S01-E04-La persona muy lista que no sabe hacer nada

Una cosa es que la IA te conteste bien y otra que haga el trabajo. En este episodio hablo de agentes: qué diferencia hay entre un modelo que te explica las cosas y un asistente que las hace, cómo se reparte el trabajo entre varios, por qué las herramientas pesan tanto en el resultado y cómo se le enseña a un asistente propio con skills y memoria. Termino con lo que me ha dejado educar al mío durante dos meses, y con la confianza, que se gana a pulso. Cómo instalarlo paso a paso en tu ordenador y usarlo desde Telegram: https://rafarq.com/articulos/instalar-hermes-agent-en-tu-ordenador-y-usarlo-desde-telegram

En este episodio de Tecnología sin fuegos artificiales hablamos de agentes: qué cambia cuando a un modelo de lenguaje le ponemos herramientas, permisos y una forma de organizar el trabajo.

Empezamos distinguiendo dos cosas que solemos mezclar: pedir una herramienta y ejecutarla. Un modelo puede redactar un correo o proponer un paso, pero para que eso ocurra fuera de la conversación hace falta un programa que lo lleve a cabo, con acceso al servicio y con las reglas que hayas puesto tú. De ahí sale la definición de agente: un sistema en el que el modelo va decidiendo pasos, usa herramientas y mira el resultado antes de seguir. Y también puede atascarse, que conviene decirlo antes de seguir.

Después entramos en el reparto del trabajo. Algunas tareas las resuelve el propio modelo, otras las hace una herramienta o un agente especializado, y otras conviene resolverlas con un script, sin llamar a ningún modelo. Hay un ejemplo que sale de este mismo episodio: transcribir los audios publicados para estudiar cómo hablo. Descargar los audios, reconocer la voz, comparar las formas de explicar y redactar el guion son partes del mismo encargo, pero no las hace la misma pieza.

También hablamos de las manos del sistema: herramientas, conectores y el protocolo MCP. Tener una herramienta disponible no es lo mismo que tener permiso para usarla en cualquier cosa, y que el código sea abierto no lo hace seguro por sí solo. Revisamos por dónde circulan los datos cuando el modelo o el servicio de transcripción están fuera de tu ordenador.

Luego, los modelos. Son el motor, no el coche entero. Un buen motor no arregla unas instrucciones contradictorias ni una herramienta que devuelve datos equivocados. La elección se hace con el trabajo que tienes delante, contando lo que cuesta comprobar y corregir el resultado. Y la parte que más me interesa: cómo se le enseña. Instrucciones guardadas y procedimientos por un lado, memoria breve con lo estable por otro. Enseñar aquí no es reentrenar el modelo.

Cerramos con la confianza, planteada por tareas y por consecuencias, y con las pruebas del resultado: si dice que ha guardado un archivo, que lo lea desde el destino.

La idea que resume todo el episodio es sencilla: lo difícil no es conseguir que te conteste, sino que haga el trabajo de una manera que te sirva y que puedas comprobar.