{ "slug": "ai-agent", "category": "concept", "updated": "2026-06-21", "version": "1.0", "url": "https://santismm.com/en/knowledge/ai-agent", "urls": { "en": "https://santismm.com/en/knowledge/ai-agent", "es": "https://santismm.com/es/knowledge/ai-agent", "pt": "https://santismm.com/pt/knowledge/ai-agent" }, "evidence": { "evidenceLevel": "industry_observation", "confidenceLevel": "high", "sourceType": [ "industry_observation", "paper" ] }, "references": [ { "title": "Anthropic — Building Effective Agents (2024)", "url": "https://www.anthropic.com/research/building-effective-agents" }, { "title": "Yao et al. — ReAct (2022)", "url": "https://arxiv.org/abs/2210.03629" } ], "related": [ "agentic-ai", "harness-engineering", "model-context-protocol", "multi-agent-architecture" ], "locales": { "en": { "title": "What is an AI Agent?", "summary": "An AI agent is a system that combines a model with tools, memory and a control loop to take actions toward a goal, rather than just answering a single prompt. It perceives a situation, decides what to do, acts through tools, observes the result and repeats until done. Autonomy ranges from a single tool call to long-horizon execution of complex tasks.", "definition": "An AI agent is a system that pairs a reasoning model with tools, memory and an orchestration loop so it can plan and act over multiple steps to achieve a goal.", "takeaways": [ "Agent = model + tools + memory + control loop.", "Agents act; chatbots answer.", "Tool use is the bridge to real systems and data.", "More autonomy means more need for guardrails and evaluation.", "Reliability is engineered through the harness, not assumed from the model." ], "context": [ "A plain LLM produces text. An agent uses that text to decide and act: it can search, call APIs, write files or trigger workflows, then react to what happens. This loop is what lets it complete tasks instead of merely describing them.", "Agents sit on a spectrum of autonomy. Low-autonomy agents make one or two tool calls under tight control; high-autonomy agents run long, branching tasks with little supervision — and need correspondingly stronger guardrails." ], "architecture": [ "The core loop is sense → decide → act → observe. The model decides the next action, an orchestrator executes it via a tool, the result is fed back as an observation, and the loop continues until a goal or stop condition is reached.", "Around this loop sit memory (to carry state), guardrails (to constrain behavior), and observability (to trace what happened). These are the parts of the harness that make an agent dependable." ], "components": [ "Reasoning model", "Tools", "Memory", "Orchestration loop", "Guardrails", "Observability" ], "pros": [ "Executes tasks end to end.", "Connects models to live systems.", "Recovers from intermediate failures.", "Automates multi-step knowledge work." ], "risks": [ "Error compounding over long tasks.", "Cost and latency without budgets.", "Prompt injection and tool-misuse risks.", "Harder to test and debug than single prompts." ], "tools": [ "LangGraph", "Claude Agent SDK", "OpenAI Agents SDK", "CrewAI", "Model Context Protocol (MCP)" ], "examples": [ "A triage agent that classifies and routes incoming requests.", "A coding agent that fixes a bug and verifies it with tests.", "A data agent that queries a warehouse and assembles a report." ], "faqs": [ { "q": "Is a chatbot an AI agent?", "a": "Not by default. A chatbot answers; an agent takes actions through tools across multiple steps to reach a goal." }, { "q": "What is the simplest useful agent?", "a": "A model with one or two well-described tools and a clear stop condition. Start simple and add structure only when measurement shows you need it." }, { "q": "What makes an agent reliable?", "a": "The harness: clean tool design, good memory, guardrails, observability and evaluation — not just a stronger model." }, { "q": "Single agent or multi-agent?", "a": "Prefer a single agent until a task clearly benefits from specialized, separable roles. Multi-agent adds coordination overhead." } ] }, "es": { "title": "¿Qué es un Agente de IA?", "summary": "Un agente de IA es un sistema que combina un modelo con herramientas, memoria y un bucle de control para tomar acciones hacia un objetivo, en lugar de solo responder a un prompt. Percibe una situación, decide qué hacer, actúa mediante herramientas, observa el resultado y repite hasta terminar. La autonomía va desde una sola llamada a herramienta hasta la ejecución de tareas complejas de horizonte largo.", "definition": "Un agente de IA es un sistema que une un modelo de razonamiento con herramientas, memoria y un bucle de orquestación para planificar y actuar en varios pasos hacia un objetivo.", "takeaways": [ "Agente = modelo + herramientas + memoria + bucle de control.", "Los agentes actúan; los chatbots responden.", "El uso de herramientas es el puente hacia sistemas y datos reales.", "Más autonomía exige más guardarraíles y evaluación.", "La fiabilidad se diseña con el harness, no se da por sentada en el modelo." ], "context": [ "Un LLM simple produce texto. Un agente usa ese texto para decidir y actuar: puede buscar, llamar APIs, escribir ficheros o disparar flujos, y luego reaccionar a lo que ocurre. Ese bucle es lo que le permite completar tareas en vez de solo describirlas.", "Los agentes están en un espectro de autonomía. Los de baja autonomía hacen una o dos llamadas bajo control estricto; los de alta autonomía ejecutan tareas largas y ramificadas con poca supervisión, y necesitan guardarraíles proporcionalmente más fuertes." ], "architecture": [ "El bucle central es percibir → decidir → actuar → observar. El modelo decide la siguiente acción, un orquestador la ejecuta vía una herramienta, el resultado vuelve como observación, y el bucle continúa hasta alcanzar un objetivo o una condición de parada.", "Alrededor de ese bucle están la memoria (para arrastrar estado), los guardarraíles (para acotar el comportamiento) y la observabilidad (para trazar lo ocurrido). Son las partes del harness que hacen fiable a un agente." ], "components": [ "Modelo de razonamiento", "Herramientas", "Memoria", "Bucle de orquestación", "Guardarraíles", "Observabilidad" ], "pros": [ "Ejecuta tareas de principio a fin.", "Conecta modelos con sistemas en vivo.", "Se recupera de fallos intermedios.", "Automatiza trabajo de conocimiento de varios pasos." ], "risks": [ "Acumulación de errores en tareas largas.", "Coste y latencia sin presupuestos.", "Riesgos de inyección de prompts y mal uso de herramientas.", "Más difícil de probar y depurar que un prompt simple." ], "tools": [ "LangGraph", "Claude Agent SDK", "OpenAI Agents SDK", "CrewAI", "Model Context Protocol (MCP)" ], "examples": [ "Un agente de triaje que clasifica y enruta solicitudes entrantes.", "Un agente de programación que corrige un bug y lo verifica con tests.", "Un agente de datos que consulta un warehouse y arma un informe." ], "faqs": [ { "q": "¿Un chatbot es un agente de IA?", "a": "Por defecto no. Un chatbot responde; un agente toma acciones mediante herramientas en varios pasos para alcanzar un objetivo." }, { "q": "¿Cuál es el agente útil más simple?", "a": "Un modelo con una o dos herramientas bien descritas y una condición de parada clara. Empieza simple y añade estructura solo cuando la medición lo justifique." }, { "q": "¿Qué hace fiable a un agente?", "a": "El harness: diseño limpio de herramientas, buena memoria, guardarraíles, observabilidad y evaluación, no solo un modelo más potente." }, { "q": "¿Un agente o multiagente?", "a": "Prefiere un solo agente hasta que la tarea se beneficie claramente de roles especializados y separables. El multiagente añade coste de coordinación." } ] }, "pt": { "title": "O que é um Agente de IA?", "summary": "Um agente de IA é um sistema que combina um modelo com ferramentas, memória e um laço de controle para tomar ações rumo a um objetivo, em vez de só responder a um prompt. Ele percebe uma situação, decide o que fazer, age por meio de ferramentas, observa o resultado e repete até concluir. A autonomia vai de uma única chamada de ferramenta à execução de tarefas complexas de horizonte longo.", "definition": "Um agente de IA é um sistema que une um modelo de raciocínio a ferramentas, memória e um laço de orquestração para planejar e agir em vários passos rumo a um objetivo.", "takeaways": [ "Agente = modelo + ferramentas + memória + laço de controle.", "Agentes agem; chatbots respondem.", "O uso de ferramentas é a ponte para sistemas e dados reais.", "Mais autonomia exige mais guard-rails e avaliação.", "A confiabilidade é projetada com o harness, não presumida do modelo." ], "context": [ "Um LLM simples produz texto. Um agente usa esse texto para decidir e agir: pode buscar, chamar APIs, escrever arquivos ou disparar fluxos, e então reagir ao que acontece. Esse laço é o que lhe permite concluir tarefas em vez de só descrevê-las.", "Os agentes estão num espectro de autonomia. Os de baixa autonomia fazem uma ou duas chamadas sob controle estrito; os de alta autonomia executam tarefas longas e ramificadas com pouca supervisão, e precisam de guard-rails proporcionalmente mais fortes." ], "architecture": [ "O laço central é perceber → decidir → agir → observar. O modelo decide a próxima ação, um orquestrador a executa via uma ferramenta, o resultado retorna como observação, e o laço continua até alcançar um objetivo ou uma condição de parada.", "Em torno desse laço estão a memória (para carregar estado), os guard-rails (para limitar o comportamento) e a observabilidade (para rastrear o ocorrido). São as partes do harness que tornam um agente confiável." ], "components": [ "Modelo de raciocínio", "Ferramentas", "Memória", "Laço de orquestração", "Guard-rails", "Observabilidade" ], "pros": [ "Executa tarefas de ponta a ponta.", "Conecta modelos a sistemas ao vivo.", "Recupera-se de falhas intermediárias.", "Automatiza trabalho de conhecimento de vários passos." ], "risks": [ "Acúmulo de erros em tarefas longas.", "Custo e latência sem orçamentos.", "Riscos de injeção de prompts e mau uso de ferramentas.", "Mais difícil de testar e depurar que um prompt simples." ], "tools": [ "LangGraph", "Claude Agent SDK", "OpenAI Agents SDK", "CrewAI", "Model Context Protocol (MCP)" ], "examples": [ "Um agente de triagem que classifica e roteia solicitações recebidas.", "Um agente de programação que corrige um bug e o verifica com testes.", "Um agente de dados que consulta um warehouse e monta um relatório." ], "faqs": [ { "q": "Um chatbot é um agente de IA?", "a": "Por padrão não. Um chatbot responde; um agente toma ações por meio de ferramentas em vários passos para alcançar um objetivo." }, { "q": "Qual é o agente útil mais simples?", "a": "Um modelo com uma ou duas ferramentas bem descritas e uma condição de parada clara. Comece simples e adicione estrutura só quando a medição justificar." }, { "q": "O que torna um agente confiável?", "a": "O harness: design limpo de ferramentas, boa memória, guard-rails, observabilidade e avaliação, não só um modelo mais potente." }, { "q": "Um agente ou multiagente?", "a": "Prefira um único agente até a tarefa se beneficiar claramente de papéis especializados e separáveis. O multiagente adiciona custo de coordenação." } ] } } }