Agentes en Producción

A las 2:04 de la madrugada tu agente de soporte entró en un bucle. Llamó a la herramienta de reembolsos, la volvió a llamar, la llamó otra vez, y para cuando la persona de guardia despertó ya se había fundido el presupuesto de un mes de API y le había pedido disculpas al mismo cliente cuatrocientas doce veces.

Un agente LLM es un LLM que decide su propio siguiente paso dentro de un bucle. Esa única propiedad - el modelo controla el flujo de control - rompe todas las suposiciones que los ingenieros de software tenemos sobre cómo se comporta el código. Los agentes no fallan solo como fallan los LLM. Fallan de formas nuevas que se acumulan paso a paso: bucles descontrolados, explosiones de costes, llamadas a herramientas erróneas, saturación del contexto, desincronización de estado, prompt injection a través de documentos recuperados y degradación silenciosa de la calidad de las decisiones.

Si llevas funciones con LLM a producción - como ingeniero de backend, ingeniero de plataforma o SRE que heredó el agente de otra persona - este libro es el manual operativo que necesitas. No es un libro de teoría de ML. No es un recorrido por el prompt engineering. Es el stack que realmente ejecutas un lunes por la mañana para construir un agente, confiar en él y recuperarte cuando se rompe.

Lo que obtienes: agentes construidos primero desde SDKs puros para que entiendas el bucle, y luego combinados con los frameworks que importan en 2026 - LangGraph, OpenAI Agents SDK, Anthropic Claude Agent SDK, Microsoft agent-framework, CrewAI y Pydantic AI - cada uno con un veredicto honesto sobre en qué es bueno, en qué es malo y cuándo elegirlo.

Aprenderás a trazar la trayectoria completa de un agente como un árbol de spans, a escribir evals que puntuúan decisiones de múltiples pasos y no solo salidas individuales, a aplicar la Regla de Dos para Agentes de Meta y la postura de seguridad de 2026 frente al prompt injection y el abuso de herramientas, a desplegar agentes tras los patrones que los mantienen económicos y seguros, y a gestionar un incidente cuando el que está en llamas es tu agente. Código real en Python y TypeScript. Trazas reales. Una checklist de preparación para producción que puedes aplicar a tu propio sistema.

Libro 2 de The AI Engineer's Library. El Libro 1, Observability for LLM Applications, es recomendable pero no obligatorio. Complementario a Evals for AI Engineers de Hamel Husain (O'Reilly, 2026) para la metodología de evals - este libro cubre el ciclo de vida más amplio del agente: construir, trazar, proteger, desplegar y recuperar.

El lunes por la mañana tendrás algo que hacer.