La era de los chatbots pasivos se está acabando.Estamos entrando en la era de la inteligencia artificial. Sistemas que razonan, planifican y ejecutan activamente tareas. Agentic AI Para las organizaciones, esto representa un potencial salto en la productividad, pero también introduce nuevos desafíos de ingeniería. En este artículo, exploraremos la anatomía de los agentes de la IA, cómo finalmente ha resuelto la barrera de la integración, y cómo puede arquitectar sistemas seguros y escalables donde humanos y agentes colaboren de manera efectiva. Model Context Protocol (MCP) ¿Qué es un agente AI? Algunos agentes de IA son simplemente una prompt del sistema y una colección de herramientas que se envían a un modelo que hace todo el pensamiento. Sin embargo, también hay agentes de IA más poderosos que utilizan el LLM para recomendar y proponer acciones, entonces el agente de IA ejecuta su propio código para realizar funciones tales como: • Ejecución de control: máquinas de estado, gráficos de tareas, retries, timeouts • Políticas de ejecución: Auth, Scope, RBAC, Reglas de permiso/denegación • Validar acciones: comprobaciones de esquemas, filtros de seguridad, sandboxing • Gestión de memoria/estado: bases de datos, almacenes vectoriales, estado de sesión • Agentes coordinadores: transmisión de mensajes, separación de roles, votación • Fracaso de manejo: rollbacks, interruptores de circuitos, humano en el circuito Mientras que un LLM estándar (modelo de gran lenguaje) es pasivo y espera su entrada para generar una respuesta, un agente de IA es activo. utiliza el razonamiento para descomponer un objetivo en pasos, decide qué herramientas usar y ejecuta acciones para lograr un resultado. Los sistemas de inteligencia artificial de agentes inician una sesión enviando a un LLM una solicitud de sistema, que puede incluir la definición de múltiples agentes y sus herramientas.Algunas de estas herramientas pueden permitir a los agentes invocar a otros agentes, gestionar el contexto mismo e incluso seleccionar el modelo para el siguiente paso. 
 
 
 
 
 
 
 
 
 
 LLM Chatbot 
 AI Agent 
 
 
 
 
 Flow 
 User Input -> Model -> Output 
 User Goal -> LLM -> Reasoning/Planning ->  Tool Use -> Action -> Verification -> Output 
 
 
 
 
 Summary 
 Gives you advice but you have to do the work. 
 You give the agents a goal and access to software, they come back when the job is done. El flujo Entrada del usuario -> Modelo -> Salida Objetivo del usuario -> LLM -> Razonamiento / Planificación -> Uso de herramientas -> Acción -> Verificación -> Producto Resumen Te da consejos, pero tienes que hacer el trabajo. Usted da a los agentes un objetivo y acceso al software, que vuelven cuando el trabajo está hecho. El dominio de la construcción de sistemas de inteligencia artificial es encontrar la mezcla correcta de agentes, herramientas y prompts que permitan al LLM alcanzar sus objetivos, mientras que todavía proporciona guardias y verificación adecuadas. Para este fin, la gestión de las herramientas y otros recursos disponibles para los agentes de IA es un foco principal. Protocolo de Contexto Modelo Es un estándar abierto introducido por En noviembre de 2024, estándariza la forma en que los sistemas de IA se conectan a datos y servicios externos. MCP Antropología La idea detrás de MCP es que todos los proveedores de API LLM permitan al LLM invocar herramientas. los desarrolladores pueden beneficiarse de una manera estructurada para definir esas herramientas y ponerlas a disposición del LLM de una manera uniforme y consistente. Antes de MCP, la integración de las herramientas de terceros en los sistemas de IA de Agentic agregó mucha fricción.Pero al proporcionar una interfaz universal para leer archivos, ejecutar funciones y manejar prompts contextuales, MCP permite a los modelos de IA acceder a los datos que necesitan de forma segura y consistente, independientemente de dónde viva esa información. Desde su lanzamiento, el protocolo ha sido adoptado por los principales proveedores de IA, incluyendo OpenAI y Google, consolidando su papel como estándar de la industria para la integración de sistemas de IA. MCP opera a través de una sencilla arquitectura cliente-servidor con cuatro componentes clave: 
 
 
 
 
 La aplicación anfitriona como Claude Desktop, los modernos IDEs o su sistema de IA. El cliente MCP que establece conexiones uno a uno del host a un servidor, a menudo una capacidad integrada de marcos de IA. El servidor MCP que expone herramientas, recursos y prompts. La capa de transporte que gestiona la comunicación entre clientes y servidores. MCP también abrió la puerta a un ecosistema donde las plataformas de terceros exponen sus capacidades a los agentes de IA al publicar sus propios servidores oficiales de MCP. , de , de , y todos los servidores MCP publicados. por microsoft AWS Atlántico Sumo Lógica MCP resuelve un problema importante, pero es sólo uno entre muchos para los agentes. Diseño de sistemas de IA seguros La inteligencia artificial puede ir catastróficamente mal.Hay múltiples riesgos como: 
 
 
 
 
 
 Instrucciones de inyección que secuestran flujos de trabajo para filtrar datos o ejecutar ransomware. Privilege escalada a través de la cadena de herramientas que drena cuentas o elimina sistemas de producción. Luchas infinitas que arden millones en costos de API. Acciones alucinadas que desencadenan transacciones irreversibles o violaciones de cumplimiento. **Token Torching **donde los actores maliciosos secuestran tokens que gastan a través de MCP. A menudo, a los agentes se les confiere el acceso a las API, navegadores e infraestructuras. Sin salvaguardas, esto amplifica considerablemente sus riesgos. 
 
 
 
 
 
 
 La validación de entrada, la auditoría de salida y la escalada humana en el ciclo forman la columna vertebral de la verificación. Las decisiones nunca son totalmente autónomas cuando el radio de explosión o el impacto financiero es alto. Sandboxing y límites de permiso explícitos impiden el acceso no autorizado. Cada agente debe recibir una identidad distinta con credenciales de menos privilegios y tokens de alcance, en lugar de heredar los permisos de los usuarios. La tolerancia a los errores a través de la lógica de retraso, los modelos de retroceso y la detección de anomalías asegura que los sistemas se degraden graciosamente en caso de falla. La observación profunda implementada a través de la telemetría estandarizada, el registro estructurado, la recopilación de métricas y los dashboards de monitoreo en tiempo real permiten una detección y respuesta rápidas. La ingeniería de sistemas multiagentes eficaces requiere un diseño de arquitectura deliberado que incorpore uno o más patrones de coordinación: 
 
 
 
 Orquestación centralizada donde un agente supervisor coordina a trabajadores especializados y mantiene el estado global. Comunicación peer-to-peer descentralizada que permite una interacción agente-agente flexible. Delegación jerárquica que organiza a los agentes en niveles de abstracción. Medios de desarrollo como los de Sumo Logic (una plataforma Agentic AI para centros de operaciones de seguridad) puede ayudar significativamente, proporcionando una infraestructura esencial para la iteración segura en los sistemas de agentes antes de la implementación de la producción. Dojo AI está cuidadosamente curado de acuerdo con sus principios de diseño y salvaguardas. Los clientes pueden usar Dojo AI como es y pueden construir su propio entorno de AI de agentes (similar a Dojo AI) para sus propias competencias centrales basadas en AI. Permite ejecutar consultas de datos y hacer llamadas de agentes de IA de Dojo cuando sea necesario de sus propios agentes de IA. El Dojo Servicio Sumo Logic MCP A continuación, veamos algunas de las diferentes maneras en que las personas interactúan con los sistemas de IA de Agentic. Cómo colaboran las personas con los agentes de IA Los sistemas tradicionales siguen un flujo de trabajo bien definido y algoritmos preprogramados. las entradas y salidas de los usuarios están completamente estructuradas. Incluso en los sistemas dinámicos, las entradas de los usuarios pueden controlar deterministicamente el flujo. Los sistemas de IA de agentes, sin embargo, son diferentes. El LLM controla el flujo (dentro de sus guardias). Los usuarios proporcionan la intención inicial y la motivación, y más tarde actúan como aprobadores y una función de gating. Entonces, ¿cómo colaborar mejor con estos agentes? Una de las formas más comunes de interactuar con los agentes de IA es a través de chatbots, donde puedes intercambiar texto, imágenes y archivos con los LLM y sus agentes. Por supuesto, los chatbots genéricos como ChatGPT, Gemini y Claude Desktop no son conscientes de sus agentes fuera de la caja. Otra opción interesante es construir una aplicación Slack que permita a los agentes unirse a los canales, interactuar con los usuarios, monitorear automáticamente los canales y responder automáticamente a los eventos. Este es un entorno rico ya que permite a los seres humanos y los agentes colaborar sin problemas.La experiencia de usuario de Slack ya admite canales de grupo y threads, por lo que los agentes pueden agregar detalles como su cadena de pensamientos o citas sin confundir la pantalla. Si necesita una experiencia de usuario aún más especializada, puede construir una aplicación web, de escritorio o móvil personalizada para sus agentes. Incluso puedes crear un chatbot como , una integración de aplicaciones Slack, o una suite personalizada de agentes como . El Mobot El Dojo El futuro de los agentes Quizás lo más importante para entender sobre los agentes de IA es que están llegando más rápido de lo que piensas.En el pasado, las grandes revoluciones tecnológicas como el ordenador personal, Internet y los teléfonos móviles tomaron décadas para llegar a ser omnipresentes y el ritmo de la innovación era manejable. Muchos expertos predicen que en sólo los próximos años, los agentes de IA podrán realizar cualquier trabajo de conocimiento mejor que los mejores humanos. desbloquearán los descubrimientos científicos y proporcionarán ganancias de productividad sin precedentes. Los LLM ya pueden realizar muchas tareas, así como humanos, aunque carecen de la capacidad de planificar y operar a lo largo de horizontes de tiempo, lidiar con la complejidad y mantener la coherencia. Pero con una red cuidadosamente construida de agentes y un conjunto curado de herramientas que colaboran a lo largo de múltiples iteraciones para realizar tareas de largo horizonte, estas restricciones se están eliminando. Hay mucha innovación en este campo más allá de sólo MCP como la orquestación de agentes, kits de herramientas y capas de verificación. Estandarización de la industria Estamos comenzando ahora a ver la estandarización de las técnicas, herramientas y formatos para los agentes de IA. Es una nueva iniciativa de la Fundación Linux para garantizar que la IA Agentic evolucione de manera abierta y colaborativa. Incluye Anthropic, OpenAI, Amazon, Google, Microsoft y Block. Almacena varias tecnologías de agentes prominentes, incluyendo MCP, goose, y . Fundación Agentic AI (AAIF) Miembros Los agentes.md También hay otros esfuerzos abiertos destacados, incluido el de Google. y (También proviene de Antropología) Protocolo Agent2Agent (A2A) Habilidades de agentes Experiencias de usuario dinámicas El LLM y los agentes generarán una interfaz de usuario adecuada en el vuelo dependiendo de la consulta, el usuario, el historial de conversación y más. Por ejemplo, si usted pregunta sobre el mercado de valores, en lugar de proporcionar una visión general de las noticias de negocios de hoy, el sistema de IA puede decidir mostrar una cronología histórica y un gráfico de pasteles con sus posiciones actuales, así como enlaces a material educativo relevante. El cambio a los agentes El cambio de agente está aquí.Estamos pasando de la generación pasiva de texto al trabajo activo y autónomo.Como hemos visto, este cambio requiere más que sólo nuevos modelos.Se requiere una arquitectura cuidadosa. Para tener éxito, las organizaciones deben centrarse en: 
 
 
 
 Utilización del Protocolo de Contexto Modelo (MCP). Ir más allá de las simples promesas a una estrategia de "defensa en profundidad". Diseñar interfaces, como aplicaciones Slack y interfaces de usuario personalizadas, donde los humanos proporcionan la intención y los agentes manejan la ejecución. Los agentes de IA pueden pronto superar a los trabajadores del conocimiento humano, desbloquear importantes ganancias científicas y de productividad, y eventualmente expandirse al trabajo físico a través de la robótica. ¡Que tengas un gran día!

2022 - HackerNoon Contributor of the Year - Cloud Computing

2022 - HackerNoon Contributor of the Year - Design

2022 - HackerNoon Contributor of the Year - Heroku

2022 - HackerNoon Contributor of the Year - Javascript

2022 - HackerNoon Contributor of the Year - Salesforce

2022 - Hackernoons Tech Storyteller of the Year

I ♥ writing code. Find me on GitLab.

Nominated for 2022 - HackerNoon Contributor of the Year - Javascript

Nominated for 2022 - Hackernoons Tech Storyteller of the Year

Nominated for 2022 - HackerNoon Contributor of the Year - Cloud Computing

Nominated for 2022 - HackerNoon Contributor of the Year - Heroku

Nominated for 2022 - HackerNoon Contributor of the Year - Design

Nominated for 2022 - HackerNoon Contributor of the Year - Salesforce

Este audio es producido en el idioma original de la historia!

Demasiado Largo; Para Leer

MCP explicado: el protocolo que desbloqueó ecosistemas de agentes de IA reales

MCP explicado: el protocolo que desbloqueó ecosistemas de agentes de IA reales

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps