Construí un agente de IA. Funcionaba perfecto. Y me estaba mintiendo.

Carlos construyó un agente. Llamaba a Bedrock, retornaba respuestas, parecía funcionar. Hasta que le pidió que validara un RUT. El agente dijo que era válido. Era mentira. Carlos tardó un rato en darse cuenta que no tenía un agente — tenía un chatbot caro. 💡 La confusión más común con los agentes de IA Hay una idea que se repite: un agente es un prompt largo con un modelo potente. Y cuando intentan que haga algo concreto — validar datos, consultar APIs, tomar decisiones — se dan cuenta que tienen un wrapper de LLM. Un agente real es un sistema que toma decisiones en loop . No es una llamada. Es un ciclo entre modelo, herramientas, contexto y memoria que se repite hasta resolver la tarea. Las 5 piezas que necesita un agente para funcionar 1. Prompt — define el problema que tiene que resolver. Lo puede mandar un usuario, otro agente, o un sistema. Importa, pero no es lo único. 2. Modelo — el cerebro que toma las decisiones. Bedrock, OpenAI, Anthropic. El modelo no es el agente, es una pieza del mismo. 3. Herramientas — lo que hace que el agente sea agente. Funciones concretas que le decís qué tiene permitido ejecutar: validar un dato contra una API, consultar una base de datos, buscar en internet. Sin herramientas, solo genera texto. 4. Contexto y memoria — la información disponible: el estado de la conversación, resultados de herramientas anteriores, lo que aprendió del usuario en sesiones pasadas. Sin esto, cada interacción es como hablar con un LLM amnésico. 5. Loop de razonamiento — el ciclo completo: el agente recibe una tarea, se la manda al modelo, el modelo decide qué herramienta ejecutar, el agente la ejecuta, le devuelve el resultado al modelo, y el modelo decide si puede responder o necesita hacer otra cosa. Así hasta resolver la tarea. Lo que le pasó a Carlos No tenía herramientas. Cuando le pedía que validara un RUT, el modelo no podía ejecutar ninguna validación real — entonces alucinaba. Le inventaba si era válido o no basándose en su entrenamiento. El agente daba respuestas que tenían sentido. Eran confiadas. Y estaban mal. Los 4 problemas de diseño más comunes * Sin límites claros : el agente no sabe cuándo parar, llama herramientas en loop y genera una factura enorme * Sin las herramientas que necesita : inventa los datos en lugar de buscarlos * Sin control de memoria : no recuerda qué hizo, puede llamar la misma herramienta 10 veces * Sin observabilidad : no sabés si está decidiendo bien, no podés debuggearlo, no sabés si te está mintiendo 🚀 ¿Querés construir agentes que funcionen de verdad? Tengo un mini-curso gratuito de Agentes IA donde vemos exactamente esto: cómo diseñar las 5 piezas, cómo conectar herramientas reales, y cómo desplegarlo en AWS. 🎯 ACCEDER AL MINI-CURSO GRATUITO This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit desplegando.substack.com