> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/es/2025/w42-an-evolving-understanding-of-agents-and-llms.md).

# W42-Cómo ha cambiado mi comprensión de los agentes y los LLM

Últimamente he dedicado tiempo a estudiar tecnologías de agentes y he adquirido algunas ideas nuevas sobre los grandes modelos.

Primero quiero recomendar [Cómo hacer que la IA funcione en bases de código complejas](https://github.com/humanlayer/advanced-context-engineering-for-coding-agents/blob/main/ace-fca.md). Después de tanto explorar la programación con IA, considero que este artículo ofrece una síntesis que puede servir de guía. Orientaré al equipo para que vaya construyendo un consenso a partir de él.

La importancia de las tecnologías de agentes se hace cada vez más evidente. Su valor consiste en permitirnos aprovechar de verdad la «inteligencia» de los grandes modelos y hacerlos pasar de «saberlo todo» a «poder hacerlo todo». Hay que distinguir dos direcciones: construir agentes y utilizar agentes. Es posible que sus límites se difuminen cada vez más y que, para hacer bien algo, tengamos que unir construcción y uso. Aun así, debemos saber de cuál estamos hablando. En la programación con IA, por ejemplo, lo que veo en la mayoría de los casos es el uso de agentes, no la construcción de nuevos agentes.

Al principio entendía MCP como algo parecido a RPC: un protocolo de aplicación para invocar servicios. Ahora me inclino más a verlo como un protocolo de transporte, similar a TCP. MCP reproduce en gran medida el paradigma tradicional de invocación de servicios, en lugar de haber nacido para la colaboración entre varios agentes. Las aplicaciones propiamente dichas deberían construirse sobre MCP y desarrollar relaciones estratégicas complejas mediante la jerarquía, la planificación y la orquestación entre agentes. Esa es la forma de aprovechar al máximo las capacidades del modelo. Los agentes no deberían limitarse a hacerse llamadas sencillas. Necesitan una semántica de protocolo más rica, como la que HTTP aporta sobre TCP, por ejemplo para negociar estrategias de caché. Por tanto, merece la pena seguir la nueva capa de protocolos sobre MCP, como Agent2Agent, que está en desarrollo.

No conviene pensar en los grandes modelos como simples herramientas. El cerebro no es un disco duro, sino una red neuronal interconectada que genera todas sus respuestas en tiempo real. Lo mismo sucede con los grandes modelos: no son una base de datos, sino un conjunto de pesos de parámetros obtenidos mediante entrenamiento. En una interpretación elemental, cuanto mayor es el modelo, mayor es su nivel de inteligencia. Hasta ahora, nuestros sistemas de desarrollo y procesos de entrega se diseñaban en torno a las personas. Ahora necesitamos replantear la estructura y la división del trabajo de desarrollo con los grandes modelos en el centro. El cambio principal es que se ha desplazado el punto en el que las personas multiplican más su efecto. Debemos concentrar la atención en la investigación y la planificación, las dos fases de mayor impacto, y convertir por adelantado el criterio de «mantenibilidad para las personas» en uno de «capacidad de colaboración de los agentes».

También hay que reconocer las limitaciones de los grandes modelos. Sutton sigue advirtiéndonos de que no hemos escapado a *The Bitter Lesson*: los grandes modelos no poseen inteligencia en un sentido auténtico. No pueden explorar por sí mismos un entorno desconocido como una ardilla, ni generar conocimientos fuera del ámbito del conocimiento que han recibido. Lo que pueden hacer es mostrar capacidad de planificación, razonamiento y decisión dentro de los ámbitos de conocimiento existentes.