0. Panorama: del chat al agente
Un resumen de lo que veremos y por qué. Si te llevas una sola idea, que sea esta: el problema de fondo es el contexto. Hoy vamos a aprender sobre cómo darle al agente la información que necesita para decidir como tú lo harías.
Hoy cada vez es más fácil usar agentes
Claude Desktop, ChatGPT con Codex han ayudado a más personas a superar la etapa del chatbot en la página web.
Leen archivos de tu computadora, se conectan a Google Drive, a tu correo o a tu calendario. La distancia entre “platicar con la IA” y “que trabaje con tus cosas” es cada vez más corta (en el tema 1 lo veremos como un espectro).
Pero la pregunta importante no es qué app usar. Queremos que sean model agnostic, es decir, que conozcan los fundamentales para que puedan moverse entre los diferentes proveedores como mejor les convenga: la más barata, o la que tenga el modelo más capaz, o la que vaya más acorde a sus principios.
El fundamental más importante es el contexto: qué información le das al agente para que decida como tú lo harías.
Cambió el idioma, no la forma de pensar
A quienes programaban antes de la IA se les hizo más fácil usar agentes. No por saber un lenguaje de programación, sino por algo que aprendieron a la mala: la computadora no hace nada que no le pidas de forma explícita. Si tu lógica tenía un hueco, la computadora lo ejecutaba tal cual. Eso es un bug, y aprender a encontrarlos es aprender a pensar en pasos.
- Antes: había que hablar el idioma de la computadora (una sintaxis de lenguaje de programación; dígase Python, JavaScript, C++).
- Ahora: le puedes hablar en español.
- Lo que no cambió: pensar en sistemas, en orden, en pasos, en qué depende de qué.
Por algún tiempo a esta última práctica se le comenzó a llamar prompt engineering. Hoy en día el término está cayendo en desuso porque nos dimos cuesta que básicamente se trata de lo mismo de siempre: pensar con estructura: qué quiero, en qué orden, qué cuenta como terminado y qué puede salir mal.
Hay que cerrar la brecha entre lo que vive en nuestra cabeza y lo que el agente ve
Los modelos se han vuelto tan buenos que olvidamos la asimetría de información. Tú sabes tu caso de uso específico qué es, quién lo va a usar, qué ya intentaste y qué te importa. El agente solo sabe lo que le escribiste o lo que encuentra.
La habilidad que vamos a desarrollar: bajar lo que tienes en la cabeza a descripciones ricas, para que el agente tome las decisiones que tú habrías tomado.
Darle contexto…
Entonces parece que la respuesta a todos los males es darle el mejor contexto posible. Es parte de lo que vas a aprender, y hoy es un campo de investigación activo.
Un ejemplo son los knowledge graphs (grafos de conocimiento): la hipótesis de que el agente encuentra mejor lo que necesita si la información está organizada como nodos conectados, y él se mueve de un dato a los que se relacionan con él.
Para manejar el contexto existen piezas concretas:
- tools
- skills
- MCP
- subagentes
- AGENTS.md (o MEMORY.md)
Las estudiaremos
…pero no podemos meter todo como licuadora
La ventana de contexto tiene un límite natural: así como nos quedamos sin espacio de memoria en el celular, a los agentes les pasa lo mismo con los tokens (tema 2). E incluso antes de llegar a ese límite, hay 2 problemas principales:
- Context rot Entre más carga la conversación, peor piensa y actúa el agente. No espera a que se llene: hay quien lo nota desde un 20% del contexto (~200k tokens con los límites actuales de 1M tokens).
- Costo. Cada mensaje reenvía toda la conversación, así que cada mensaje nuevo cuesta más que el anterior. En una suscripción lo ves como uso: seguir escribiendo mensaje en una conversación larga hace que llegues al límite de uso más rápido.
Poco contexto Punto óptimo Demasiado contexto
adivina lo que → decide como tú lo → se confunde
quieres harías, a buen costo y cuesta másUsar bien un agente es desarrollar criterio sobre ese equilibrio: el contexto suficiente para que decida bien, sin pasarte al punto en que se degrada o se encarece.
La memoria son archivos
El agente no recuerda nada entre sesiones. Lo que sobrevive es lo que quedó escrito en archivos. Por eso necesitas dos herramientas (tema 3):
- Git guarda versiones de esos archivos. Si algo sale mal, regresas. Si algo sale bien y pasa tus revisiones, lo guardas y sabes que puedes usarlo sin rehacerlo.
- GitHub pone esa historia en la nube. Es como un Google Drive, pero hecho para código y para los archivos que usa el agente.
El mapa del curso
| Tema | La pregunta que responde |
|---|---|
| 1. ¿Qué es un agente? | ¿Qué cambia cuando la IA puede actuar? |
| 2. Contexto y herramientas | ¿Qué ve el agente y cómo lo controlo? |
| 3. GitHub | ¿Cómo guardo, deshago y comparto lo que hace? |
| 4. Flujos agénticos | ¿Cómo junto todo para construir algo? |