loop vs graph para correr un agente = quién decide el camino.
- loop: fijás meta y vara, el agente circula solo hasta que pasa.
- graph: dibujás los pasos y rutas, el agente resuelve cada nodo.
loop = una vez.
graph = lo que repetís cada semana.
Cuando es necesario construir un Agente?
Es la tarea compleja?
No: Workflow
Si: Agentes
La tarea vale la pena?
<$0.1 : Workflow
>$1 : Agentes
Cuál es el costo de error?
Alto: Human-in-the-loop
Bajo: Agentes
Cómo mejorar las respuestas del LLM?
Usar Reflection ("piense, revise y corrija") mejora las respuestas sobre el uso de zero-shot prompting.
Estructura de Reflection:
1) Agente Generador
2) Agente Reflector/Crítico
3) Loop de Refinamiento
4) Limite de iteraciones
Cómo razona un Agente ReAct?
- Thought: El LLM razona el siguiente paso.
- Action: Ejecuta una acción (API, DB, Search).
- Observation: Analiza el resultado obtenido.
Repetir en loop hasta que el objetivo esté cumplido.
Anthropic acaba de publicar el "Advisor Strategy"
Sonnet hace el laburo sucio: lee archivos, usa herramientas e itera.
Opus entra solo para planear.
Tenés la inteligencia de Opus pero pagando una fracción del costo, sin gastar tokens en tareas mecánicas.
We're bringing the advisor strategy to the Claude Platform.
Pair Opus as an advisor with Sonnet or Haiku as an executor, and get near Opus-level intelligence in your agents at a fraction of the cost.
Estuve 20 minutos tratando de ingresar a la app Mi Carrefour, porque decidieron crear un Agente antes de un form sencillo?
Tenia que Chatear de 0, tipear quiero escanear mi dni para iniciar el proceso que ni siquiera funcionaba eligiendo la tool de la camara.
Cuando (y cuando no) usar Agentes
Deja de sobre-complicar tu Arquitectura de IA.
El hype de los Agentes te está haciendo ignorar la regla de oro de la ingeniería: Busca siempre la solución más simple.
Muchos creen que una App de IA necesita autonomía total para ser "pro".
Error.
Los sistemas agénticos intercambian latencia y costo por rendimiento en tareas complejas. Si no necesitas esa flexibilidad, estás desechando tokens.
1. El punto de partida: Single LLM Call
Antes de saltar a arquitecturas complejas, optimiza tu llamada básica:
- Implementa RAG sólido.
- Usa Few-shot examples (Contexto).
Para el 80% de los casos, esto es más rápido y suficiente.
2. El término medio: Workflows
Si tu tarea es predecible, construye un Workflow. Es como una línea de ensamblaje: pasos definidos, reglas claras y salida consistente.
- Ganas en determinismo y control de errores.
3. ¿Cuándo sí usar Agentes?
Solo cuando la toma de decisiones dinámica es indispensable. Úsalos si el modelo debe elegir herramientas en tiempo real o el flujo no puede predefinirse.
- La autonomía es una herramienta, no el objetivo.
En resumen:
1. Empieza con una llamada simple + RAG.
2. Si necesitas estructura, usa un Workflow.
3. Si necesitas que el modelo "decida" el camino, usa un Agente.
La IA si va a sacar laburo, laburo facil.
A esto lo veo como cuando no queres contratar a un diseñador grafico y preferis hacerlo con las plantillas de canva.
Laburo siempre va a haber, el problema esta en el filtro que esta haciendo este nuevo paradigma.
Ayer a la noche me quedé algunas horas laburando con Claude Code y armé https://t.co/TREhACbCti inspirado en comparatasas pero va a ir teniendo muchísima más info sobre mercado de rendimientos en Argentina!
Repito: el que no se adapta rápido a CLAUDE, está out.