Diario TI

Anthropic detalla cómo construir agentes de IA siempre activos

Estación de trabajo desatendida al anochecer con una pantalla que representa la llegada de un evento, un agente y la aprobación humana.

Según Anthropic, el agente pasa la mayor parte del tiempo inactivo y despierta ante eventos. El punto delicado es que actúa con los accesos del usuario sin que nadie lo vigile.

Anthropic publicó el 13 de noviembre una guía para construir agentes siempre activos, firmada por William Hu. La empresa los define como agentes que conservan su estado entre sesiones y toman la iniciativa: actúan sin una instrucción directa del usuario en cada paso. El texto se dirige a quienes desarrollan sobre su plataforma y describe una arquitectura, no un producto nuevo.

La idea central es que el nombre engaña. Un agente siempre activo está dormido casi todo el tiempo. Despierta para una ejecución que atiende un evento concreto dentro de una sesión, que es el registro de mensajes y llamadas a herramientas, guarda su estado y vuelve a dormir. El ciclo básico es el mismo de cualquier agente. Lo que cambia es la infraestructura que lo rodea.

Cinco componentes

La guía organiza esa infraestructura en cinco piezas:

  • Bandeja de eventos. Un almacén persistente, por lo general una tabla en una base de datos, que recibe avisos de webhooks, tareas programadas y procesos en segundo plano. Recomienda confirmar la recepción de inmediato, descartar duplicados con el identificador que envía cada fuente, asignar un solo trabajador por bandeja para evitar que dos procesos se pisen y agrupar mensajes que lleguen seguidos. Las revisiones más costosas, como detectar intentos de inyectar instrucciones maliciosas, quedan para la ejecución.
  • Temporizadores. Seguimientos que el agente se fija a sí mismo, como volver a revisar si el usuario respondió, y tareas recurrentes, como un boletín diario. Un programador revisa cuáles vencen y los deja como eventos en la bandeja.
  • Memoria. Un almacén persistente, a menudo un directorio de archivos, con las instrucciones y notas del usuario, los mensajes ya enviados y el avance de las tareas. La guía aconseja guardar solo lo que el agente no puede consultar en otra parte. Propone además un proceso que llama «dreaming», que revisa sesiones pasadas para reemplazar entradas obsoletas y detectar patrones, una idea que Anthropic ya había planteado al proponer que los agentes depuren su memoria entre tareas.
  • Permisos. Lo que la propia guía considera el área de mayor riesgo.
  • Bandeja de salida. Los mensajes que el agente envía al usuario. Para la mayoría de los casos basta una herramienta de envío directa.

Permisos: el punto más delicado

Como cada ejecución usa los accesos del usuario y ocurre sin supervisión, la guía propone tres resguardos. El primero es un proxy de credenciales ubicado fuera del entorno del agente: el agente envía solicitudes sin credenciales y el proxy las agrega antes de reenviarlas, de modo que el modelo nunca las ve. El segundo es un modo automático en que clasificadores revisan las acciones de mayor riesgo y bloquean las peligrosas para que el agente busque otra vía. El tercero son las llamadas diferidas: la ejecución se detiene a la espera de que el usuario apruebe una acción, mientras el agente sigue atendiendo otros eventos. Aun con estas capas, la guía sostiene que las decisiones más importantes requieren revisión humana.

Cuándo hablar y cuánto cuesta

Sobre los mensajes, el texto advierte que un agente que escribe demasiado se vuelve ruido y uno que escribe poco deja pasar información importante. Recomienda empezar con pocos mensajes, ganarse la atención del usuario con el tiempo y usar evaluaciones para calibrar el volumen.

En costos, cada ejecución vuelve a cargar las instrucciones del sistema, las herramientas y la memoria, por lo que la guía aconseja mantener ese contexto liviano y usar la caché de prompts. En sesiones largas propone compactar los mensajes antiguos o abrir una sesión nueva, y advierte que ambas opciones pierden detalle, así que lo relevante debe quedar antes en la memoria. La guía cita que, en una prueba de programación de largo plazo, Opus 5.5 costó 78% menos por tarea resuelta que Opus 5, frente a 40% menos en cargas habituales. Es una comparación entre modelos, no una medición de la arquitectura que describe.

Límites de la guía

Son recomendaciones de diseño de la empresa, sin datos de rendimiento ni casos de clientes. El propio autor presenta el esquema como la versión más simple y reconoce que los detalles de implementación pueden complicarse. La guía llega cuando otros laboratorios también apuestan por agentes que trabajan entre conversaciones, como los dots de ChatGPT que presentó OpenAI en octubre.

Fuentes

Ilustración generada por IA.

📬 Newsletter gratuito

Últimos artículos