programa
Fundamentos de agentes de IA
6 h
Cuando trabajas con agentes de IA, las instrucciones de un prompt pueden bastar para tareas puntuales.
Sin embargo, a medida que el conjunto de instrucciones crece, la atención del modelo se fragmenta. Esto hace que algunas instrucciones no se “prioricen” como lo haría una persona ingeniera. En su lugar, cada token compite dentro de la ventana de contexto. Cuanto más heterogéneas sean las instrucciones, mayor es el riesgo de que restricciones irrelevantes diluyan la guía crítica.
Con las agent skills, podemos afrontarlo mejor. En vez de crear un único prompt “todoterreno”, diseñamos capacidades modulares y combinables que solo se cargan cuando hacen falta.
En este artículo, te muestro qué son las agent skills, cómo la arquitectura de revelación progresiva las hace posibles, en qué se diferencian de prompts y herramientas, y cómo gobernarlas a escala.
Si te interesan los últimos avances en IA, te recomiendo nuestros resúmenes sobre estos LLMs:
¿Qué son las agent skills?
Para empezar, aclaremos rápidamente su definición.
Definir la unidad de skill
Las agent skills son unidades portátiles y autocontenidas de conocimiento de dominio y lógica procedimental. Incluyen cómo ejecutar un flujo de trabajo, no solo qué hechos recordar o qué API llamar. En términos de software, una skill se parece más a un servicio u a un módulo de dominio que a una simple llamada de función.
Esta distinción ayuda a entender de qué van las skills:
- Know-that: Hechos o recuperación de datos.
- Do-this: Ejecución de herramientas atómicas (p. ej., llamar a una API).
- Know-how: Razonamiento multi‑paso, orquestación, reglas de decisión.
Las skills operan en el nivel “know-how”. Integran lógica de secuenciación, pasos de validación, ramificación condicional y estándares de formato de salida. Y, lo más importante, codifican criterio de dominio. Ese criterio es lo que diferencia una llamada mecánica a una API de un flujo de trabajo con sentido.
Por ejemplo, veámoslo con una skill de "Customer Churn Analysis":
- Entradas: Esquema del dataset, definición de churn.
- Proceso: Validar columnas, calcular métricas de retención, segmentar cohorts, resumir conclusiones.
- Salidas: Informe analítico estructurado.
En este ejemplo, la skill es un procedimiento estructurado que puede orquestar varias herramientas aplicando razonamiento específico del dominio.
El agente de IA puede decidir qué métrica de retención es apropiada según la granularidad de los datos. Puede avisar si la definición de churn es inconsistente con el dataset.
En lugar de incrustar globalmente la lógica de análisis de churn, el agente carga la skill solo cuando se solicita ese análisis. Esta separación mejora el mantenimiento y reduce interferencias no deseadas entre tareas.
El problema de la contaminación del contexto
Uno de los problemas del enfoque actual basado en prompts es el riesgo de sobrecargar a los agentes.
Cuando saturas a un agente con instrucciones para todos los escenarios posibles, se diluye la atención. Los modelos de lenguaje grandes (LLMs) dependen de la predicción probabilística de tokens condicionada por toda la ventana de contexto. Cuando coexisten instrucciones no relacionadas, influyen en las probabilidades de generación de forma sutil.
Las instrucciones irrelevantes permanecen en el contexto, compitiendo por la atención. El modelo puede sobredimensionar el tono estilístico o los disclaimers de cumplimiento en una tarea puramente técnica. Estos efectos secundarios son difíciles de rastrear.
Las agent skills resuelven esto manteniendo limpia la ventana de contexto. Solo cuando se requiere una capacidad, el sistema inyecta el bloque de instrucciones pertinente. Así se aíslan los flujos de trabajo y se reduce el ruido cognitivo para el modelo.
En la práctica, esto debería dar lugar a patrones de razonamiento más predecibles y a menos alucinaciones.
Portabilidad y estandarización
Uno de los mayores beneficios estratégicos de las skills es su portabilidad.
Una skill bien diseñada debería cumplir con lo siguiente:
- Reutilizable entre agentes.
- Compartible entre proyectos.
- Versionable y mejorable de forma centralizada.
Las skills se convierten en una interfaz estandarizada entre la intención humana y la ejecución del modelo. En lugar de reescribir instrucciones para cada proyecto, las organizaciones mantienen registros de skills. Los agentes pueden descubrir e invocar dinámicamente estos componentes estandarizados.
En este sentido, las skills se parecen a los paquetes en ingeniería de software. Pueden tener versionado semántico, changelogs, tests de regresión y metadatos de propiedad. Con el tiempo, las organizaciones acumulan una biblioteca de razonamiento institucional codificada en forma reutilizable.
Ejemplos de agent skills
Varios marcos de agentes de IA actuales ilustran estas ideas en la práctica:
- Toolkits de LangChain
- Skills de AutoGen de Microsoft
- Claude Skills
- “Capabilities” en CrewAI 1.x
Una implementación clásica es una carpeta que contiene un archivo SKILL.md y las instrucciones para las tareas.
Fuente: Agentskills.io
Aunque convenciones como incluir un manifiesto SKILL.md son útiles para la documentación, conviene señalar que aún no existe un estándar formal del sector para empaquetar skills.
Los distintos frameworks adoptan formatos diferentes: algunos usan manifiestos YAML (como LangChain y CrewAI), mientras que otros definen las skills como módulos de Python o esquemas JSON (como el AutoGen de Microsoft). Para comparar estos tres frameworks multiagente, consulta nuestra guía CrewAI vs LangGraph vs AutoGen.
Arquitectura de las agent skills
Las agent skills son singulares por su formato de revelación progresiva. Veamos los conceptos clave.
Revelación progresiva
La revelación progresiva separa el descubrimiento de la ejecución. Este patrón arquitectónico en las agent skills minimiza la inyección innecesaria de contexto y mejora la precisión del enrutado.
Intervienen dos capas: una para descubrir metadatos y otra para ejecutar el cuerpo de instrucciones.
Capa de descubrimiento:
- Nombre de la skill
- Descripción breve
- Etiquetas y palabras clave
- Esquema de entrada/salida
Capa de ejecución:
- Pasos de razonamiento detallados
- Checklist estructuradas
- Ejemplos few‑shot
Cuando una persona usuaria envía una petición, el agente escanea primero solo los metadatos ligeros. Realiza un emparejamiento semántico para identificar las skills relevantes. Solo después de seleccionarlas carga el bloque de instrucciones pesado en el contexto activo.
Este diseño evita saturar la ventana de contexto con las instrucciones de todas las skills posibles.
Invocación implícita vs. explícita
Las skills pueden activarse de dos formas:
- Invocación explícita: La persona ordena: “Ejecuta la skill de auditoría SEO”.
- Invocación implícita: El agente infiere la necesidad por semántica.
La invocación implícita se apoya en la similitud semántica entre la entrada del usuario y las descripciones de la skill.
Por ejemplo, ante “¿Puedes revisar mi blog y sugerir cómo mejorar el posicionamiento?”, el agente puede asociarlo a una skill etiquetada con “SEO”, “auditoría de contenido” y “optimización de rankings”. Este emparejamiento suele usar similitud de embeddings.
Las descripciones eficaces de skills actúan como ganchos de enrutado. Si la descripción es vaga, la selección falla. Si es precisa y rica en keywords, el agente acierta más.
Gestión dinámica del contexto
La revelación progresiva permite hidratar y deshidratar el contexto de forma dinámica.
Esto significa que, en lugar de mantener toda la lógica de las skills residente, el sistema intercambia capacidades según evoluciona la conversación.
- Cuando se activa una skill, se inyectan sus instrucciones.
- Al completar el paso, las instrucciones pueden retirarse.
- Luego se carga otra skill para la siguiente fase.
En una sesión multi‑paso, este intercambio mejora la eficiencia y reduce la presión de tokens. También crea límites de razonamiento más claros. Imagina un flujo así:
- Se carga la skill de limpieza de datos.
- Se ejecuta y se descarga.
- Se carga la skill de visualización.
- Se ejecuta y se descarga.
Cada fase está regida por un conjunto de instrucciones enfocado, no por un prompt que no deja de crecer.
Agent skills frente al stack
Las skills se diferencian en puntos clave del stack actual de la IA agentica. Las repasamos abajo.
|
Componente |
Definición |
Duración |
Propósito |
Ejemplo de uso |
|
Prompts de sistema |
Instrucciones base, persona y políticas definidas antes de la interacción. |
Persistentes. Parámetros constantes en todas las interacciones. |
Definir rol general, tono, límites éticos y directrices. |
Configurar la persona como "asistente de codificación segura" que nunca revela instrucciones internas. |
|
Herramientas |
Funciones ejecutables o interfaces (APIs, bases de datos) para acciones fuera del modelo. |
Específicas de la tarea. Se invocan dinámicamente solo cuando se necesitan. |
Ampliar capacidades más allá de la generación de texto para interactuar con datos o el mundo real. |
Usar una herramienta de "búsqueda web" para info en tiempo real o una "calculadora" para operaciones. |
|
Skills |
Conocimiento procedimental reutilizable que define cómo combinar acciones/herramientas para tareas concretas. |
Definición persistente, ejecución bajo demanda. La lógica se guarda y se aplica solo cuando es relevante. |
Aportar flujos estandarizados para tareas complejas multi‑paso, garantizando consistencia. |
Una skill de "generar informe mensual" que orquesta consultas, formato y envío por email. |
|
Motores de reglas |
Sistemas que ejecutan decisiones deterministas con lógica explícita "if‑then". |
Persistentes. Políticas fijas hasta que se modifiquen. |
Hacer cumplir lógica de negocio, controles de cumplimiento y resultados previsibles. |
Regla bancaria: "SI transacción >10k y es internacional, ENTONCES marcar para revisión de fraude". |
Agent skills vs. prompts de sistema
Los prompts de sistema son globales y siempre están activos. Definen el tono, la identidad y las limitaciones de alto nivel como la seguridad o la voz de marca. Deben ser estables y mínimos.
Las skills son transitorias y específicas de la tarea. Aportan lógica de ejecución detallada solo cuando hace falta.
Mejor práctica:
- Mantén los prompts de sistema centrados en identidad, seguridad y políticas de alto nivel.
- Mueve los flujos específicos de tarea a skills.
Esta separación reduce el riesgo de alucinaciones y mejora la modularidad. Cuando la lógica de la tarea vive en unidades discretas en lugar de estar enterrada en el prompt de sistema, es más fácil depurar e iterar sin desestabilizar todo el agente.
Esto coloca a las skills como la mejor opción para avanzar en desarrollos de IA agentica.
Agent skills vs. herramientas
Comparemos también las skills con las herramientas que usa un agente de IA.
Las herramientas proporcionan capacidades atómicas:
- Consultar una base de datos
- Llamar a una API
- Recuperar un documento
Las skills aportan el proceso para usar esas herramientas.
Piensa en las herramientas como operarios y en las skills como responsables. El operario ejecuta una acción concreta. La persona responsable decide cuándo, por qué y cómo coordinar a varios operarios.
Ejemplo:
Una herramienta ejecutará este bloque de código para realizar la tarea.
get_sales_data(start_date, end_date)Una skill proporcionará este contexto e instrucciones:
- Validar el rango de fechas.
- Llamar a
get_sales_data. - Segmentar por región.
- Calcular tasas de crecimiento.
- Generar un resumen ejecutivo.
Entonces, ¿cuándo usar cada una?
- Si la capacidad es determinista y externa (p. ej., llamada a API), crea una herramienta.
- Si la capacidad requiere razonamiento, secuenciación y criterio, crea una skill.
Skills vs. motores de reglas
Los motores de reglas son guardarraíles para hacer cumplir restricciones. Responden a “¿qué no debe ocurrir?”. Un motor de reglas puede bloquear la filtración de PII ("Nunca incluyas emails de clientes en informes") o imponer el tono ("Rechaza salidas con blasfemias").
Las agent skills, en cambio, habilitan capacidades. Responden a “¿cómo logramos esto?”. En pocas palabras, los motores de reglas marcan los límites necesarios para el cumplimiento, y las skills aportan los pasos de la tarea.
Los motores de reglas se sitúan en la capa externa (siempre activos, no negociables), mientras que las skills operan en la capa interna de ejecución (se cargan condicionalmente). Juntos crean agentes equilibrados: límites seguros + procedimientos capaces.
Cuándo usar cada uno:
- Usa motores de reglas para cumplimiento, seguridad y controles de calidad.
- Usa agent skills para flujos de dominio y razonamiento multi‑paso.
Esta separación evita que las reglas abulten la lógica específica de tareas y garantiza que las skills no eviten la gobernanza.
Principios de diseño para agent skills
Para que los agentes sigan siendo fiables, conviene adoptar algunos principios de diseño clave.
Optimizar el descubrimiento semántico
Las descripciones de las skills son críticas porque el descubrimiento suele ocurrir antes de que el modelo vea la lógica de ejecución. Hay que optimizarlas para mejorar el descubrimiento.
Una vía es trabajar bien tus metadatos, que funcionan como índice de tu biblioteca de skills.
Así son los metadatos eficaces:
- Nombre claro y específico
- Palabras clave ricas en dominio
- Casos de uso explícitos
Veamos ejemplos de cómo (no) hacerlo:
- Descripción pobre: “Ayuda con la escritura”.
- Mejor descripción: “Analiza posts técnicos de formato largo y genera recomendaciones SEO, incluyendo reestructuración de encabezados y estrategia de interlinking”.
La densidad de keywords y las convenciones de nombres influyen mucho en el enrutado. Por tanto, trata el nombrado de skills como el diseño de una API para reducir la ambigüedad.
Determinismo mediante estructura
Las skills deben contener elementos estructurales rígidos para reducir la variabilidad de sus salidas. Los modelos de lenguaje son probabilísticos. Tener estructuras rígidas limita y acota el espacio de soluciones.
Ejemplos:
- Checklists numeradas.
- Árboles de decisión.
- Esquemas de salida explícitos.
Ejemplo de esqueleto de skill:
- Validar entradas.
- Si faltan campos, pedir aclaración.
- Ejecutar el flujo principal.
- Producir salida en esquema JSON: resumen, riesgos y recomendaciones.
Alcance para la fiabilidad
Otro punto: evita el anti‑patrón de la “God Skill”, donde una skill intenta resolver demasiados problemas poco relacionados.
Por ejemplo, una única skill que abarque:
- Limpieza de datos
- Forecasting
- Visualización
- Informe ejecutivo
Esta skill perdería fiabilidad porque su cuerpo de instrucciones se hincha y se vuelve incoherente.
En su lugar, divide los flujos en unidades más pequeñas encadenables. Cada skill debe tener un alcance estrecho y alta precisión. Las skills pequeñas son más fáciles de probar, versionar y depurar.
Gobernanza de las agent skills
Al escalar agentes, conviene considerar varios aspectos de gobernanza.
Jerarquía de propiedad
La gobernanza de skills opera a varios niveles:
- Sistema: Instrucciones inmutables y críticas para la seguridad.
- Organización: Flujos de dominio compartidos.
- Usuario: Skills personales o experimentales.
Surgen conflictos cuando una skill definida por el usuario contradice un estándar organizacional. Las políticas de gobernanza deben definir reglas de precedencia, normalmente de arriba abajo, para garantizar la seguridad.
Un versionado claro, metadatos de propiedad y workflows de aprobación ayudan a reducir la ambigüedad.
Seguridad y sandboxing
Las skills introducen consideraciones de seguridad porque pueden orquestar herramientas y acceder a datos.
Los riesgos incluyen:
- Prompt injection.
- Exfiltración de datos.
- Acceso demasiado amplio a herramientas.
Para mitigarlos:
- Restringe las skills a herramientas concretas.
- Define límites de permisos.
- Impón modos de solo lectura para datos sensibles.
Por ejemplo, una skill de reporting financiero no debería tener acceso de escritura a sistemas transaccionales salvo que sea imprescindible. Para despliegues empresariales harán falta modelos de permisos bien afinados.
Evaluar el rendimiento de las skills
También podemos medir el rendimiento de las agent skills.
Se usan dos métricas principales:
- Recall: ¿Se activó la skill cuando debía?
- Precisión: ¿Se ejecutó correctamente?
Las pipelines de evaluación pueden usar esquemas de LLM‑as‑a‑Judge:
- Generar la salida.
- Pasarla al modelo evaluador.
- Puntuar según la rúbrica.
- Guardar métricas para monitorización.
Con el tiempo, las skills con bajo recall se afinan mejorando metadatos. Las de baja precisión se mejoran endureciendo estructura y ejemplos. Para una explicación detallada de ambas métricas, te sugiero leer nuestra guía sobre Precision vs Recall.
Agent skills en los ecosistemas de IA del futuro
De cara al futuro, podemos anticipar varias tendencias. Estas son algunas.
Coordinación multiagente
En sistemas avanzados, varios agentes pueden especializarse en:
- Agentes de investigación
- Agentes de modelización financiera
- Agentes de cumplimiento
Las skills se convierten en el contrato entre ellos. Un agente puede exponer una skill como interfaz invocable. Otro puede llamarla como parte de un flujo mayor.
Esta conexión desacopla la capacidad de la implementación y habilita arquitecturas de razonamiento distribuido.
El auge de los marketplaces de skills
A medida que maduren los ecosistemas, las organizaciones preferirán descargar skills verificadas en lugar de construirlo todo desde cero.
Esto introduce nuevas necesidades de:
- Control de versiones
- Gestión de dependencias
- Puntuaciones de confianza
Todo ello garantiza que las skills de IA sean fiables y precisas.
El prompt engineering también podría evolucionar hacia la gestión de paquetes. Las skills podrían firmarse, auditarse y distribuirse mediante registros, como hoy las librerías de software.
Estandarización de la intención
La industria avanza hacia esquemas comunes para definir skills:
- Campos de metadatos estructurados.
- Contratos de entrada/salida explícitos.
- Definiciones agnósticas al modelo.
El objetivo a largo plazo es escribir una vez y ejecutar en cualquier lugar: skills que funcionen en distintas familias de modelos y plataformas.
La estandarización también reduce el bloqueo de proveedor y acelera el crecimiento del ecosistema.
Conclusión
Las agent skills forman parte del paso de simples cadenas de prompts a sistemas de IA bien diseñados. Son clave para que los agentes de IA escalen de forma sostenible. De hecho, son el puente entre la inteligencia bruta del modelo y los flujos de trabajo fiables de producción.
Tu próximo paso: piensa en tus flujos actuales con agentes. Identifica patrones de razonamiento repetitivos, aísla y refactoriza en skills modulares.
¿Buscas algo más estructurado para profundizar? Nuestro curso Introduction to AI Agents y el itinerario AI Agent Fundamentals son un gran punto de partida.
