Los agentes son útiles porque nos ayudan a automatizar el trabajo al realizar acciones en el mundo real. Pero lograr que los agentes hagan trabajo valioso de manera confiable requiere más que un buen modelo: necesita un mecanismo cuidadosamente diseñado que se adapte a un conjunto de tareas.
El algoritmo central del agente es simple: darle contexto al LLM y permitirle llamar herramientas en un bucle hasta que termine. Este es el bucle más fundamental. Pero está lejos de ser el único bucle que impulsa a los agentes. @swyx escribió recientemente un gran artículo sobre "loopcraft: el arte de apilar bucles", la idea de que puedes apilar y extender bucles para construir agentes más efectivos.
Así es como vemos esa pila y cómo instrumentar cada nivel con los primitivos de LangChain.
Bucle 1: El agente
En esencia, un agente es solo un modelo que llama herramientas en un bucle hasta que una tarea esté completa.
Esto es lo que te da create_agent de LangChain. Elige cualquier modelo, conecta herramientas y tienes un bucle de agente funcional. Las herramientas son lo que le dan al agente el poder de actuar en el mundo real.
Tomemos como ejemplo nuestro agente interno de documentación (que usaremos como ejemplo motivador durante el resto de este blog). En el primer nivel del bucle, recibe una solicitud de mejora de documentación, el modelo planifica y redacta cambios, y utiliza herramientas para clonar repositorios, leer archivos, escribir documentación, abrir un pull request, etc.
Nivel 2: Bucle de verificación
El bucle del agente hace el trabajo, pero no siempre produce resultados correctos o consistentes en el primer intento. Cuando la consistencia importa, suele ser útil envolverlo en un bucle de verificación que revise el resultado y envíe retroalimentación al modelo cuando no cumpla con lo esperado.
El bucle de verificación agrega un calificador: algo que evalúa el resultado del agente contra una rúbrica y, si falla, devuelve el resultado con retroalimentación. Los calificadores pueden ser deterministas o agentivos (LLM como juez es un ejemplo clásico).
RubricMiddleware maneja este patrón, o puedes configurarlo con un hook after_agent en create_agent.
Para nuestro ejemplo del redactor de documentación, el calificador ejecuta pruebas después de cada intento, verificando que todos los enlaces funcionen, que todas las verificaciones de CI pasen y que el diff se limite a lo realmente solicitado. No se necesita revisión manual para detectar ese tipo de errores.
Una compensación: agregar verificación aumenta la latencia y el costo por ejecución. Vale la pena cuando la calidad importa más que la velocidad, que es la mayoría de los casos de uso en producción.
Nivel 3: Bucle impulsado por eventos
Una de las partes más importantes del desarrollo de agentes es la capa de integraciones: conectar tu agente a tu ecosistema para que pueda ejecutarse en segundo plano.
El bucle impulsado por eventos conecta tu agente a tu ecosistema. Un evento se dispara — llega un nuevo documento, un cronograma se activa, llega un webhook — y el agente se ejecuta. El agente no es algo que invoques manualmente; es un componente que se ejecuta continuamente dentro de un sistema más grande.
LangSmith Deployment soporta la infraestructura de disparadores, incluyendo soporte para cron jobs y webhooks. Un ejemplo popular de cron en acción son los "heartbeats" en openclaw, que convierten tu agente en un asistente siempre activo y proactivo.
Nuestro agente de documentación funciona con Fleet, nuestro constructor de agentes sin código. Los canales y cronogramas de Fleet manejan los disparadores impulsados por eventos y por cron. Usamos un canal para activar el agente de documentación cada vez que se envía un mensaje en nuestro canal de Slack #docs-plz.
Nivel 4: Bucle de ascenso (hill climbing)
Los primeros tres bucles automatizan el trabajo. ¡El cuarto (y posiblemente el más importante) automatiza la mejora!
Cada ejecución de un agente produce un trace: un registro de lo que hizo el modelo, las herramientas que llamó, la retroalimentación del calificador, etc. Esos traces contienen señales de alto valor sobre lo que funciona y lo que no. El bucle de ascenso ejecuta un agente de análisis sobre esos traces y utiliza los hallazgos para reescribir el mecanismo con una configuración mejorada. Esto puede incluir ajustes en los prompts o en las herramientas, o en el calificador.
En LangSmith, puedes usar Engine, nuestro agente de análisis de traces, para instrumentar este cuarto bucle.
Cerrando la analogía del agente de documentación, ejecutamos Engine sobre los traces del agente para detectar cualquier problema. Cuando múltiples traces señalan un problema potencial, se registra un issue solicitando cambios en el prompt o la herramienta problemática.
El movimiento clave aquí es que la flecha de retorno no solo vuelve al inicio — alcanza el interior y actualiza el bucle del agente directamente. Cada ciclo del bucle externo hace que los bucles internos sean más efectivos.
Mirando hacia adelante:
la configuración de prompts y herramientas son las cosas más simples de mejorar, pero no son las únicas opciones. Para equipos que utilizan modelos de pesos abiertos, el bucle de ascenso puede alimentar el fine-tuning con RL, utilizando resultados de traces o evaluaciones como señal de entrenamiento para mejorar el modelo mismo. El contexto auxiliar como la memoria y las habilidades recuperadas se pueden mejorar de la misma manera. El bucle es el patrón; lo que optimiza depende de ti.
Supervisión humana y experiencia
La automatización no significa eliminar a los humanos del bucle. En cada nivel, hay puntos naturales donde la supervisión humana agrega valor. Un calificador automatizado puede verificar si los enlaces funcionan; se necesita un humano para notar que el enfoque es incorrecto para la audiencia. Ese tipo de juicio, obtenido del contexto, la experiencia y el buen gusto, es exactamente donde la revisión humana gana su lugar.
Parte de la experiencia debe codificarse en los prompts/herramientas mismas, pero para acciones sensibles, la revisión humana en vivo es esencial (piensa en transacciones financieras, operaciones de base de datos, etc.). LangChain facilita la instrumentación de estos puntos de contacto en cada bucle:
- En el bucle del agente, requiere entrada humana antes de acciones/llamadas a herramientas sensibles
- En el bucle de verificación, un humano puede actuar como calificador para flujos de trabajo sensibles
- En el bucle de aplicación, un humano puede aprobar los resultados antes de que se devuelvan al usuario final
- En el bucle de ascenso, las mejoras del mecanismo pueden pasar por revisión humana antes del despliegue
Todos los frameworks de código abierto de LangChain hacen que agregar un "humano en el bucle" sea un primitivo de primera clase.
Poniéndolo todo junto
Por si prefieres una vista más tabular, aquí te mostramos cómo se apilan esos cuatro bucles:
Bucle
Qué hace
Impacto
Primitivo de LangChain
1: Bucle del agente
(modelo + herramientas)
El modelo llama herramientas repetidamente hasta completar una tarea
Automatizar trabajo
create_agent
, cualquier modelo compatible con LangChain
2: Bucle de verificación
(agente + calificador)
El agente se ejecuta, la salida se evalúa contra una rúbrica, se reintenta con retroalimentación si falla
Asegurar calidad
RubricMiddleware
3: Bucle de eventos
(verificación + sistema)
Los eventos activan ejecuciones del agente que actualizan un sistema real
Trabajar a escala
LangSmith Deployment / Fleet channels
4: Bucle de ascenso
(sistema + engine)
Los traces de producción alimentan un agente de análisis que mejora la configuración del mecanismo
Mejora continua
LangSmith Engine
Esto es lo que la ingeniería de bucles — o loopcraft, como lo llama @swyx — realmente parece en la práctica. Líderes en IA como Steipete, Boris y Andrej han llegado a la misma conclusión: el potencial de los agentes está en los bucles que construyes a su alrededor.
Hemos estado pensando en los bucles 1 y 2 durante un tiempo. Pero el enfoque debería girar hacia los bucles 3 y 4, donde el valor se acumula al integrar agentes en tu ecosistema que mejoran continuamente en respuesta a tus criterios.
Satya plantea las implicaciones organizacionales: las empresas que construyen bucles de aprendizaje temprano, donde el juicio humano y el capital de tokens se combinan, construirán una ventaja difícil de replicar.
Agradecimientos
Gracias a @Vtrivedy10 , @masondrxy , @hwchase17 y @huntlovell por su cuidadosa revisión.
