Patrones de diseño de agentes LLM

🧠7 ejes de funciones cognitivas#

Dimensiones de la cognición del agente

El marco descompone la cognición de un agente en 7 ejes: (1) Percepción, cómo se procesan las entradas; (2) Memoria, cómo se conserva el contexto; (3) Planificación, cómo se descomponen las tareas; (4) Razonamiento, patrones de lógica e inferencia; (5) Ejecución, cómo se utilizan las herramientas; (6) Aprendizaje, cómo se integra la experiencia; (7) Comunicación, intercambio de información entre agentes. La combinación de estos 7 ejes define el "perfil cognitivo" de un agente.

🗂️3 niveles de memoria#

En contexto, externa y episódica

El eje de memoria se implementa en tres niveles. (1) En contexto: se mantiene directamente en la ventana de contexto del LLM, es rápida, pero tiene un tamaño limitado. (2) Externa: DB vectoriales, DB de grafos y almacenes KV, con gran capacidad, pero con latencia de recuperación. (3) Episódica: almacena el historial de tareas y los patrones de éxito y fracaso, lo que permite aprender a largo plazo. GraphBit implementa los tres niveles y elimina la pérdida de contexto en tareas de larga duración.

🔍El patrón ReAct#

Alternancia de razonamiento + acción

ReAct es el patrón de razonamiento más probado en la práctica: repite el ciclo Pensamiento → Acción → Observación. Ventaja: el razonamiento intermedio es transparente y permite depurar errores. Desventaja: el costo y la latencia crecen linealmente a medida que aumenta el número de pasos. Plan-and-Execute, por su parte, elabora el plan completo al principio y después lo ejecuta, lo que facilita la paralelización, pero ofrece menos flexibilidad cuando hay que revisar el plan.

🌐6 ejes de topología de ejecución#

Cómo se conectan los agentes

La estructura de ejecución de un sistema de agentes se clasifica según 6 ejes: (1) un solo agente o múltiples agentes; (2) control centralizado o distribuido; (3) ejecución síncrona o asíncrona; (4) asignación de roles fija o dinámica; (5) ejecución de tareas en serie o en paralelo; (6) rutas de escalado de confianza/verificación. La combinación de estos 6 ejes define la "topología" de un agente, y la matriz 7×6 genera 27 patrones distintos.

👥Patrón supervisor-trabajador#

La topología más adoptada

La topología multiagente más adoptada. Un supervisor (orquestador) descompone la tarea y la asigna a agentes trabajadores, cada uno con herramientas y contexto especializados. Ventajas: separación de roles, ejecución en paralelo y aislamiento de fallos. Desventajas: el supervisor es un punto único de fallo, al que se suma el costo de compartir contexto entre los trabajadores. Este patrón es la estructura predeterminada de LangGraph.

🔄Motor de ejecución DAG#

La innovación central de GraphBit

GraphBit (arXiv:2605.13848) representa el grafo de ejecución de tareas como un DAG (grafo dirigido acíclico) y lo ejecuta en un motor en Rust. Ventajas del DAG: paralelismo guiado por dependencias, rutas de ejecución deterministas y reejecuciones parciales tras un fallo. El motor en Rust aporta seguridad de memoria y alto rendimiento. Resultado: un 67.6% en GAIA (+14.7pp) con un 0% de alucinaciones. Su fiabilidad de ejecución es estructuralmente distinta de la de los frameworks de agentes anteriores en Python.

📊GAIA 67.6%#

+14.7pp, 0% de alucinaciones

GAIA (General AI Assistant) es un benchmark que evalúa agentes de IA en tareas del mundo real: búsqueda web, manipulación de archivos, ejecución de código y razonamiento de varios pasos. El 67.6% de GraphBit supone una mejora de 14.7pp respecto al SOTA anterior, y el 0% de alucinaciones se debe a que la estructura DAG corta las rutas de razonamiento inciertas. La conclusión práctica: las tasas de finalización de tareas al nivel de GAIA se están convirtiendo en el umbral de fiabilidad para los agentes en producción.

⚖️5 leyes empíricas#

Criterios para elegir un patrón

Las 5 leyes empíricas para seleccionar patrones derivadas en arXiv:2605.13850: (1) Tiempo disponible, los límites de tiempo ajustados exigen patrones simples; (2) Privilegios, las tareas con privilegios elevados requieren escalar la verificación; (3) Costo del fallo, las acciones irreversibles exigen intervención humana; (4) Capacidad de procesamiento, las necesidades de alta capacidad exigen topologías paralelas; (5) Incertidumbre, una incertidumbre elevada exige patrones de refinamiento iterativo. Estas leyes marcan un cambio de paradigma: de "¿puede hacerlo GPT-4?" a "¿qué estructura se adapta a este perfil de riesgo?".

🛡️Intervención humana#

Cuando el costo del fallo es alto

La aplicación de la ley del "costo del fallo": las acciones irreversibles (enviar correos electrónicos, realizar pagos, desplegar código, eliminar archivos) no se ejecutan de forma autónoma, sino que el agente pide confirmación a una persona. El patrón: detectar una decisión por debajo del umbral de confianza → presentarla a una persona con su contexto → reanudar la ejecución tras la aprobación. Un agente sin este patrón sencillamente no puede ponerse en producción.

🔧Guía para elegir un framework#

LangGraph, CrewAI, Anthropic SDK

Aplica la taxonomía a la elección de herramientas concretas: (1) flujos de trabajo complejos basados en máquinas de estados → LangGraph; (2) sistemas multiagente basados en roles → CrewAI; (3) uso de herramientas por un solo agente → Anthropic Tool Use API directamente; (4) sistemas en producción de alta fiabilidad basados en DAG → tomar como referencia la arquitectura de GraphBit; (5) prototipos rápidos → LangChain Agents. La elección del framework debe ser consecuencia de la elección de una topología, nunca al revés.

📐Ingeniero de IA agéntica#

Un nuevo perfil demandado

Los ingenieros que comprenden los 27 patrones y las 5 leyes de selección son los especialistas en IA más demandados de 2026. La diferencia entre quien implementa un chatbot y quien diseña sistemas de agentes: el primero llama a un modelo; el segundo diseña estructuras para completar tareas de forma fiable. Calidad del diseño de herramientas > calidad del prompt: el esquema de las herramientas que utiliza un agente determina su rendimiento.