Patrones agénticos: qué son y los que ya deberías conocer

Un patrón agéntico es una solución probada para un problema que se repite al construir agentes de IA: cómo dividir una tarea compleja, cómo elegir qué especialista debe atenderla, cómo verificar que el resultado sirve. No son trucos de prompt sueltos, son piezas que puedes combinar. Si vienes de programar con patrones de diseño clásicos (Factory, Observer, Command), esto te va a sonar familiar: es el mismo instinto de “no reinventar la rueda”, aplicado a sistemas donde el agente decide qué hacer en cada paso.

¿Qué problema resuelven los patrones agénticos?

Un agente suelto que recibe un objetivo y “hace lo que puede” falla de formas predecibles: se pierde en tareas largas, mezcla planificación con ejecución, o no tiene forma de saber si su propio resultado es correcto. Los patrones agénticos existen porque esos fallos ya se han visto muchas veces y tienen solución conocida.

La clave para entenderlos es que no describen qué hace el agente (eso es tu dominio: escribir código, responder tickets, analizar datos), describen cómo se organiza el trabajo entre uno o varios agentes para que ese “qué hace” salga bien. Es la misma distinción que separaba, en programación clásica, la lógica de negocio de la arquitectura que la sostiene.

Los patrones agénticos más comunes

Esta tabla resume los que vas a encontrar en casi cualquier sistema agéntico real, con el problema concreto que resuelve cada uno:

Patrón	Problema que resuelve	Cuándo usarlo
Prompt chaining	Una tarea es demasiado compleja para un único paso	La tarea tiene fases claras y cada una depende del resultado de la anterior
Enrutamiento (router)	No todas las peticiones necesitan el mismo tratamiento	Hay varios tipos de entrada y cada uno pide un especialista distinto
Paralelización	Varias subtareas son independientes entre sí	Puedes dividir el trabajo sin que una parte dependa de otra
Reflexión	El agente puede cometer errores que él mismo detectaría si revisara	La tarea admite una segunda pasada de autocrítica antes de entregar
Guardarraíles	Un agente con demasiada libertad puede hacer algo no deseado	El agente tiene acceso a acciones con consecuencias reales (archivos, dinero, producción)

Cada patrón, en detalle

Prompt chaining: dividir para vencer

En vez de pedirle a un modelo que resuelva todo en una sola llamada, divides la tarea en pasos encadenados: el resultado de uno alimenta al siguiente. Funciona porque cada paso individual es más fácil de verificar y de corregir que la tarea completa de golpe. Lo tienes explicado con ejemplos de código en Prompt Chaining.

Enrutamiento: no todo agente necesita ser generalista

Un router clasifica la petición que entra y la manda al especialista correcto, en vez de que un único agente intente hacerlo todo. Es el mismo principio que separar microservicios por responsabilidad: cada especialista es más simple, más barato de ejecutar y más fácil de depurar. El detalle de implementación está en el patrón Router.

Paralelización: cuando las subtareas no dependen entre sí

Si puedes partir el trabajo en piezas independientes, ejecutarlas en paralelo reduce el tiempo total y, con la variante de votación, mejora la fiabilidad al comparar varias respuestas. Sectioning y voting, con código, en Paralelización en agentes IA.

Reflexión: que el agente revise su propio trabajo

Antes de entregar, el agente vuelve a mirar lo que ha producido y se pregunta si de verdad responde al objetivo. No es infalible, pero atrapa una categoría entera de errores obvios que de otro modo llegarían al usuario. Self-reflection y cross-reflection explicadas en Reflection en agentes IA.

Guardarraíles: limitar lo que el agente puede hacer

Cuanta más autonomía le das a un agente, más importa dejar por escrito lo que NO puede hacer sin supervisión. Los guardarraíles son esa frontera explícita, no una promesa de que el modelo “se va a portar bien”. Cómo implementarlos con código en Guardarraíles en agentes de IA.

¿Patrones agénticos o patrones GoF?

Si programas desde hace tiempo, ya conoces los patrones de diseño clásicos: Factory, Observer, Command, Mediator. La buena noticia es que no los tiras a la basura, se transforman. Un Command se convierte en la llamada a una herramienta, un Mediator se convierte en el orquestador que coordina varios agentes. El mapeo completo, patrón a patrón y con código, está en Patrones GoF en agentes IA. Esta página que estás leyendo es el mapa general; esa otra es la traducción línea a línea para quien ya domina GoF.

¿Cómo elijo el patrón correcto?

No hay un patrón “por defecto”. La pregunta que de verdad ayuda a decidir es: ¿dónde está el riesgo de este sistema? Si el riesgo es que la tarea sea demasiado grande para un solo paso, empieza por prompt chaining. Si el riesgo es que un agente generalista no sepa de todo, empieza por enrutamiento. Si el riesgo es la velocidad o la fiabilidad de subtareas independientes, usa paralelización. Si el riesgo es que el agente entregue algo a medias sin darse cuenta, añade reflexión. Y si el riesgo es que el agente haga algo irreversible, usa guardarraíles siempre, combinados con cualquiera de los anteriores.

Checklist antes de diseñar tu sistema agéntico

Has identificado el problema concreto que necesitas resolver, no solo “quiero un agente”
Sabes si la tarea se puede dividir en pasos secuenciales o en piezas paralelas
Has decidido si necesitas uno o varios agentes especializados
Tienes claro qué acciones del agente necesitan guardarraíles antes de darle acceso real
Has previsto una forma de que el sistema revise su propio resultado antes de entregarlo

Preguntas Frecuentes

¿Los patrones agénticos son lo mismo que los patrones de diseño de software?

No exactamente, pero vienen de la misma idea. Los patrones de diseño clásicos organizan cómo está estructurado el código; los patrones agénticos organizan cómo un agente (o varios) deciden qué hacer paso a paso. Muchos patrones clásicos tienen un equivalente agéntico directo, como puedes ver en el mapeo completo de GoF a agentes.

¿Necesito usar varios patrones a la vez?

Casi siempre sí. Un sistema real suele combinar enrutamiento (para elegir el especialista) con guardarraíles (para limitar lo que puede hacer) y, si la tarea lo permite, paralelización o prompt chaining para el trabajo en sí. No son excluyentes.

¿Por dónde empiezo si nunca he construido un agente?

Por prompt chaining. Es el patrón más simple de razonar: divides una tarea en pasos y cada paso es una llamada al modelo que puedes probar por separado. Una vez que lo dominas, añadir enrutamiento o paralelización es un paso natural.

¿Un solo agente generalista no es más simple que aplicar todos estos patrones?

Al principio parece más simple, y para una tarea pequeña puede bastar. El problema aparece cuando la tarea crece: un agente generalista que intenta hacerlo todo se vuelve lento, impredecible y difícil de depurar porque no hay ningún punto donde puedas aislar qué falló.

¿Dónde puedo practicar esto con ejercicios guiados en vez de solo leer?

En el curso Patrones de Diseño para Agentes de IA recorres estos patrones de forma visual e interactiva, con ejercicios cortos en vez de solo teoría.