Cuatro Pilares de Diseño Separan Sistemas de Agentes que Funcionan de los que Fallan

Aditya Kumarakrishnan de Walmart Global Tech dictó una charla de 50 minutos en QCon AI argumentando que la industria de agentes está repitiendo un patrón histórico: construir rápido, olvidar lecciones fundamentales, colapsar, reconstruir. Su prescripción no es un nuevo framework—son cuatro ideas de la ciencia computacional que la mayoría de las herramientas de agentes actuales ignora.

Kumarakrishnan, un Technical Fellow en Walmart Global Tech, llama al momento actual una "fase de amnesia". Los equipos están desplegando sistemas de agentes en fundaciones frágiles y repitiendo errores arquitectónicos de picos de IA anteriores. Cada ciclo de hype de IA produce "olvido catastrófico de todas las lecciones aprendidas en el pico anterior". El resultado: modos de fallo ya documentados con soluciones e implementaciones funcionales de los años 1990.

Los cuatro pilares se asignan directamente a dónde fallan los sistemas de agentes en producción. Primero, los equipos necesitan una definición conceptual más fuerte de un agente—no una cadena de prompts o un bucle de llamada de herramientas, sino una primitiva de delegación que equilibre ubicuidad, interconexión, orientación humana, delegación e inteligencia. Segundo, los agentes deben ser modulares y extensibles desde el primer día; el acoplamiento estrecho entre memoria, razonamiento y ejecución de herramientas es la causa raíz más común de sistemas que funcionan en demos pero fallan bajo carga real. Tercero, la ciencia de procesos—décadas de investigación en gestión de flujos de trabajo e investigación de procesos de negocio—se aplica directamente al diseño de agentes y es casi universalmente ignorada por ingenieros que recurren a LangGraph o similares. Cuarto, en lugar de desplegar agentes en entornos heredados sin procesar y pedirle al agente que compense, los equipos deberían "terraformar" esos entornos en artefactos estructurados con sourcing de eventos que expongan la información que los agentes necesitan sin ingeniería de prompts heroica.

El framework CoALA (Cognitive Architectures for Language Agents, arXiv:2309.02427, publicado en Transactions on Machine Learning Research) es la herramienta de diagnóstico de Kumarakrishnan para el segundo pilar. CoALA organiza cualquier agente a lo largo de tres ejes: un sistema de memoria modular (working, episódica, semántica, procedural), un espacio de acción estructurado que separa operaciones internas de llamadas de herramientas externas, y un bucle de toma de decisiones de proponer → evaluar → seleccionar → ejecutar → observar. La pregunta de diagnóstico: ¿qué tipo de memoria le falta a su sistema? Un agente sin memoria episódica no puede reflexionar sobre sesiones anteriores. Un agente sin memoria semántica no tiene dónde almacenar hechos más allá de su corte de entrenamiento. Memory for Agents de LangChain cita la taxonomía de CoALA como el sustrato para LangGraph Memory Store—esto no es puramente vocabulario académico. Los autores de CoALA examinaron un amplio cuerpo de investigación sobre agentes de lenguaje y encontraron que las arquitecturas estructuradas—aquellas que separan memoria, grounding y ciclos de decisión—superan consistentemente a los LLMs base en tareas complejas de múltiples pasos. No se cita una figura de benchmark única, pero la brecha taxonómica que expone el framework es el punto de diagnóstico.

El framework de Kumarakrishnan es menos concreto en el pilar de terraformación. El resumen editorial de InfoQ de la charla enmarcan el objetivo como "artefactos robustos con sourcing de eventos capaces de manejar demandas de agentes impredecibles y multifuncionales"—un destino que Kumarakrishnan identifica pero sobre el que la charla no proporciona un camino de migración. Para equipos en monolitos heredados o almacenes de datos de archivos planos, la brecha entre el estado actual y un "entorno terraformado" es trabajo de ingeniería significativo que la charla no cuantifica. El pilar de ciencia de procesos tiene la misma limitación: las referencias a "Introduction to MultiAgent Systems" de Michael Wooldridge y décadas de investigación sobre flujos de trabajo apuntan a una literatura, no a una receta.

El aprendizaje para el practicante es específico: deje de tratar la memoria de su agente como una ventana de contexto única e indiferenciada y las llamadas de herramientas como operaciones equivalentes. Separe las acciones internas de las externas a nivel de arquitectura, nombre cuál de los cuatro tipos de memoria de CoALA maneja cada componente, y reestructure las fuentes de datos antes de que los agentes las toquen en lugar de después. Los patrones que sobreviven a los ciclos de hype tratan los agentes como problemas de sistemas distribuidos primero y problemas de LLM en segundo lugar.