Cómo Crear un Agente IA con Python

El bucle percibir-razonar-actuar

Un agente no es un programa que ejecuta pasos predefinidos en orden fijo. Es un sistema que observa su entorno, decide que hacer basandose en esa observación y ejecuta una acción que modifica el entorno. Después vuelve a observar el resultado de esa acción y repite el ciclo hasta que considera que el objetivo está completo. Este es el bucle de razonamiento.

Percibir significa recibir información: el mensaje del usuario, el resultado de una herramienta ejecutada en el paso anterior, el contenido de un documento, el estado de una base de datos. Todo lo que el agente puede "ver" en ese momento.

Razonar es la parte que ejecuta el LLM. Con toda la información disponible en el contexto (el historial de mensajes, las herramientas disponibles, el objetivo definido en el prompt del sistema), el modelo decide que hacer a continuación: responder al usuario, llamar a una herramienta externa, pedir más información o declarar la tarea completada.

Actuar es ejecutar la decisión: hacer una llamada a una API, buscar en una base de datos, ejecutar un fragmento de código, escribir un archivo o enviar un mensaje. El resultado de esa acción se devuelve al bucle como nueva información de entrada para el siguiente ciclo de razonamiento.

Los componentes de un agente en Python

Traduciendo el bucle percibir-razonar-actuar a código Python, un agente bien estructurado tiene cinco componentes separados con responsabilidades claras:

Estructura conceptual del código

Independientemente del framework que uses, la estructura conceptual de un agente Python sigue este patrón. No es código ejecutable con imports reales — es la anatomia que encontrarás traducida a la sintaxis de cada framework:

# 1. Definir las herramientas disponibles para el agente
def buscar_en_web(consulta: str) -> str:
    """Busca informacion actualizada en internet sobre una consulta."""
    # implementacion: llamada a API de busqueda
    ...

def consultar_base_de_datos(tabla: str, filtros: dict) -> list:
    """Consulta registros de la base de datos interna."""
    # implementacion: query SQL
    ...

# 2. Definir el prompt del sistema (objetivo y restricciones)
SYSTEM_PROMPT = """
Eres un asistente especializado en [dominio].
Objetivo: [tarea concreta].
Restricciones: [limites de comportamiento].
Cuando no tengas informacion suficiente, usa las herramientas antes de responder.
"""

# 3. Configurar el LLM
llm = ProveedorLLM(modelo="modelo-elegido", temperatura=0)

# 4. Crear el agente con sus herramientas
agente = Framework.crear_agente(
    llm=llm,
    herramientas=[buscar_en_web, consultar_base_de_datos],
    prompt_sistema=SYSTEM_PROMPT,
    memoria=MemoriaPersistente(backend="sqlite")
)

# 5. Ejecutar el bucle percibir-razonar-actuar
resultado = agente.ejecutar(input_usuario="consulta del usuario")

Recomendación practica: si es tu primer agente en Python, empieza con PydanticAI si ya conoces Pydantic, o con LangChain si no tienes preferencia. Una vez entiendas el patrón de agente con herramientas y memoria, migrar a otro framework es más sencillo de lo que parece porque los conceptos son los mismos. También puedes consultar la guía de agentes sin código para comparar con el enfoque visual si aun no estAs seguro de que Python es tu camino.