Cómo aprender agentes de IA desde cero

El recorrido en seis etapas

Para aprender sobre agentes de IA desde cero, completa seis etapas en orden: los conceptos, tu primer bucle, las herramientas, la memoria, el diseño del bucle y la seguridad. En cada etapa construirás una cosa con tus propias manos. Avanzar sin completar las etapas es la razón más común por la que las personas se estancan, porque un framework oculta precisamente la parte que necesitabas ver.

Un agente de IA es un bucle alrededor de un modelo de lenguaje al que se permite llamar a herramientas. Esa frase resume todo el tema. Todo lo demás son detalles sobre lo que integra el bucle, a qué pueden acceder las herramientas y cómo detener el bucle cuando falla. Si puedes explicar el bucle a otra persona, has aprendido el concepto. Si solo puedes nombrar frameworks, todavía no lo has aprendido.

El plan siguiente supone que aprendes construyendo. Lee una etapa, construye algo pequeño, provócalo para que falle y después continúa. Una etapa que solo has leído es una etapa que todavía no has completado.

Lo que realmente necesitas antes de la etapa 1

La lista de requisitos previos es corta y más breve de lo que sugieren la mayoría de las páginas de cursos.

• Puedes leer y escribir Python o TypeScript al nivel de un script de cincuenta líneas.
• Te manejas con comodidad en un shell de Linux: instalar un paquete, editar un archivo y leer un registro.
• Tienes una clave de API para un modelo alojado o una máquina que pueda ejecutar un modelo local.

Eso es todo. No necesitas teoría de aprendizaje automático ni haber entrenado un modelo. Nada del trabajo con agentes implica gradientes ni datos de entrenamiento. Una tarjeta gráfica solo importa si decides ejecutar el modelo tú mismo. Es una habilidad independiente que puedes aprender más adelante en alojar Ollama en un VPS para autoalojar un LLM.

Lo que se suele subestimar es la parte del shell. Los agentes fallan por permisos, rutas, variables de entorno y procesos que terminan silenciosamente. Si un traceback sobre PATH o sobre los permisos de un archivo te hace cerrar el terminal, dedica primero un fin de semana a los fundamentos de Linux. Te ahorrará un mes después.

Etapa 1: qué es un agente y qué no es

Empiece con una llamada a la API y sin bucle. Envíe una solicitud, muestre la respuesta y revise los recuentos de tokens en ella. Ahora entiende la unidad de coste y la unidad de latencia.

Después, aprenda a usar herramientas. Es la única idea realmente nueva de todo el campo. Describa una función al modelo con un nombre, una descripción y un esquema JSON (notación de objetos de JavaScript) para sus entradas. El modelo no ejecuta nada. Responde con una solicitud estructurada: llamar a run_command con estos argumentos. Su código ejecuta la función, envía el resultado como mensaje y vuelve a solicitar una respuesta al modelo. El modelo planifica a partir del texto y genera texto. Su código es el que puede ejecutar acciones.

Un chatbot termina después de una respuesta. Un agente repite ese intercambio hasta que el modelo deja de solicitar herramientas. Esa repetición es toda la diferencia y también explica por qué los modos de fallo son distintos. Un chatbot da una respuesta incorrecta una vez. Un agente actúa varias veces basándose en una respuesta incorrecta antes de que alguien lo detecte.

Etapa 2: escribe el bucle tú mismo, una vez

No empieces con un framework. Escribe unas treinta líneas de Python para definir tú mismo la estructura.

sudo apt update && sudo apt install -y python3-venv
python3 -m venv ~/agent
source ~/agent/bin/activate
pip install anthropic
export ANTHROPIC_API_KEY=your-key-here

import subprocess
import anthropic

client = anthropic.Anthropic()

tools = [{
    "name": "run_command",
    "description": "Run a read only shell command and return its output.",
    "input_schema": {
        "type": "object",
        "properties": {"command": {"type": "string"}},
        "required": ["command"],
    },
}]

messages = [{"role": "user", "content": "How much disk space is free here?"}]

while True:
    response = client.messages.create(
        model="claude-opus-5",
        max_tokens=4096,
        tools=tools,
        messages=messages,
    )
    if response.stop_reason != "tool_use":
        break
    messages.append({"role": "assistant", "content": response.content})
    results = []
    for block in response.content:
        if block.type == "tool_use":
            done = subprocess.run(
                block.input["command"], shell=True,
                capture_output=True, text=True, timeout=10,
            )
            results.append({
                "type": "tool_result",
                "tool_use_id": block.id,
                "content": done.stdout or done.stderr,
            })
    messages.append({"role": "user", "content": results})

print(next(b.text for b in response.content if b.type == "text"))

Ejecútalo con python3 agent.py. Una ejecución correcta imprime un párrafo que indica tus sistemas de archivos y su espacio libre, porque el modelo solicitó df -h, tu código lo ejecutó y la segunda pasada convirtió esa tabla en una frase. Si no imprime nada, el bucle terminó antes de recibir un bloque de texto. Añade print(response.stop_reason) dentro del bucle y observa cómo cambian los valores.

Ahora rómpelo de forma deliberada. Elimina la línea tool_use_id y lee el error, porque la API rechaza un resultado de herramienta sin un id coincidente y este es el error más común entre los principiantes. Haz una pregunta que requiera dos comandos y observa cómo el bucle se ejecuta dos veces. Haz una pregunta imposible y observa si se rinde o si entra en un bucle infinito.

Una advertencia sobre este ejemplo. Pasa directamente la salida del modelo a un shell mediante shell=True. Esto puede aceptarse en una máquina de pruebas que puedas reconstruir, pero es incorrecto en cualquier otro entorno. La etapa 6 corrige este problema. Los conceptos del bucle se explican con más detalle en cómo crear tu propio agente de IA en un VPS.

Etapa 3: herramientas que el agente aún no tenía

Tu herramienta run_command funciona, pero un agente real necesita herramientas que accedan a recursos externos al sistema: un sistema de tickets, una base de datos, un repositorio. Escribir un contenedor específico para cada servicio y para cada agente no es escalable.

El Model Context Protocol (MCP) es la solución que la industria adoptó. Un servidor MCP expone un conjunto de herramientas mediante un transporte estándar, y cualquier agente compatible con MCP puede usarlo sin código de integración personalizado. El servidor de sistema de archivos de referencia se inicia con un comando:

npx -y @modelcontextprotocol/server-filesystem /home/you/projects

Esto requiere tener Node instalado, y el argumento del directorio es la única ruta que el servidor tocará. Este es el modelo de seguridad en su forma más simple: el servidor decide el límite, no el modelo. Configura un cliente para usarlo y tu agente obtiene capacidades de lectura y escritura de archivos que no implementaste. La ejecución correcta, con una cuenta de servicio y con una explicación de las opciones de transporte, se describe en ejecución de servidores MCP en un VPS para agentes de programación con IA.

La lección de esta etapa es que el diseño de herramientas es el trabajo real. Una descripción imprecisa hace que el modelo tenga que adivinar. Una herramienta que devuelve cuarenta mil caracteres contamina la ventana de contexto. Una herramienta que puede eliminar elementos acabará eliminando elementos.

Etapa 4: memoria, que en su mayor parte son solo archivos

Los principiantes recurren aquí a una base de datos vectorial. No lo haga, al menos todavía.

Un agente no tiene memoria entre llamadas. Debe volver a enviar toda la conversación cada vez. Por eso una sesión larga cuesta más por turno que una corta. La memoria se divide en dos problemas. El primero es lo que cabe ahora en la ventana de contexto. Se gestiona mediante resúmenes, eliminando resultados antiguos de herramientas y almacenando en caché el prefijo estable del prompt para pagar una fracción de su precio. El segundo es lo que sobrevive a un reinicio. Eso es almacenamiento.

Para el segundo problema, un archivo markdown sencillo que el agente pueda leer y escribir es mejor que una base de datos vectorial para casi cualquier primer proyecto. Asígnele un archivo, indique el formato y dígale que lo lea antes de empezar y que lo actualice cuando aprenda algo. Obtendrá la mayor parte del beneficio y podrá abrir el archivo para ver qué cree el agente. Recurra a embeddings y a la recuperación cuando las notas dejen de caber en la ventana de contexto, y no antes.

Etapa 5: el bucle es el producto

A estas alturas puedes crear un agente que funciona mientras lo supervisas. La etapa 5 consiste en conseguir que funcione sin supervisión.

Cuatro preguntas determinan si es seguro dejar un agente sin supervisión. Qué lo activa, para que no se ejecute sin una tarea. Dentro de qué límite funciona, para que un error tenga consecuencias pequeñas. Cómo se verifica el resultado, porque un agente que corrige su propio trabajo siempre lo da por válido. Qué presupuesto lo detiene, ya sea en tokens o en tiempo transcurrido. Diseñar estos cuatro elementos de forma deliberada es la disciplina descrita en la ingeniería de bucles y lo que abarca esa definición.

El ejercicio: toma tu agente de la etapa 2, asígnale una tarea que requiera cuatro o cinco pasos y añade un límite estricto de iteraciones. Después elimina el límite y observa cómo un bucle sin límites afecta a tu consumo de tokens. Hazlo una vez con un presupuesto pequeño para no hacerlo por accidente con uno grande.

Etapa 6: seguridad, secretos y costos

Esta etapa no es opcional y solo aparece al final porque no puede percibir el riesgo hasta haber creado algo que funcione.

Ejecute el agente con su propio usuario sin privilegios, nunca como root ni con su propia cuenta, para que el alcance del incidente se limite a un directorio y no a toda la máquina. Mantenga las credenciales fuera del alcance del modelo, porque cualquier dato presente en la ventana de contexto puede devolverse mediante una llamada a una herramienta. La solución consiste en usar tokens de corta duración con alcance limitado detrás de un helper, como se describe en mantener los secretos fuera de los agentes de IA. Establezca un límite máximo estricto para el gasto, porque un bucle sin supervisión factura cada iteración sin que nadie lo controle. Los límites y el procesamiento por lotes que mantienen el gasto bajo control se describen en controlar los costos de los agentes de IA en un VPS siempre encendido.

El costo merece una cifra concreta. En julio de 2026, Claude Opus 5 factura $5 por cada millón de tokens de entrada y $25 por cada millón de tokens de salida. Un agente conversacional que reenvía una conversación cada vez más extensa puede procesar varios cientos de miles de tokens en una sola tarea. El almacenamiento en caché de prompts y el uso de un modelo más pequeño para los pasos rutinarios cambian ese cálculo mucho más que cualquier ajuste del prompt.

La inyección de prompts también pertenece a esta etapa. Si el agente lee una página web, un sistema de seguimiento de incidencias o una bandeja de entrada, la persona que escribió ese texto también está escribiendo instrucciones para el agente. La defensa no consiste en usar un prompt de sistema más ingenioso. Consiste en aplicar límites, porque no se puede convencer a un agente de eliminar un repositorio si no tiene permisos para hacerlo.

¿Qué mapa debes seguir?

Elige un solo plan de estudios y termínalo en lugar de probar seis. El repositorio de Microsoft ai-agents-for-beginners es el recurso gratuito más completo: es un curso de dieciocho lecciones que superó las 70,000 estrellas en julio de 2026 y se ajusta claramente a las etapas anteriores. Las recopilaciones de repositorios de agentes populares sirven para ver qué existe, pero son mucho menos útiles como programa de estudio, porque una lista ordenada por estrellas refleja la popularidad y no el orden de aprendizaje.

Cuando quieras practicar con un proyecto real, un agente de programación es el mejor primer objetivo: la respuesta es inmediata, las herramientas son claras y los errores se pueden deshacer fácilmente. Ejecutar un agente de IA para programación en un VPS explica todo el proceso de principio a fin. Si prefieres estudiar sistemas funcionales en lugar de construir uno desde cero, la comparación de los mejores agentes de IA autoalojados muestra cómo varios proyectos resuelven el mismo ciclo de formas diferentes.

¿Cuánto tiempo lleva?

Para alguien que ya programa, las etapas 1 y 2 se completan en una tarde o noche. La etapa 3 ocupa un fin de semana, dedicado principalmente a describir herramientas y no al protocolo. Las etapas 4 y 5 requieren unas semanas de uso real, porque solo se aprende qué olvida el agente observando cómo lo olvida. La etapa 6 nunca termina del todo, porque cada nueva capacidad que se concede vuelve a abrirla.

Dos meses de trabajo constante por las tardes o noches permiten a la mayoría crear un agente funcional, acotado y útil. Quienes tardan un año suelen ser los que siguieron leyendo en lugar de construir.

FAQ

¿Necesito saber aprendizaje automático para crear un agente de IA?

No. Crear un agente consiste en llamar a un modelo mediante una API y conectar sus solicitudes de herramientas con funciones reales. Esto es programación de aplicaciones habitual. No es necesario trabajar con entrenamiento, gradientes ni conjuntos de datos. Las habilidades que determinan si el agente funciona son el diseño de esquemas para las herramientas, el manejo de errores y los permisos de Linux. La teoría del aprendizaje automático solo es relevante si después decide ajustar un modelo, lo que constituye un trabajo diferente con requisitos previos distintos.

¿Debo empezar con un framework como LangChain o CrewAI?

Escriba primero un bucle sin framework y adopte después uno. Un framework sustituye las treinta líneas de la etapa 2 por un objeto de configuración. Esto resulta práctico cuando ya sabe qué reemplazó, pero puede resultar confuso antes de eso. Cuando el agente funciona de forma incorrecta, debe analizar directamente la lista de mensajes y los resultados de las herramientas. Esto es mucho más difícil si nunca los ha visto. Después de crear un bucle propio, un framework le ahorra tiempo en lugar de ocultar el mecanismo.

¿Cuánto cuesta aprender sobre agentes de IA?

Menos de lo que la mayoría espera, si establece límites. Una clave de API alojada y un VPS pequeño cubren todo lo necesario en estas seis etapas. El riesgo real no es la tarifa por hora. Es un bucle sin límite que factura cada iteración mientras duerme. Establezca un límite de gasto estricto en su cuenta de API desde el primer día. Añada un límite de iteraciones a cada bucle que escriba y use un modelo más económico para las tareas rutinarias. Ejecutar el modelo localmente elimina el coste de los tokens, pero introduce un requisito de hardware.

¿Cuál es la diferencia entre un agente de IA y un chatbot?

Un chatbot responde una vez. Un agente repite un ciclo: el modelo solicita una herramienta, el código la ejecuta, el resultado se devuelve y el modelo decide qué hacer después. Esta repetición permite que un agente complete una tarea con varios pasos. También explica por qué los agentes necesitan límites que los chatbots no necesitan. Una respuesta incorrecta de un chatbot es un párrafo incorrecto. Una respuesta incorrecta de un agente es un párrafo incorrecto más cualquier acción que haya realizado al respecto.