, budget limit, timeout or another stopping condition.","The basic agent loop",{},{"id":320,"data":1664,"type":42,"tunes":1666},{"text":1665,"level":247},"Where the simple example stops",{},{"id":325,"data":1668,"type":218,"tunes":1670},{"text":1669},"Not every multi-step AI system is equally agentic. A workflow may use several LLM calls and tools while every step is predetermined in code. Another system may let the model decide which tool to call, in which order, how many times and when to stop.",{},{"id":330,"data":1672,"type":218,"tunes":1674},{"text":1673},"Both can be useful. The difference is where control lives. Predefined workflows put more control in application code. Agents move more tactical process decisions into the model\u002Fruntime loop.",{},{"id":335,"data":1676,"type":42,"tunes":1678},{"text":1677,"level":247},"Agent vs workflow",{},{"id":340,"data":1680,"type":369,"tunes":1700},{"rows":1681,"title":1694,"layout":361,"columns":1695},[1682,1685,1688,1691],{"id":344,"label":1683,"values":1684},"Process path",[347,347],{"id":349,"label":1686,"values":1687},"Tool sequence",[347,347],{"id":353,"label":1689,"values":1690},"Strength",[347,347],{"id":357,"label":1692,"values":1693},"Risk",[347,347],"Predefined workflow and agentic control",[1696,1698],{"id":364,"label":1697},"LLM workflow",{"id":367,"label":1699},"Agent",{},{"id":372,"data":1702,"type":218,"tunes":1704},{"text":1703},"Anthropic explicitly separates these two patterns: workflows orchestrate models and tools through predefined code paths, while agents let models dynamically direct their own processes and tool usage. This is not the only possible terminology, but it is a useful architecture boundary.",{},{"id":377,"data":1706,"type":42,"tunes":1708},{"text":1707,"level":247},"Agentic behavior is a spectrum, not a binary label",{},{"id":382,"data":1710,"type":361,"tunes":1740},{"content":1711,"stretched":43,"withHeadings":14},[1712,1716,1720,1724,1728,1732,1736],[1713,1714,1715],"Level","Example","Who decides the next step?",[1717,1718,1719],"Single model call","Summarize this document","Application calls model once",[1721,1722,1723],"Tool-assisted response","Model may use web search before answering","Model selects from bounded tools for one response",[1725,1726,1727],"Structured workflow","Classify → retrieve → generate → validate","Application workflow determines stages",[1729,1730,1731],"Adaptive workflow","Model can choose among several branches and retry","Shared control between application and model",[1733,1734,1735],"Agent loop","Model repeatedly chooses tools\u002Factions based on observations","Model directs tactical execution inside runtime constraints",[1737,1738,1739],"Long-running agent","Agent pauses, resumes, manages artifacts and continues","Model + persistent runtime manage evolving execution",{},{"id":415,"data":1742,"type":218,"tunes":1744},{"text":1743},"Calling every system above an “agent” can obscure important operational differences. The stronger the model's control over sequence, duration and actions, the more important runtime isolation, permissions, tracing, stopping conditions and trajectory evaluation become.",{},{"id":420,"data":1746,"type":42,"tunes":1748},{"text":1747,"level":247},"The minimum architecture of an agentic system",{},{"id":425,"data":1750,"type":361,"tunes":1791},{"content":1751,"stretched":43,"withHeadings":14},[1752,1755,1758,1761,1764,1767,1770,1773,1776,1779,1782,1785,1788],[1753,1754],"Component","Responsibility",[1756,1757],"Goal \u002F task","Defines what the system is trying to accomplish.",[1759,1760],"Model","Interprets context and decides the next action or output.",[1762,1763],"Instructions","Define role, constraints, priorities and task-specific policy.",[1765,1766],"Context assembler","Builds the information visible to the model on each step.",[1768,1769],"Tool catalog","Defines capabilities the model may request.",[1771,1772],"Runtime \u002F harness","Runs the loop, executes tools, manages state and handles stopping conditions.",[1774,1775],"Authorization layer","Determines whether a proposed action is permitted for the current principal.",[1777,1778],"State \u002F session","Preserves task progress across turns or execution steps.",[1780,1781],"Observation channel","Returns tool results and environment changes to the next model step.",[1783,1784],"Approvals \u002F human control","Pauses consequential actions where review is required.",[1786,1787],"Tracing \u002F audit","Records model calls, tools, transitions, approvals and failures.",[1789,1790],"Evaluation","Measures outcomes and execution trajectories against acceptance criteria.",{},{"id":469,"data":1793,"type":42,"tunes":1795},{"text":1794,"level":247},"A model is not an agent",{},{"id":474,"data":1797,"type":218,"tunes":1799},{"text":1798},"A language model produces outputs from inputs. It does not by itself own a filesystem, execute a shell command, maintain durable task state, enforce permissions or automatically call itself again.",{},{"id":479,"data":1801,"type":218,"tunes":1803},{"text":1802},"Those capabilities come from the surrounding runtime. The same model can behave as a simple chat model in one application and as the decision engine inside an agent loop in another.",{},{"id":484,"data":1805,"type":226,"tunes":1808},{"body":1806,"title":1807,"variant":488},"\u003Cstrong>Model capability determines what decisions can be proposed. Runtime architecture determines what can actually happen.\u003C\u002Fstrong>","Architecture rule",{},{"id":491,"data":1810,"type":42,"tunes":1812},{"text":1811,"level":247},"Tool use is central — but tool use alone does not make an agent",{},{"id":496,"data":1814,"type":218,"tunes":1816},{"text":1815},"Tools let the model acquire information and affect external systems. Examples include database reads, file operations, shell execution, web search, browser control, API calls, ticket updates or delegated specialist agents.",{},{"id":501,"data":1818,"type":218,"tunes":1820},{"text":1819},"A single model call can use one tool and still remain a bounded tool-assisted response rather than a long-running agent. Agentic behavior appears when tool observations feed an adaptive loop in which the model chooses what to do next.",{},{"id":506,"data":1822,"type":218,"tunes":1824},{"text":1823},"Tool design matters because tools are the contract between model reasoning and external reality. Ambiguous or overlapping tools create routing errors; large unstructured outputs pollute context; broad side-effect tools increase blast radius.",{},{"id":511,"data":1826,"type":42,"tunes":1828},{"text":1827,"level":247},"Tool capability, permission and authority are different",{},{"id":516,"data":1830,"type":361,"tunes":1856},{"content":1831,"stretched":43,"withHeadings":14},[1832,1835,1838,1841,1844,1847,1850,1853],[1833,1834],"Layer","Question",[1836,1837],"Capability","Can this runtime technically perform the operation?",[1839,1840],"Tool exposure","Is that capability available to this agent?",[1842,1843],"Permission","May this agent\u002Fsession use it under the current policy?",[1845,1846],"User authorization","Is the requesting principal allowed to cause this operation?",[1848,1849],"Business authority","Is the operation valid under domain rules, approvals and limits?",[1851,1852],"Execution","Did the operation actually occur?",[1854,1855],"Audit","Can the system prove who requested, approved and executed it?",{},{"id":545,"data":1858,"type":218,"tunes":1860},{"text":1859},"These layers are frequently collapsed in prototypes. A model sees a refund tool and therefore appears able to issue refunds. In production, the tool should still validate account, user, transaction, amount, policy and approval conditions independently of the model's request.",{},{"id":550,"data":1862,"type":42,"tunes":1864},{"text":1863,"level":247},"The runtime or harness is the actual execution system",{},{"id":555,"data":1866,"type":218,"tunes":1868},{"text":1867},"OpenAI's current agent documentation makes the runtime distinction explicit. Different runtimes can manage orchestration, state, tools, sandboxes and execution in different places, while the model remains only one part of the system.",{},{"id":560,"data":1870,"type":218,"tunes":1872},{"text":1871},"The Agents SDK describes a loop that repeatedly calls the current model, inspects the output, executes requested tools or handoffs, and continues until the model returns a final answer or another real stopping point.",{},{"id":565,"data":1874,"type":218,"tunes":1876},{"text":1875},"This means agent architecture decisions include where orchestration runs, where state lives, who executes tools, which sandbox contains side effects, and who owns retries, timeouts and resumability.",{},{"id":570,"data":1878,"type":42,"tunes":1880},{"text":1879,"level":247},"Planning is useful, but an explicit plan is not required",{},{"id":575,"data":1882,"type":218,"tunes":1884},{"text":1883},"Agents are often described as systems that “plan.” In practice, planning can be explicit or implicit. An agent may first produce a visible multi-step plan, or it may choose one next action at a time and revise after every observation.",{},{"id":580,"data":1886,"type":218,"tunes":1888},{"text":1887},"For highly uncertain tasks, short-horizon planning can be safer because the environment can invalidate a long plan. The architectural requirement is the ability to choose and revise actions based on the goal, current state and new evidence.",{},{"id":585,"data":1890,"type":42,"tunes":1892},{"text":1891,"level":247},"Environmental feedback is what makes the loop useful",{},{"id":590,"data":1894,"type":218,"tunes":1896},{"text":1895},"An agent becomes operationally meaningful when it can observe whether its action worked. Tool output, test results, API responses, filesystem state, browser state and application records provide external evidence that the system can use to revise its next decision.",{},{"id":595,"data":1898,"type":218,"tunes":1900},{"text":1899},"Anthropic's agent guidance emphasizes this feedback loop: agents use tools, obtain ground truth from the environment, assess progress and continue or request human input.",{},{"id":600,"data":1902,"type":226,"tunes":1905},{"body":1903,"title":1904,"variant":233},"An agent saying “the task is complete” does not prove completion. Where possible, verify the final state through an external system, test, file, transaction record or other observable outcome.","Self-report is not environmental proof",{},{"id":606,"data":1907,"type":42,"tunes":1909},{"text":1908,"level":247},"Agent state is not the same as model context",{},{"id":611,"data":1911,"type":218,"tunes":1913},{"text":1912},"A long-running task may need state that cannot or should not remain in the model context: task IDs, checkpoints, artifacts, approvals, external object identifiers, retry counters and workflow status.",{},{"id":616,"data":1915,"type":218,"tunes":1917},{"text":1916},"The runtime can preserve this durable state outside the model window and reconstruct the context required for the next step. This keeps model-visible context focused while maintaining continuity and resumability.",{},{"id":621,"data":1919,"type":42,"tunes":1921},{"text":1920,"level":247},"Memory is optional, not the definition of an agent",{},{"id":626,"data":1923,"type":218,"tunes":1925},{"text":1924},"An agent can operate successfully without long-term memory if the complete task fits inside one bounded run. Memory becomes useful when information must persist across sessions, tasks or long execution horizons.",{},{"id":631,"data":1927,"type":218,"tunes":1929},{"text":1928},"RAG, memory, state and context solve different problems. Treating a vector database as “the agent memory” or conversation history as “the state machine” usually hides important lifecycle and authority boundaries.",{},{"id":636,"data":1931,"type":642,"tunes":1936},{"url":1932,"title":1933,"excerpt":1934,"ctaLabel":1935},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","AI Agent Memory Is Not RAG: How to Separate Memory, Retrieval, State and Context","A practical architecture separating persistent memory, authoritative application state, retrieval and the context supplied to the model.","Read the memory architecture article",{},{"id":645,"data":1938,"type":42,"tunes":1940},{"text":1939,"level":247},"Context engineering becomes dynamic in agents",{},{"id":650,"data":1942,"type":218,"tunes":1944},{"text":1943},"Every tool call can produce new context. Every step can also make earlier information obsolete. A strong agent runtime therefore rebuilds or curates context as execution progresses rather than replaying everything indefinitely.",{},{"id":655,"data":1946,"type":218,"tunes":1948},{"text":1947},"Tool definitions, task state, retrieved evidence, observations and memory all compete for the model's attention. Long-running agents need trimming, compaction or just-in-time loading so context remains relevant to the current decision.",{},{"id":660,"data":1950,"type":42,"tunes":1952},{"text":1951,"level":247},"Read tools and side-effect tools have different risk",{},{"id":665,"data":1954,"type":369,"tunes":1971},{"rows":1955,"title":1965,"layout":361,"columns":1966},[1956,1959,1962],{"id":669,"label":1957,"values":1958},"Examples",[347,347],{"id":673,"label":1960,"values":1961},"Main risk",[347,347],{"id":677,"label":1963,"values":1964},"Typical control",[347,347],"Information access versus external action",[1967,1969],{"id":683,"label":1968},"Read \u002F observe",{"id":686,"label":1970},"Write \u002F act",{},{"id":690,"data":1973,"type":42,"tunes":1975},{"text":1974,"level":247},"Human-in-the-loop is a control mechanism, not the opposite of agentic AI",{},{"id":695,"data":1977,"type":218,"tunes":1979},{"text":1978},"An agent does not stop being agentic because a human approves consequential steps. The model can still autonomously inspect, reason, search and prepare an action while the runtime requires human confirmation before execution.",{},{"id":700,"data":1981,"type":218,"tunes":1983},{"text":1982},"OpenAI's current agent safety guidance explicitly recommends approvals for tool operations in higher-risk workflows. Anthropic likewise emphasizes checkpoints and human judgment where agents encounter blockers or consequential decisions.",{},{"id":705,"data":1985,"type":218,"tunes":1987},{"text":1986},"The useful architecture question is not “human or autonomous?” but which decisions can be delegated, which require review and which must remain deterministic?",{},{"id":710,"data":1989,"type":42,"tunes":1991},{"text":1990,"level":247},"Agents need explicit stopping conditions",{},{"id":715,"data":1993,"type":361,"tunes":2025},{"content":1994,"stretched":43,"withHeadings":14},[1995,1998,2001,2004,2007,2010,2013,2016,2019,2022],[1996,1997],"Stopping condition","Purpose",[1999,2000],"Successful verified outcome","End when the external target state is confirmed.",[2002,2003],"Maximum steps","Prevent runaway loops.",[2005,2006],"Time budget","Bound wall-clock execution.",[2008,2009],"Cost\u002Ftoken budget","Limit resource consumption.",[2011,2012],"Repeated-action detector","Stop loops that are no longer making progress.",[2014,2015],"Permission boundary","Pause or stop when the next required action is not permitted.",[2017,2018],"Human approval checkpoint","Wait before consequential execution.",[2020,2021],"Unrecoverable tool failure","Escalate instead of retrying indefinitely.",[2023,2024],"Uncertainty threshold","Ask for clarification when the task cannot be safely inferred.",{},{"id":750,"data":2027,"type":42,"tunes":2029},{"text":2028,"level":247},"Recovery is part of agent behavior",{},{"id":755,"data":2031,"type":218,"tunes":2033},{"text":2032},"Agents operate in environments that fail: APIs time out, files change, credentials expire, webpages move and tools return malformed output. A useful agentic system therefore needs recovery behavior, not just a happy-path tool loop.",{},{"id":760,"data":2035,"type":218,"tunes":2037},{"text":2036},"Recovery can include retry with limits, choosing another tool, re-reading current state, asking the user, rolling back a partial action or escalating to a human.",{},{"id":765,"data":2039,"type":218,"tunes":2041},{"text":2040},"Retries also need idempotency awareness. Repeating a read is usually low risk; repeating a payment or message send can create duplicate side effects.",{},{"id":770,"data":2043,"type":42,"tunes":2045},{"text":2044,"level":247},"Agentic AI does not require multiple agents",{},{"id":775,"data":2047,"type":218,"tunes":2049},{"text":2048},"A single agent with a clear tool set is often simpler and easier to evaluate than a multi-agent architecture. Multiple agents are useful when specialization materially improves tool isolation, policy isolation, prompt clarity, ownership or trace legibility.",{},{"id":780,"data":2051,"type":218,"tunes":2053},{"text":2052},"OpenAI's current orchestration guidance explicitly recommends starting with one agent where possible and adding specialists only when the contract or ownership boundary materially changes.",{},{"id":785,"data":2055,"type":218,"tunes":2057},{"text":2056},"Multi-agent systems add new problems: delegation quality, duplicated context, conflicting state, handoff semantics, identity, cost and distributed failure handling.",{},{"id":790,"data":2059,"type":42,"tunes":2061},{"text":2060,"level":247},"Agent protocols are interoperability layers, not the agent itself",{},{"id":795,"data":2063,"type":218,"tunes":2065},{"text":2064},"Protocols such as MCP and A2A can make an agent architecture interoperable, but they do not create the agent loop by themselves. MCP can expose tools and resources. A2A can connect independently implemented agents. The application still needs runtime, authorization, state, evaluation and domain logic.",{},{"id":800,"data":2067,"type":218,"tunes":2069},{"text":2068},"This is why protocol capability must remain separate from business authority. Discovering a tool through MCP does not prove the current principal is allowed to use it. Receiving a task through A2A does not prove the remote agent may perform every requested action.",{},{"id":805,"data":2071,"type":642,"tunes":2075},{"url":807,"title":2072,"excerpt":2073,"ctaLabel":2074},"MCP vs A2A vs UCP vs AP2 vs A2UI: The Agent Protocol Stack Explained","A protocol-responsibility map showing why tool access, agent collaboration, commerce, payment authority and agent-driven UI belong to different interoperability boundaries.","Read the agent protocol stack",{},{"id":813,"data":2077,"type":42,"tunes":2079},{"text":2078,"level":247},"The trajectory is part of agent reliability",{},{"id":818,"data":2081,"type":218,"tunes":2083},{"text":2082},"A final answer is insufficient evidence for an agentic system because an agent can reach the right result through an unsafe or invalid path. It may use an unauthorized tool, skip a required check, retry a side effect, rely on stale state or accidentally succeed.",{},{"id":823,"data":2085,"type":218,"tunes":2087},{"text":2086},"Evaluation therefore needs execution traces: decisions, tool calls, approvals, observations, state changes and final outcome. Current OpenAI safety guidance recommends trace graders and evals; Anthropic's 2026 agent-evaluation guidance similarly treats multi-turn tool trajectories as first-class evaluation objects.",{},{"id":828,"data":2089,"type":218,"tunes":2091},{"text":2090},"The stronger reliability question is: Did the agent reach an acceptable outcome through an acceptable, recoverable and auditable trajectory?",{},{"id":833,"data":2093,"type":642,"tunes":2098},{"url":2094,"title":2095,"excerpt":2096,"ctaLabel":2097},"https:\u002F\u002Fstajic.de\u002Fblog\u002Fai-agent-reliability-why-the-final-answer-is-not-enough","AI Agent Reliability: Why the Final Answer Is Not Enough","Why production evaluation must inspect trajectories, tool use, state transitions and recoverability rather than only final answers.","Read the reliability article",{},{"id":841,"data":2100,"type":42,"tunes":2102},{"text":2101,"level":247},"Agentic systems increase the security surface",{},{"id":846,"data":2104,"type":361,"tunes":2141},{"content":2105,"stretched":43,"withHeadings":14},[2106,2109,2113,2117,2121,2125,2129,2133,2137],[1692,2107,2108],"Why agents amplify it","Architecture response",[2110,2111,2112],"Prompt injection","Untrusted content can influence future tool decisions","Separate instructions from data; constrain tools; sanitize or structure external input where possible",[2114,2115,2116],"Excessive permissions","Reasoning errors can become real side effects","Least privilege, scoped credentials, per-tool policy and approvals",[2118,2119,2120],"Credential exposure","Tools may need powerful secrets","Keep secrets outside model context; broker access through trusted runtime",[2122,2123,2124],"Confused deputy","Agent may act with authority broader than the requesting user","Bind execution to user\u002Fservice identity and re-authorize consequential actions",[2126,2127,2128],"Runaway loops","Model repeatedly calls tools without progress","Step, time and cost budgets plus loop detection",[2130,2131,2132],"State drift","Environment changes after the agent formed a plan","Re-read authoritative state before consequential actions",[2134,2135,2136],"Indirect injection","Tool\u002Fweb\u002Fdocument content contains instructions aimed at the model","Treat external content as untrusted data, not instruction authority",[2138,2139,2140],"Audit gap","Final result cannot show what was executed","Trace tool calls, approvals, identities and state changes",{},{"id":886,"data":2143,"type":42,"tunes":2145},{"text":2144,"level":247},"Agent observability must follow the loop",{},{"id":891,"data":2147,"type":218,"tunes":2149},{"text":2148},"Traditional service observability records requests, latency and errors. Agent observability needs an additional execution model: which agent was active, which model version made the decision, what context was available, which tool was selected, what arguments were sent, what result came back and why execution stopped.",{},{"id":896,"data":2151,"type":218,"tunes":2153},{"text":2152},"For sensitive systems, traces themselves require access control and retention policy because prompts, tool outputs and artifacts can contain confidential data.",{},{"id":901,"data":2155,"type":42,"tunes":2157},{"text":2156,"level":247},"How to evaluate an agentic system",{},{"id":906,"data":2159,"type":361,"tunes":2204},{"content":2160,"stretched":43,"withHeadings":14},[2161,2164,2168,2172,2176,2180,2184,2188,2192,2196,2200],[2162,1834,2163],"Dimension","Example evidence",[2165,2166,2167],"Task success","Did the requested outcome occur?","External state, tests, business outcome",[2169,2170,2171],"Trajectory quality","Were the steps acceptable?","Tool\u002Faction trace",[2173,2174,2175],"Tool selection","Did the agent choose appropriate capabilities?","Expected vs actual tool calls",[2177,2178,2179],"Permission adherence","Did it stay inside allowed authority?","Authorization logs and denied-action tests",[2181,2182,2183],"State handling","Did it use current authoritative state?","Freshness checks and state-change tests",[2185,2186,2187],"Recovery","Did it respond correctly to failures?","Injected timeout\u002Ferror scenarios",[2189,2190,2191],"Stopping behavior","Did it stop at the right point?","Step counts, loop detection, final-state proof",[2193,2194,2195],"Human escalation","Did it ask when review was required?","Approval\u002Fescalation traces",[2197,2198,2199],"Cost\u002Flatency","Was autonomy worth the operational cost?","Tokens, tool calls, duration",[2201,2202,2203],"Robustness","Does it survive realistic environment variation?","Repeated and adversarial trials",{},{"id":954,"data":2206,"type":42,"tunes":2208},{"text":2207,"level":247},"When an agent is appropriate",{},{"id":959,"data":2210,"type":361,"tunes":2236},{"content":2211,"stretched":43,"withHeadings":14},[2212,2215,2218,2221,2224,2227,2230,2233],[2213,2214],"Use an agent when","Prefer a workflow or simple call when",[2216,2217],"The number or order of steps cannot be known reliably in advance","The sequence is stable and deterministic",[2219,2220],"The system must inspect the environment and adapt","A single retrieval + generation step is sufficient",[2222,2223],"Several tools may be useful depending on intermediate results","One known API call solves the task",[2225,2226],"The task benefits from iterative verification or repair","The answer can be produced directly from supplied context",[2228,2229],"Failures require flexible recovery behavior","Failure branches are simple and can be encoded explicitly",[2231,2232],"Human review can be inserted at meaningful checkpoints","Every step is high-risk and must be manually controlled anyway",[2234,2235],"Expected value justifies extra latency, cost and complexity","Predictability and low cost matter more than flexibility",{},{"id":988,"data":2238,"type":218,"tunes":2240},{"text":2239},"A strong default is to start with the simplest solution that works and increase agentic complexity only when flexibility produces measurable value. Agents trade predictability, latency and cost for adaptive execution.",{},{"id":993,"data":2242,"type":42,"tunes":2244},{"text":2243,"level":247},"Original implementation evidence",{},{"id":998,"data":2246,"type":42,"tunes":2248},{"text":2247,"level":246},"Aaasaasa AI Client: model, runtime and permission are separate",{},{"id":1003,"data":2250,"type":218,"tunes":2252},{"text":2251},"Aaasaasa AI Client explicitly separates agent\u002Fclient, provider, model, runtime location and permissions. Its architecture documentation treats permissions as central tool\u002Fworkspace policy rather than a model property.",{},{"id":1008,"data":2254,"type":218,"tunes":2256},{"text":2255},"The same application can expose Direct Chat with no filesystem or shell tools while a Codex runtime operates under a selected workspace and permission profile. This demonstrates a core agentic architecture boundary: changing the runtime\u002Ftool surface changes what the system can do even when model access remains available.",{},{"id":1013,"data":2258,"type":218,"tunes":2260},{"text":2259},"The repository also distinguishes a local Codex runtime from model location: a local runtime can call a cloud model. This prevents the common mistake of equating “agent runs locally” with “inference is local.”",{},{"id":1018,"data":2262,"type":218,"tunes":2264},{"text":2263},"The implementation disables embedded execution paths whose approval semantics do not satisfy the required permission model. This supports the principle that agent capability should not bypass runtime authorization simply because an underlying framework can execute tools.",{},{"id":1023,"data":2266,"type":42,"tunes":2268},{"text":2267,"level":246},"Source of Truth Research Engine: bounded agentic research stages",{},{"id":1028,"data":2270,"type":218,"tunes":2272},{"text":2271},"The Source of Truth Research Engine uses a bounded research pipeline: discover → acquire → extract → verify → contradict → synthesize. Research jobs can execute through an AI runtime while evidence, sources, claims and contradictions remain in an external persistent store.",{},{"id":1033,"data":2274,"type":218,"tunes":2276},{"text":2275},"This is intentionally more controlled than an unconstrained autonomous research agent. The stages provide guardrails around what kind of work should happen next while still allowing model-driven research inside each bounded task.",{},{"id":1038,"data":2278,"type":218,"tunes":2280},{"text":2279},"That distinction is useful evidence for agent design: autonomy can be placed inside a structured delivery envelope rather than applied uniformly to the entire process.",{},{"id":1043,"data":2282,"type":361,"tunes":2305},{"content":2283,"stretched":43,"withHeadings":14},[2284,2287,2290,2293,2296,2299,2302],[2285,2286],"Implemented pattern","Agentic architecture lesson",[2288,2289],"Direct Chat has no OS tools","A model can exist without agentic execution capability.",[2291,2292],"Codex runtime has workspace permission profile","Tool authority belongs to runtime policy, not model capability.",[2294,2295],"Provider\u002Fmodel\u002Fruntime are separate concepts","Agent harness location and inference location are independent decisions.",[2297,2298],"Permission broker for tool-capable runtimes","Capability exposure can be centralized and governed.",[2300,2301],"Bounded research stages","Autonomy can operate inside explicit process boundaries.",[2303,2304],"Persistent claims\u002Fevidence outside model context","Agent state and evidence do not need to live only in conversation history.",{},{"id":1069,"data":2307,"type":226,"tunes":2310},{"body":2308,"title":2309,"variant":240},"These projects demonstrate concrete agent\u002Fruntime, permission and bounded-research patterns. They are not presented as proof of large-scale commercial autonomous-agent deployment.","Evidence boundary",{},{"id":1075,"data":2312,"type":42,"tunes":2314},{"text":2313,"level":247},"Common agentic AI failure modes",{},{"id":1080,"data":2316,"type":361,"tunes":2357},{"content":2317,"stretched":43,"withHeadings":14},[2318,2321,2324,2327,2330,2333,2336,2339,2342,2345,2348,2351,2354],[2319,2320],"Failure mode","What actually failed",[2322,2323],"“Agent” is only a chatbot with tools listed in the prompt","No reliable runtime loop or tool execution architecture exists",[2325,2326],"Tool support is treated as permission","Capability and authorization boundaries are collapsed",[2328,2329],"Agent trusts its own completion statement","Outcome is not verified against external state",[2331,2332],"Every task becomes multi-agent","Complexity increases without a real ownership or specialization boundary",[2334,2335],"Conversation history is used as durable state","Resumability and authoritative state become fragile",[2337,2338],"Agent retries side effects blindly","Duplicate messages, payments or state changes become possible",[2340,2341],"No step\u002Fcost limits","Agent can loop indefinitely or consume uncontrolled resources",[2343,2344],"Tool output is trusted as instruction","Indirect prompt injection can redirect behavior",[2346,2347],"Correct final answer is the only evaluation","Unsafe or invalid trajectories remain invisible",[2349,2350],"Model upgrade is treated as transparent","Tool selection, planning and stopping behavior can change",[2352,2353],"One broad tool exposes many privileged operations","Blast radius increases and intent becomes harder to validate",[2355,2356],"Human approval exists but reviewer lacks context","Approval becomes ceremonial rather than effective",{},{"id":1124,"data":2359,"type":42,"tunes":2361},{"text":2360,"level":247},"Common misconceptions",{},{"id":1129,"data":2363,"type":361,"tunes":2398},{"content":2364,"stretched":43,"withHeadings":14},[2365,2368,2371,2374,2377,2380,2383,2386,2389,2392,2395],[2366,2367],"Misconception","Correction",[2369,2370],"“An LLM is an agent.”","The model is the decision component; the agent is the surrounding system that manages tools, state and iteration.",[2372,2373],"“Tool calling automatically means agentic AI.”","A single bounded tool call may not involve an adaptive multi-step agent loop.",[2375,2376],"“Agents must be fully autonomous.”","Agentic systems can require approvals and operate under narrow permission boundaries.",[2378,2379],"“Agents need long-term memory.”","Memory is optional; many useful agents complete bounded tasks without cross-session memory.",[2381,2382],"“Agents must create a written plan first.”","Planning can be explicit or implicit and can occur one step at a time.",[2384,2385],"“Multi-agent is more advanced than single-agent.”","It is more complex; use it only when specialization or ownership boundaries justify it.",[2387,2388],"“MCP creates an agent.”","MCP exposes tools\u002Fresources; the runtime still needs an agent loop and authorization model.",[2390,2391],"“A local runtime means the model is local.”","Runtime location and inference\u002Fprovider location are separate.",[2393,2394],"“If the final result is correct, the agent worked correctly.”","An unsafe or unauthorized trajectory can still produce a correct result.",[2396,2397],"“Human approval removes autonomy.”","Approval can constrain selected actions while the rest of the process remains model-directed.",{},{"id":1167,"data":2400,"type":42,"tunes":2402},{"text":2401,"level":247},"A practical agent design sequence",{},{"id":1172,"data":2404,"type":317,"tunes":2443},{"steps":2405,"title":2442,"orientation":316},[2406,2409,2412,2415,2418,2421,2424,2427,2430,2433,2436,2439],{"label":2407,"description":2408},"1. Define the outcome","State what external result or artifact proves task success.",{"label":2410,"description":2411},"2. Decide whether an agent is actually needed","Prefer a simple call or deterministic workflow when the path is predictable.",{"label":2413,"description":2414},"3. Identify state and Source of Truth","Define which systems own current facts, task progress and business state.",{"label":2416,"description":2417},"4. Define the tool surface","Expose the smallest set of clear capabilities required for the task.",{"label":2419,"description":2420},"5. Bind identity and permissions","Separate user authority, agent\u002Fruntime permissions and tool capabilities.",{"label":2422,"description":2423},"6. Choose autonomy boundaries","Specify what the model may decide dynamically and what remains deterministic.",{"label":2425,"description":2426},"7. Add approval checkpoints","Require review before consequential or irreversible actions where appropriate.",{"label":2428,"description":2429},"8. Define stopping and recovery","Set success proof, budgets, timeouts, retries, escalation and loop controls.",{"label":2431,"description":2432},"9. Design context\u002Fstate management","Keep current state, memory, tool observations and durable artifacts in the correct layers.",{"label":2434,"description":2435},"10. Trace the trajectory","Record enough execution structure to debug and audit model\u002Ftool decisions.",{"label":2437,"description":2438},"11. Evaluate realistic failures","Test stale state, tool errors, prompt injection, ambiguous requests and changed environments.",{"label":2440,"description":2441},"12. Expand autonomy only from evidence","Increase permissions or execution horizon when evaluation shows the benefit justifies the risk.","Design the agent from authority outward",{},{"id":1214,"data":2445,"type":42,"tunes":2447},{"text":2446,"level":247},"Agentic AI architecture checklist",{},{"id":1219,"data":2449,"type":361,"tunes":2492},{"content":2450,"stretched":43,"withHeadings":14},[2451,2453,2456,2459,2462,2465,2468,2471,2474,2477,2480,2483,2486,2489],[1834,2452],"Expected evidence",[2454,2455],"What proves success?","External outcome, artifact, test or authoritative state.",[2457,2458],"Why is an agent needed?","The path genuinely depends on intermediate observations.",[2460,2461],"Which decisions are model-driven?","Explicit autonomy boundary.",[2463,2464],"Which tools exist?","Small, documented, unambiguous capability set.",[2466,2467],"Who may use each tool?","Identity- and context-aware authorization policy.",[2469,2470],"Which actions need approval?","Consequence-based review rules.",[2472,2473],"Where does task state live?","Application-owned state separate from transient model context.",[2475,2476],"How does the agent recover?","Retry, re-read, rollback, clarification and escalation behavior.",[2478,2479],"How does it stop?","Verified completion plus step\u002Ftime\u002Fcost limits.",[2481,2482],"How are side effects protected?","Validation, idempotency, least privilege and confirmation.",[2484,2485],"Can execution be reconstructed?","Tool, approval and state-transition traces.",[2487,2488],"How is it evaluated?","Outcome + trajectory + robustness tests.",[2490,2491],"What changes after a model\u002Fruntime update?","Regression suite for tool selection, permissions, stopping and recovery.",{},{"id":1265,"data":2494,"type":42,"tunes":2496},{"text":2495,"level":247},"Edge cases and limitations",{},{"id":1270,"data":2498,"type":218,"tunes":2500},{"text":2499},"Some systems are “agentic” only in a narrow routing sense: the model selects one specialist or tool and then the rest of the workflow is deterministic. That can still be useful, but it should not be described as equivalent to a long-running autonomous agent.",{},{"id":1275,"data":2502,"type":218,"tunes":2504},{"text":2503},"Highly consequential domains may intentionally restrict agent autonomy. An AI system can inspect evidence, prepare recommendations and fill structured forms while a human remains the only actor allowed to commit the final transaction.",{},{"id":1280,"data":2506,"type":218,"tunes":2508},{"text":2507},"Some environments are well suited to agents because feedback is objective. Coding agents can run tests; infrastructure agents can inspect metrics; data agents can validate query results. Open-ended domains with weak feedback require more cautious evaluation.",{},{"id":1285,"data":2510,"type":218,"tunes":2512},{"text":2511},"An agent can operate entirely locally, entirely through managed cloud services or in a hybrid architecture. Agentic behavior describes control flow, not hosting location.",{},{"id":1290,"data":2514,"type":218,"tunes":2516},{"text":2515},"The term “reasoning” should not be used as proof that the agent's internal process is correct. Production assurance should rely on observable inputs, actions, outputs, state and evaluation rather than unverifiable claims about hidden reasoning.",{},{"id":1295,"data":2518,"type":42,"tunes":2520},{"text":2519,"level":247},"What would change this answer?",{},{"id":1300,"data":2522,"type":218,"tunes":2524},{"text":2523},"Vendor APIs and agent frameworks will continue to evolve, but the architecture boundary is stable: a model proposes decisions, a runtime manages the loop, tools connect to the environment, permissions constrain actions and external observations determine what actually happened.",{},{"id":1305,"data":2526,"type":218,"tunes":2528},{"text":2527},"As models become more reliable, systems may safely delegate longer horizons or more complex recovery behavior. As runtime verification and authorization improve, some approval steps may become automated. Those are changes in autonomy level, not changes to the fundamental responsibility layers.",{},{"id":1310,"data":2530,"type":218,"tunes":2532},{"text":2531},"The recommended architecture also changes by consequence. A research agent that only reads public sources can tolerate different controls from an agent that writes production configuration or moves money.",{},{"id":1315,"data":2534,"type":42,"tunes":2536},{"text":2535,"level":247},"Related canonical knowledge",{},{"id":1320,"data":2538,"type":218,"tunes":2540},{"text":2539},"Agentic AI sits above several prerequisite layers: context engineering determines what the model sees; Source-of-Truth architecture determines which information is authoritative; retrieval supplies external evidence; runtime architecture determines what can execute.",{},{"id":1325,"data":2542,"type":218,"tunes":2544},{"text":2543},"Downstream nodes include tool calling, MCP, A2A, agent identity, permissions, auditability, human-in-the-loop, orchestration, memory and multi-agent systems.",{},{"id":1330,"data":2546,"type":218,"tunes":2548},{"text":2547},"The protocol stack article should therefore be read after the basic agent concept: protocols standardize boundaries around agents; they do not define agentic behavior itself.",{},{"id":1335,"data":2550,"type":42,"tunes":2552},{"text":2551,"level":247},"Frequently asked questions",{},{"id":1340,"data":2554,"type":1340,"tunes":2584},{"items":2555,"title":2583},[2556,2559,2562,2565,2568,2571,2574,2577,2580],{"id":1344,"answer":2557,"question":2558},"Agentic AI is an AI system in which a model can pursue a goal over multiple steps by choosing actions or tools, observing results, updating its state and continuing until a stopping condition is reached.","What is agentic AI?",{"id":1348,"answer":2560,"question":2561},"An LLM produces outputs from inputs. An agent combines a model with a runtime, tools, state, permissions, context management and an iterative execution loop.","What is the difference between an LLM and an AI agent?",{"id":1352,"answer":2563,"question":2564},"Not necessarily. A single tool-assisted model response can be bounded and non-agentic. Agentic behavior appears when tool observations drive an adaptive multi-step loop.","Does tool calling make a system an agent?",{"id":1356,"answer":2566,"question":2567},"A workflow usually follows a process path defined in application code. An agent has more model-driven control over which steps and tools to use based on intermediate observations.","What is the difference between an agent and an AI workflow?",{"id":1360,"answer":2569,"question":2570},"No. Long-term memory is useful for persistent information across sessions, but many agents complete bounded tasks using only current task state and context.","Do agents need memory?",{"id":1364,"answer":2572,"question":2573},"No. A single agent is often simpler. Multi-agent systems are justified when specialization, tool isolation, policy isolation or ownership boundaries materially improve the system.","Do AI agents need multiple agents?",{"id":1368,"answer":2575,"question":2576},"Yes. The agent can autonomously perform low-risk analysis and preparation while the runtime pauses for human approval before consequential actions.","Can an agent be human-in-the-loop?",{"id":1372,"answer":2578,"question":2579},"No. MCP is an interoperability protocol for exposing tools, resources and prompts. An agent runtime can use MCP, but still needs its own loop, state, authorization and evaluation.","Is MCP an agent framework?",{"id":1376,"answer":2581,"question":2582},"Where possible, verify success through external state, tests, artifacts or authoritative system records rather than trusting the model's own completion statement.","How do you know an agent actually completed a task?","Agentic AI FAQ",{},{"id":1382,"data":2586,"type":42,"tunes":2588},{"text":2587,"level":247},"Glossary",{},{"id":1387,"data":2590,"type":1387,"tunes":2624},{"title":2591,"entries":2592},"Key agentic AI terms",[2593,2596,2599,2601,2603,2606,2609,2612,2615,2618,2621],{"term":2594,"anchor":1393,"definition":2595},"Agentic AI","AI system behavior in which a model dynamically directs multi-step execution using tools, observations and state toward a goal.",{"term":2597,"anchor":1397,"definition":2598},"AI agent","A model-centered system with runtime, tools, state and an execution loop that can pursue a task over multiple steps.",{"term":1733,"anchor":1401,"definition":2600},"Repeated cycle of model decision, tool\u002Faction execution, observation and updated model decision until stopping.",{"term":1771,"anchor":1405,"definition":2602},"The execution layer that manages the model loop, tools, state, approvals, context, errors and stopping conditions.",{"term":2604,"anchor":1409,"definition":2605},"Tool","A capability exposed to the model for reading information, computing, delegating or changing external state.",{"term":2607,"anchor":1413,"definition":2608},"Observation","Information returned from a tool or environment and supplied to a later agent step.",{"term":2610,"anchor":1417,"definition":2611},"Agent state","Persistent task or execution information that exists outside a single model output and may survive across steps or pauses.",{"term":2613,"anchor":1421,"definition":2614},"Autonomy boundary","The explicit limit defining which decisions and actions the model may control dynamically.",{"term":2616,"anchor":1425,"definition":2617},"Human-in-the-loop","A control pattern in which human review, input or approval is required at selected points in an AI-driven process.",{"term":2619,"anchor":1429,"definition":2620},"Trajectory","The sequence of relevant states, decisions, tool calls, actions and observations between task request and final outcome.",{"term":2622,"anchor":1433,"definition":2623},"Idempotency","Property that allows an operation to be repeated without unintentionally applying the same side effect multiple times.",{},{"id":1437,"data":2626,"type":42,"tunes":2628},{"text":2627,"level":247},"Conclusion",{},{"id":1442,"data":2630,"type":218,"tunes":2632},{"text":2631},"Agentic AI is not simply a smarter model or a chatbot with more tools. It is a system architecture in which a model participates in an iterative control loop: decide, act, observe, update and continue.",{},{"id":1447,"data":2634,"type":218,"tunes":2636},{"text":2635},"The model provides flexible decision making, but the surrounding runtime must own execution reality: permissions, tool access, state, approvals, retries, budgets, stopping conditions, tracing and verification.",{},{"id":1452,"data":2638,"type":218,"tunes":2640},{"text":2639},"The most useful design principle is therefore: delegate tactical choice to the model only inside explicit technical and business boundaries. Agentic capability becomes production capability only when autonomy, authority and evidence remain separable.",{},{"id":1457,"data":2642,"type":42,"tunes":2644},{"text":2643,"level":247},"Primary sources and current guidance",{},{"id":1462,"data":2646,"type":218,"tunes":2648},{"text":2647},"The sources below support the current architectural distinctions around agents, workflows, loops, tools, orchestration, safety and evaluation. Project sections are original implementation evidence and are explicitly bounded to what the repositories demonstrate.",{},{"id":1467,"data":2650,"type":1474,"tunes":2655},{"link":1469,"meta":2651},{"image":2652,"title":2653,"description":2654},{"url":347},"OpenAI — Agents","Current developer guidance defining runtime choices for multi-step work, tools, state, orchestration and agent execution.",{},{"id":1477,"data":2657,"type":1474,"tunes":2662},{"link":1479,"meta":2658},{"image":2659,"title":2660,"description":2661},{"url":347},"OpenAI — Agent definitions","Current documentation describing an agent as a model plus instructions and optional runtime behavior including tools, guardrails, MCP servers and handoffs.",{},{"id":1486,"data":2664,"type":1474,"tunes":2669},{"link":1488,"meta":2665},{"image":2666,"title":2667,"description":2668},{"url":347},"OpenAI — Running agents","Current documentation of the agent loop: model call, tool execution or handoff, continuation and final stopping point.",{},{"id":1495,"data":2671,"type":1474,"tunes":2676},{"link":1497,"meta":2672},{"image":2673,"title":2674,"description":2675},{"url":347},"OpenAI — Orchestration and handoffs","Current guidance on handoffs, agents-as-tools and when specialist agents add useful ownership or capability boundaries.",{},{"id":1504,"data":2678,"type":1474,"tunes":2683},{"link":1506,"meta":2679},{"image":2680,"title":2681,"description":2682},{"url":347},"OpenAI — Safety in building agents","Current safety guidance covering tool approvals, prompt injection, guardrails and trace-based evaluation.",{},{"id":1513,"data":2685,"type":1474,"tunes":2690},{"link":1515,"meta":2686},{"image":2687,"title":2688,"description":2689},{"url":347},"Anthropic — Building effective agents","Engineering guidance distinguishing predefined workflows from model-directed agents and describing tool-based environmental feedback loops.",{},{"id":1522,"data":2692,"type":1474,"tunes":2697},{"link":1524,"meta":2693},{"image":2694,"title":2695,"description":2696},{"url":347},"Anthropic — Effective context engineering for AI agents","Practical framing of agents as LLMs autonomously using tools in a loop, with dynamic just-in-time context management.",{},{"id":1531,"data":2699,"type":1474,"tunes":2704},{"link":1533,"meta":2700},{"image":2701,"title":2702,"description":2703},{"url":347},"Anthropic — Demystifying evals for AI agents","2026 guidance on evaluating multi-turn agents that call tools, modify state and adapt to intermediate results.",{},"2.31.6","Agentic AI uses models inside multi-step execution loops where they can choose tools, observe results, update state and adapt their next action within explicit runtime and permission boundaries.",{"lang":7,"title":208,"content":210,"contentJson":2708,"excerpt":1540},{"time":212,"blocks":2709,"version":1539},[2710,2713,2716,2719,2722,2725,2728,2731,2734,2737,2740,2743,2746,2749,2760,2763,2766,2769,2772,2787,2790,2793,2804,2807,2810,2827,2830,2833,2836,2839,2842,2845,2848,2851,2854,2866,2869,2872,2875,2878,2881,2884,2887,2890,2893,2896,2899,2902,2905,2908,2911,2914,2917,2920,2923,2926,2929,2932,2935,2948,2951,2954,2957,2960,2963,2977,2980,2983,2986,2989,2992,2995,2998,3001,3004,3007,3010,3013,3016,3019,3022,3025,3028,3031,3044,3047,3050,3053,3056,3071,3074,3086,3089,3092,3095,3098,3101,3104,3107,3110,3113,3116,3119,3130,3133,3136,3153,3156,3171,3174,3190,3193,3211,3214,3217,3220,3223,3226,3229,3232,3235,3238,3241,3244,3247,3250,3253,3256,3269,3272,3287,3290,3293,3296,3299,3302,3305,3310,3315,3320,3325,3330,3335,3340],{"id":215,"data":2711,"type":218,"tunes":2712},{"text":217},{},{"id":221,"data":2714,"type":226,"tunes":2715},{"body":223,"title":224,"variant":225},{},{"id":229,"data":2717,"type":226,"tunes":2718},{"body":231,"title":232,"variant":233},{},{"id":236,"data":2720,"type":226,"tunes":2721},{"body":238,"title":239,"variant":240},{},{"id":243,"data":2723,"type":248,"tunes":2724},{"title":245,"maxLevel":246,"minLevel":247},{},{"id":251,"data":2726,"type":42,"tunes":2727},{"text":253,"level":247},{},{"id":256,"data":2729,"type":218,"tunes":2730},{"text":258},{},{"id":261,"data":2732,"type":218,"tunes":2733},{"text":263},{},{"id":266,"data":2735,"type":218,"tunes":2736},{"text":268},{},{"id":271,"data":2738,"type":42,"tunes":2739},{"text":273,"level":247},{},{"id":276,"data":2741,"type":218,"tunes":2742},{"text":278},{},{"id":281,"data":2744,"type":218,"tunes":2745},{"text":283},{},{"id":286,"data":2747,"type":218,"tunes":2748},{"text":288},{},{"id":291,"data":2750,"type":317,"tunes":2759},{"steps":2751,"title":315,"orientation":316},[2752,2753,2754,2755,2756,2757,2758],{"label":295,"description":296},{"label":298,"description":299},{"label":301,"description":302},{"label":304,"description":305},{"label":307,"description":308},{"label":310,"description":311},{"label":313,"description":314},{},{"id":320,"data":2761,"type":42,"tunes":2762},{"text":322,"level":247},{},{"id":325,"data":2764,"type":218,"tunes":2765},{"text":327},{},{"id":330,"data":2767,"type":218,"tunes":2768},{"text":332},{},{"id":335,"data":2770,"type":42,"tunes":2771},{"text":337,"level":247},{},{"id":340,"data":2773,"type":369,"tunes":2786},{"rows":2774,"title":360,"layout":361,"columns":2783},[2775,2777,2779,2781],{"id":344,"label":345,"values":2776},[347,347],{"id":349,"label":350,"values":2778},[347,347],{"id":353,"label":354,"values":2780},[347,347],{"id":357,"label":358,"values":2782},[347,347],[2784,2785],{"id":364,"label":365},{"id":367,"label":368},{},{"id":372,"data":2788,"type":218,"tunes":2789},{"text":374},{},{"id":377,"data":2791,"type":42,"tunes":2792},{"text":379,"level":247},{},{"id":382,"data":2794,"type":361,"tunes":2803},{"content":2795,"stretched":43,"withHeadings":14},[2796,2797,2798,2799,2800,2801,2802],[386,387,388],[390,391,392],[394,395,396],[398,399,400],[402,403,404],[406,407,408],[410,411,412],{},{"id":415,"data":2805,"type":218,"tunes":2806},{"text":417},{},{"id":420,"data":2808,"type":42,"tunes":2809},{"text":422,"level":247},{},{"id":425,"data":2811,"type":361,"tunes":2826},{"content":2812,"stretched":43,"withHeadings":14},[2813,2814,2815,2816,2817,2818,2819,2820,2821,2822,2823,2824,2825],[429,430],[432,433],[435,436],[438,439],[441,442],[444,445],[447,448],[450,451],[453,454],[456,457],[459,460],[462,463],[465,466],{},{"id":469,"data":2828,"type":42,"tunes":2829},{"text":471,"level":247},{},{"id":474,"data":2831,"type":218,"tunes":2832},{"text":476},{},{"id":479,"data":2834,"type":218,"tunes":2835},{"text":481},{},{"id":484,"data":2837,"type":226,"tunes":2838},{"body":486,"title":487,"variant":488},{},{"id":491,"data":2840,"type":42,"tunes":2841},{"text":493,"level":247},{},{"id":496,"data":2843,"type":218,"tunes":2844},{"text":498},{},{"id":501,"data":2846,"type":218,"tunes":2847},{"text":503},{},{"id":506,"data":2849,"type":218,"tunes":2850},{"text":508},{},{"id":511,"data":2852,"type":42,"tunes":2853},{"text":513,"level":247},{},{"id":516,"data":2855,"type":361,"tunes":2865},{"content":2856,"stretched":43,"withHeadings":14},[2857,2858,2859,2860,2861,2862,2863,2864],[520,521],[523,524],[526,527],[529,530],[532,533],[535,536],[538,539],[541,542],{},{"id":545,"data":2867,"type":218,"tunes":2868},{"text":547},{},{"id":550,"data":2870,"type":42,"tunes":2871},{"text":552,"level":247},{},{"id":555,"data":2873,"type":218,"tunes":2874},{"text":557},{},{"id":560,"data":2876,"type":218,"tunes":2877},{"text":562},{},{"id":565,"data":2879,"type":218,"tunes":2880},{"text":567},{},{"id":570,"data":2882,"type":42,"tunes":2883},{"text":572,"level":247},{},{"id":575,"data":2885,"type":218,"tunes":2886},{"text":577},{},{"id":580,"data":2888,"type":218,"tunes":2889},{"text":582},{},{"id":585,"data":2891,"type":42,"tunes":2892},{"text":587,"level":247},{},{"id":590,"data":2894,"type":218,"tunes":2895},{"text":592},{},{"id":595,"data":2897,"type":218,"tunes":2898},{"text":597},{},{"id":600,"data":2900,"type":226,"tunes":2901},{"body":602,"title":603,"variant":233},{},{"id":606,"data":2903,"type":42,"tunes":2904},{"text":608,"level":247},{},{"id":611,"data":2906,"type":218,"tunes":2907},{"text":613},{},{"id":616,"data":2909,"type":218,"tunes":2910},{"text":618},{},{"id":621,"data":2912,"type":42,"tunes":2913},{"text":623,"level":247},{},{"id":626,"data":2915,"type":218,"tunes":2916},{"text":628},{},{"id":631,"data":2918,"type":218,"tunes":2919},{"text":633},{},{"id":636,"data":2921,"type":642,"tunes":2922},{"url":638,"title":639,"excerpt":640,"ctaLabel":641},{},{"id":645,"data":2924,"type":42,"tunes":2925},{"text":647,"level":247},{},{"id":650,"data":2927,"type":218,"tunes":2928},{"text":652},{},{"id":655,"data":2930,"type":218,"tunes":2931},{"text":657},{},{"id":660,"data":2933,"type":42,"tunes":2934},{"text":662,"level":247},{},{"id":665,"data":2936,"type":369,"tunes":2947},{"rows":2937,"title":680,"layout":361,"columns":2944},[2938,2940,2942],{"id":669,"label":670,"values":2939},[347,347],{"id":673,"label":674,"values":2941},[347,347],{"id":677,"label":678,"values":2943},[347,347],[2945,2946],{"id":683,"label":684},{"id":686,"label":687},{},{"id":690,"data":2949,"type":42,"tunes":2950},{"text":692,"level":247},{},{"id":695,"data":2952,"type":218,"tunes":2953},{"text":697},{},{"id":700,"data":2955,"type":218,"tunes":2956},{"text":702},{},{"id":705,"data":2958,"type":218,"tunes":2959},{"text":707},{},{"id":710,"data":2961,"type":42,"tunes":2962},{"text":712,"level":247},{},{"id":715,"data":2964,"type":361,"tunes":2976},{"content":2965,"stretched":43,"withHeadings":14},[2966,2967,2968,2969,2970,2971,2972,2973,2974,2975],[719,720],[722,723],[725,726],[728,729],[731,732],[734,735],[737,738],[740,741],[743,744],[746,747],{},{"id":750,"data":2978,"type":42,"tunes":2979},{"text":752,"level":247},{},{"id":755,"data":2981,"type":218,"tunes":2982},{"text":757},{},{"id":760,"data":2984,"type":218,"tunes":2985},{"text":762},{},{"id":765,"data":2987,"type":218,"tunes":2988},{"text":767},{},{"id":770,"data":2990,"type":42,"tunes":2991},{"text":772,"level":247},{},{"id":775,"data":2993,"type":218,"tunes":2994},{"text":777},{},{"id":780,"data":2996,"type":218,"tunes":2997},{"text":782},{},{"id":785,"data":2999,"type":218,"tunes":3000},{"text":787},{},{"id":790,"data":3002,"type":42,"tunes":3003},{"text":792,"level":247},{},{"id":795,"data":3005,"type":218,"tunes":3006},{"text":797},{},{"id":800,"data":3008,"type":218,"tunes":3009},{"text":802},{},{"id":805,"data":3011,"type":642,"tunes":3012},{"url":807,"title":808,"excerpt":809,"ctaLabel":810},{},{"id":813,"data":3014,"type":42,"tunes":3015},{"text":815,"level":247},{},{"id":818,"data":3017,"type":218,"tunes":3018},{"text":820},{},{"id":823,"data":3020,"type":218,"tunes":3021},{"text":825},{},{"id":828,"data":3023,"type":218,"tunes":3024},{"text":830},{},{"id":833,"data":3026,"type":642,"tunes":3027},{"url":835,"title":836,"excerpt":837,"ctaLabel":838},{},{"id":841,"data":3029,"type":42,"tunes":3030},{"text":843,"level":247},{},{"id":846,"data":3032,"type":361,"tunes":3043},{"content":3033,"stretched":43,"withHeadings":14},[3034,3035,3036,3037,3038,3039,3040,3041,3042],[358,850,851],[853,854,855],[857,858,859],[861,862,863],[865,866,867],[869,870,871],[873,874,875],[877,878,879],[881,882,883],{},{"id":886,"data":3045,"type":42,"tunes":3046},{"text":888,"level":247},{},{"id":891,"data":3048,"type":218,"tunes":3049},{"text":893},{},{"id":896,"data":3051,"type":218,"tunes":3052},{"text":898},{},{"id":901,"data":3054,"type":42,"tunes":3055},{"text":903,"level":247},{},{"id":906,"data":3057,"type":361,"tunes":3070},{"content":3058,"stretched":43,"withHeadings":14},[3059,3060,3061,3062,3063,3064,3065,3066,3067,3068,3069],[910,521,911],[913,914,915],[917,918,919],[921,922,923],[925,926,927],[929,930,931],[933,934,935],[937,938,939],[941,942,943],[945,946,947],[949,950,951],{},{"id":954,"data":3072,"type":42,"tunes":3073},{"text":956,"level":247},{},{"id":959,"data":3075,"type":361,"tunes":3085},{"content":3076,"stretched":43,"withHeadings":14},[3077,3078,3079,3080,3081,3082,3083,3084],[963,964],[966,967],[969,970],[972,973],[975,976],[978,979],[981,982],[984,985],{},{"id":988,"data":3087,"type":218,"tunes":3088},{"text":990},{},{"id":993,"data":3090,"type":42,"tunes":3091},{"text":995,"level":247},{},{"id":998,"data":3093,"type":42,"tunes":3094},{"text":1000,"level":246},{},{"id":1003,"data":3096,"type":218,"tunes":3097},{"text":1005},{},{"id":1008,"data":3099,"type":218,"tunes":3100},{"text":1010},{},{"id":1013,"data":3102,"type":218,"tunes":3103},{"text":1015},{},{"id":1018,"data":3105,"type":218,"tunes":3106},{"text":1020},{},{"id":1023,"data":3108,"type":42,"tunes":3109},{"text":1025,"level":246},{},{"id":1028,"data":3111,"type":218,"tunes":3112},{"text":1030},{},{"id":1033,"data":3114,"type":218,"tunes":3115},{"text":1035},{},{"id":1038,"data":3117,"type":218,"tunes":3118},{"text":1040},{},{"id":1043,"data":3120,"type":361,"tunes":3129},{"content":3121,"stretched":43,"withHeadings":14},[3122,3123,3124,3125,3126,3127,3128],[1047,1048],[1050,1051],[1053,1054],[1056,1057],[1059,1060],[1062,1063],[1065,1066],{},{"id":1069,"data":3131,"type":226,"tunes":3132},{"body":1071,"title":1072,"variant":240},{},{"id":1075,"data":3134,"type":42,"tunes":3135},{"text":1077,"level":247},{},{"id":1080,"data":3137,"type":361,"tunes":3152},{"content":3138,"stretched":43,"withHeadings":14},[3139,3140,3141,3142,3143,3144,3145,3146,3147,3148,3149,3150,3151],[1084,1085],[1087,1088],[1090,1091],[1093,1094],[1096,1097],[1099,1100],[1102,1103],[1105,1106],[1108,1109],[1111,1112],[1114,1115],[1117,1118],[1120,1121],{},{"id":1124,"data":3154,"type":42,"tunes":3155},{"text":1126,"level":247},{},{"id":1129,"data":3157,"type":361,"tunes":3170},{"content":3158,"stretched":43,"withHeadings":14},[3159,3160,3161,3162,3163,3164,3165,3166,3167,3168,3169],[1133,1134],[1136,1137],[1139,1140],[1142,1143],[1145,1146],[1148,1149],[1151,1152],[1154,1155],[1157,1158],[1160,1161],[1163,1164],{},{"id":1167,"data":3172,"type":42,"tunes":3173},{"text":1169,"level":247},{},{"id":1172,"data":3175,"type":317,"tunes":3189},{"steps":3176,"title":1211,"orientation":316},[3177,3178,3179,3180,3181,3182,3183,3184,3185,3186,3187,3188],{"label":1176,"description":1177},{"label":1179,"description":1180},{"label":1182,"description":1183},{"label":1185,"description":1186},{"label":1188,"description":1189},{"label":1191,"description":1192},{"label":1194,"description":1195},{"label":1197,"description":1198},{"label":1200,"description":1201},{"label":1203,"description":1204},{"label":1206,"description":1207},{"label":1209,"description":1210},{},{"id":1214,"data":3191,"type":42,"tunes":3192},{"text":1216,"level":247},{},{"id":1219,"data":3194,"type":361,"tunes":3210},{"content":3195,"stretched":43,"withHeadings":14},[3196,3197,3198,3199,3200,3201,3202,3203,3204,3205,3206,3207,3208,3209],[521,1223],[1225,1226],[1228,1229],[1231,1232],[1234,1235],[1237,1238],[1240,1241],[1243,1244],[1246,1247],[1249,1250],[1252,1253],[1255,1256],[1258,1259],[1261,1262],{},{"id":1265,"data":3212,"type":42,"tunes":3213},{"text":1267,"level":247},{},{"id":1270,"data":3215,"type":218,"tunes":3216},{"text":1272},{},{"id":1275,"data":3218,"type":218,"tunes":3219},{"text":1277},{},{"id":1280,"data":3221,"type":218,"tunes":3222},{"text":1282},{},{"id":1285,"data":3224,"type":218,"tunes":3225},{"text":1287},{},{"id":1290,"data":3227,"type":218,"tunes":3228},{"text":1292},{},{"id":1295,"data":3230,"type":42,"tunes":3231},{"text":1297,"level":247},{},{"id":1300,"data":3233,"type":218,"tunes":3234},{"text":1302},{},{"id":1305,"data":3236,"type":218,"tunes":3237},{"text":1307},{},{"id":1310,"data":3239,"type":218,"tunes":3240},{"text":1312},{},{"id":1315,"data":3242,"type":42,"tunes":3243},{"text":1317,"level":247},{},{"id":1320,"data":3245,"type":218,"tunes":3246},{"text":1322},{},{"id":1325,"data":3248,"type":218,"tunes":3249},{"text":1327},{},{"id":1330,"data":3251,"type":218,"tunes":3252},{"text":1332},{},{"id":1335,"data":3254,"type":42,"tunes":3255},{"text":1337,"level":247},{},{"id":1340,"data":3257,"type":1340,"tunes":3268},{"items":3258,"title":1379},[3259,3260,3261,3262,3263,3264,3265,3266,3267],{"id":1344,"answer":1345,"question":1346},{"id":1348,"answer":1349,"question":1350},{"id":1352,"answer":1353,"question":1354},{"id":1356,"answer":1357,"question":1358},{"id":1360,"answer":1361,"question":1362},{"id":1364,"answer":1365,"question":1366},{"id":1368,"answer":1369,"question":1370},{"id":1372,"answer":1373,"question":1374},{"id":1376,"answer":1377,"question":1378},{},{"id":1382,"data":3270,"type":42,"tunes":3271},{"text":1384,"level":247},{},{"id":1387,"data":3273,"type":1387,"tunes":3286},{"title":1389,"entries":3274},[3275,3276,3277,3278,3279,3280,3281,3282,3283,3284,3285],{"term":1392,"anchor":1393,"definition":1394},{"term":1396,"anchor":1397,"definition":1398},{"term":1400,"anchor":1401,"definition":1402},{"term":1404,"anchor":1405,"definition":1406},{"term":1408,"anchor":1409,"definition":1410},{"term":1412,"anchor":1413,"definition":1414},{"term":1416,"anchor":1417,"definition":1418},{"term":1420,"anchor":1421,"definition":1422},{"term":1424,"anchor":1425,"definition":1426},{"term":1428,"anchor":1429,"definition":1430},{"term":1432,"anchor":1433,"definition":1434},{},{"id":1437,"data":3288,"type":42,"tunes":3289},{"text":1439,"level":247},{},{"id":1442,"data":3291,"type":218,"tunes":3292},{"text":1444},{},{"id":1447,"data":3294,"type":218,"tunes":3295},{"text":1449},{},{"id":1452,"data":3297,"type":218,"tunes":3298},{"text":1454},{},{"id":1457,"data":3300,"type":42,"tunes":3301},{"text":1459,"level":247},{},{"id":1462,"data":3303,"type":218,"tunes":3304},{"text":1464},{},{"id":1467,"data":3306,"type":1474,"tunes":3309},{"link":1469,"meta":3307},{"image":3308,"title":1472,"description":1473},{"url":347},{},{"id":1477,"data":3311,"type":1474,"tunes":3314},{"link":1479,"meta":3312},{"image":3313,"title":1482,"description":1483},{"url":347},{},{"id":1486,"data":3316,"type":1474,"tunes":3319},{"link":1488,"meta":3317},{"image":3318,"title":1491,"description":1492},{"url":347},{},{"id":1495,"data":3321,"type":1474,"tunes":3324},{"link":1497,"meta":3322},{"image":3323,"title":1500,"description":1501},{"url":347},{},{"id":1504,"data":3326,"type":1474,"tunes":3329},{"link":1506,"meta":3327},{"image":3328,"title":1509,"description":1510},{"url":347},{},{"id":1513,"data":3331,"type":1474,"tunes":3334},{"link":1515,"meta":3332},{"image":3333,"title":1518,"description":1519},{"url":347},{},{"id":1522,"data":3336,"type":1474,"tunes":3339},{"link":1524,"meta":3337},{"image":3338,"title":1527,"description":1528},{"url":347},{},{"id":1531,"data":3341,"type":1474,"tunes":3344},{"link":1533,"meta":3342},{"image":3343,"title":1536,"description":1537},{"url":347},{},"Post erfolgreich abgerufen",{"items":3347,"source":3430,"manualIds":3431,"manualMatchedIds":3432},[3348,3355,3362,3369,3376,3383,3390,3397,3403,3410,3417,3423],{"id":3349,"slug":3350,"title":3351,"excerpt":3352,"featuredImage":3353,"publishedAt":3354},"480","when-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger","¿Cuándo debería una IA dejar de confiar en su propio conocimiento? — El desencadenante de la recuperación","Un modelo de IA no necesita recuperación para cada pregunta. El problema importante es saber cuándo su conocimiento interno ya no es suficiente. El Disparador de Recuperación es un límite de decisión práctico que determina cuándo un sistema de IA debe dejar de depender únicamente del conocimiento del modelo y obtener evidencia externa antes de responder.","\u002Fuploads\u002F2026\u002F09\u002Fwhen-should-an-ai-stop-trusting-its-own-knowledge-the-retrieval-trigger-1790574991244-f4rpyg.webp","2026-09-28T01:49:00.000Z",{"id":3356,"slug":3357,"title":3358,"excerpt":3359,"featuredImage":3360,"publishedAt":3361},"478","what-is-rag-the-simplest-explanation-of-how-it-works","¿Qué es RAG? La explicación más sencilla de cómo funciona","RAG suena complicado, pero la idea es simple: antes de que una IA responda, primero busca información útil de una fuente de conocimiento y le da esa información al modelo de lenguaje. Esta guía explica RAG, los LLM, el estado, la memoria y las herramientas usando un modelo mental simple.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-is-rag-the-simplest-explanation-of-how-it-works-1790377492124-khjagt.webp","2026-09-25T19:03:00.000Z",{"id":3363,"slug":3364,"title":3365,"excerpt":3366,"featuredImage":3367,"publishedAt":3368},"490","rbac-vs-tenant-isolation-two-different-security-boundaries","RBAC vs Aislamiento de Inquilinos: Dos Límites de Seguridad Diferentes","El RBAC controla lo que un usuario puede hacer; el aislamiento de inquilinos controla a qué recursos de qué inquilino puede llegar esa acción. Descubre por qué la seguridad SaaS multiinquilino requiere ambos límites.","\u002Fuploads\u002F2026\u002F10\u002Frbac-vs-tenant-isolation-two-different-security-boundaries-1791485111528-qqtzby.webp","2026-10-08T14:43:00.000Z",{"id":3370,"slug":3371,"title":3372,"excerpt":3373,"featuredImage":3374,"publishedAt":3375},"481","generative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing","IA generativa explicada: modelos, recuperación, herramientas y aplicaciones no son lo mismo","La IA generativa es más que un modelo. Aprende cómo los modelos, la recuperación, las herramientas, el contexto, los entornos de ejecución y las aplicaciones encajan en los sistemas de IA en producción.","\u002Fuploads\u002F2026\u002F10\u002Fgenerative-ai-explained-models-retrieval-tools-and-applications-are-not-the-same-thing-1791475411822-pp0dvz.webp","2026-10-08T12:00:00.000Z",{"id":3377,"slug":3378,"title":3379,"excerpt":3380,"featuredImage":3381,"publishedAt":3382},"470","what-should-an-ai-agent-remember-forget-recompute-or-retrieve-again","¿Qué debería recordar, olvidar, recalcular o volver a recuperar un agente de IA?","Los agentes de larga duración no deberían recordarlo todo. Este artículo proporciona un modelo práctico de ciclo de vida para decidir qué pertenece a la memoria duradera, qué se debería recuperar de nuevo, qué es más seguro recalcular y qué debería expirar o ser sustituido.","\u002Fuploads\u002F2026\u002F09\u002Fwhat-should-an-ai-agent-remember-forget-recompute-or-retrieve-again-1790351131087-iehz28.webp","2026-09-25T09:43:00.000Z",{"id":3384,"slug":3385,"title":3386,"excerpt":3387,"featuredImage":3388,"publishedAt":3389},"486","source-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from","Fuente de verdad en los sistemas de IA: de dónde proviene realmente el conocimiento fiable","Una fuente de verdad define qué fuente es autoritativa para un hecho o estado específico. Aprende en qué se diferencia de RAG, la procedencia, la memoria, el contexto, las bases de datos vectoriales y los sistemas de registro.","\u002Fuploads\u002F2026\u002F10\u002Fsource-of-truth-in-ai-systems-where-reliable-knowledge-actually-comes-from-1791479103235-6bq9em.webp","2026-10-08T13:02:00.000Z",{"id":3391,"slug":3392,"title":3393,"excerpt":3394,"featuredImage":3395,"publishedAt":3396},"483","what-is-an-ai-solution-architect-system-boundaries-responsibilities-and-trade-offs","¿Qué es un arquitecto de soluciones de IA? Límites del sistema, responsabilidades y compensaciones","Un Arquitecto de Soluciones de IA convierte los requisitos empresariales en un sistema de IA listo para producción que abarca datos, modelos, herramientas, seguridad, tiempo de ejecución, evaluación y operaciones.","\u002Fuploads\u002F2026\u002F10\u002Fwhat-is-an-ai-solution-architect-system-boundaries-responsibilities-and-trade-offs-1791476643267-1st5xz.webp","2026-10-08T12:23:00.000Z",{"id":3398,"slug":3399,"title":808,"excerpt":3400,"featuredImage":3401,"publishedAt":3402},"476","mcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained","MCP, A2A, UCP, AP2 y A2UI a menudo se presentan como estándares de agentes competidores. En su mayoría, resuelven diferentes problemas de interoperabilidad. Esta guía mapea cada protocolo con el límite que realmente estandariza—y muestra cómo pueden funcionar juntos en un sistema de producción.","\u002Fuploads\u002F2026\u002F09\u002Fmcp-vs-a2a-vs-ucp-vs-ap2-vs-a2ui-the-agent-protocol-stack-explained-1790352625869-2ezle0.webp","2026-09-25T12:09:00.000Z",{"id":3404,"slug":3405,"title":3406,"excerpt":3407,"featuredImage":3408,"publishedAt":3409},"487","vector-databases-embeddings-and-reranking-three-different-parts-of-retrieval","Bases de datos vectoriales, embeddings y reranking: tres partes diferentes de la recuperación","Las incrustaciones representan el significado, las bases de datos vectoriales recuperan candidatos y los rerankers refinan los resultados. Aprende en qué se diferencian y cómo trabajan juntas estas tres capas de recuperación en RAG.","\u002Fuploads\u002F2026\u002F10\u002Fvector-databases-embeddings-and-reranking-three-different-parts-of-retrieval-1791480129884-9dtasz.webp","2026-10-08T11:21:00.000Z",{"id":3411,"slug":3412,"title":3413,"excerpt":3414,"featuredImage":3415,"publishedAt":3416},"467","the-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers","El límite de validez de la respuesta: la capa faltante entre la relevancia y las respuestas fiables de la IA","Una fuente puede ser relevante, autorizada y aun así ser incorrecta para la pregunta que se plantea. La capa que falta es la aplicabilidad: las condiciones bajo las cuales una respuesta es válida y los cambios que obligan a reconsiderarla. Este artículo presenta el Límite de Validez de la Respuesta como un patrón de diseño de fuentes para personas, sistemas de búsqueda con IA y sistemas RAG.","\u002Fuploads\u002F2026\u002F09\u002Fthe-answer-validity-boundary-the-missing-layer-between-relevance-and-reliable-ai-answers-1790272901306-1g5jly.webp","2026-09-24T11:59:00.000Z",{"id":3418,"slug":3419,"title":639,"excerpt":3420,"featuredImage":3421,"publishedAt":3422},"468","ai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context","La memoria del agente, RAG, el estado y el contexto a menudo se usan como si fueran intercambiables. No lo son. Este modelo práctico de arquitectura separa las cuatro capas, muestra dónde pertenece cada una y explica qué se rompe cuando los sistemas las colapsan en una sola.","\u002Fuploads\u002F2026\u002F09\u002Fai-agent-memory-is-not-rag-how-to-separate-memory-retrieval-state-and-context-1790350560308-np0xy6.webp","2026-09-25T11:34:00.000Z",{"id":3424,"slug":3425,"title":3426,"excerpt":3427,"featuredImage":3428,"publishedAt":3429},"479","where-does-an-llm-get-its-data-rag-data-sources-in-python","¿De dónde obtiene sus datos un LLM? Fuentes de datos RAG en Python","Un LLM no conoce mágicamente tus archivos, bases de datos o APIs. Esta continuación práctica de la serie RAG muestra, con Python sencillo, cómo los datos externos se convierten en evidencia recuperable: desde archivos de texto y SQL hasta búsqueda de texto completo, embeddings, ensamblaje de contexto y la llamada final al LLM.","\u002Fuploads\u002F2026\u002F09\u002Fwhere-does-an-llm-get-its-data-rag-data-sources-in-python-1790517200521-nfsi5i.webp","2026-09-27T05:51:00.000Z","fallback",[],[]]