Los agentes son útiles porque nos ayudan a automatizar el trabajo al realizar acciones en el mundo real. Pero lograr que los agentes hagan un trabajo valioso de manera confiable requiere más que un buen modelo: necesita un arnés 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 excelente 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 pensamos sobre esa pila y cómo instrumentar cada nivel con primitivas de LangChain.
Bucle 1: El Agente
En esencia, un agente es solo un modelo que llama a herramientas en un bucle hasta que una tarea está completa.
Esto es lo que te da create_agent de LangChain. Elige cualquier modelo, conecta herramientas y tendrás 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 de documentación interna (que usaremos como ejemplo motivador para 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 usa herramientas para clonar repositorios, leer archivos, escribir documentación, abrir un pull request, etc.
Nivel 2: Bucle de verificación
El bucle del agente realiza el trabajo, pero no siempre produce resultados correctos o consistentes en el primer intento. Cuando la consistencia importa, a menudo es útil envolverlo en un bucle de verificación que revisa la salida y envía comentarios al modelo cuando no cumple con lo esperado.
El bucle de verificación agrega un calificador: algo que verifica la salida del agente contra una rúbrica y, si falla, envía el resultado de vuelta con comentarios. Los calificadores pueden ser deterministas o agentivos (LLM como juez es un ejemplo clásico aquí).
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 comprobaciones de CI pasen y que el diff esté limitado a lo que realmente se solicitó. 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. Se dispara un evento — llega un nuevo documento, se activa un cronograma, 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 admite la infraestructura de disparadores, incluido el soporte para cronogramas cron y webhooks. Un ejemplo popular de crons en acción son los "heartbeats" en openclaw, que convierten tu agente en un asistente proactivo siempre activo.
Nuestro agente de documentación funciona con Fleet, nuestro creador de agentes sin código. Los canales y cronogramas de Fleet manejan disparadores impulsados por eventos y de estilo 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 escalada
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, los comentarios del calificador, etc. Esos traces contienen señales de alto valor sobre lo que funciona y lo que no. El bucle de escalada ejecuta un agente de análisis sobre esos traces y utiliza los hallazgos para reescribir el arnés con una configuración mejorada. Esto puede incluir ajustes en los prompts/herramientas o en el calificador.
En LangSmith, puedes usar Engine, nuestro agente de análisis de traces, para instrumentar este cuarto bucle.
Para cerrar la analogía del agente de documentación, ejecutamos Engine sobre los traces del agente de documentación para detectar cualquier problema. Cuando múltiples traces señalan un problema potencial, se archiva un issue solicitando cambios en el prompt o la herramienta ofensiva.
El movimiento clave aquí es que la flecha de retorno no solo vuelve al principio — llega al interior y actualiza directamente el bucle del agente. 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 peso abierto, el bucle de escalada puede alimentar el ajuste fino por RL, utilizando los resultados de traces o evaluaciones como señal de entrenamiento para mejorar el propio modelo. El contexto auxiliar, como la memoria y las habilidades recuperadas, se puede mejorar de la misma manera. El bucle es el patrón; lo que optimiza depende de ti.
Supervisión y experiencia humana
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 gusto, es exactamente donde la revisión humana gana su lugar.
Parte de la experiencia debe codificarse en los prompts/herramientas en sí, pero para acciones sensibles, la revisión humana en vivo es esencial (piensa en transacciones financieras, operaciones de bases 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 las salidas antes de que se devuelvan al usuario final
- En el bucle de escalada, las mejoras del arnés pueden pasar por revisión humana antes de la implementación
Todos los frameworks de código abierto de LangChain hacen que agregar un "humano en el bucle" sea una primitiva de primera clase.
Poniéndolo todo junto
Por si prefieres una vista más tabular, así es como se apilan esos cuatro bucles:
Bucle
Qué hace
Impacto
Primitiva de LangChain
1: Bucle del agente
(modelo + herramientas)
El modelo llama a herramientas repetidamente hasta que una tarea está completa
Automatizar trabajo
create_agent
, cualquier modelo compatible con LangChain
2: Bucle de verificación
(agente + calificador)
El agente se ejecuta, la salida se puntúa contra una rúbrica, se reintenta con comentarios 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 / Canales de Fleet
4: Bucle de escalada
(sistema + engine)
Los traces de producción alimentan un agente de análisis que mejora la configuración del arnés
Mejora continua
LangSmith Engine
Así es como se ve la ingeniería de bucles — o loopcraft, como lo llama @swyx — en la práctica. Líderes de 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.
