Respuesta corta: Un “agente” es solo un modelo (el cerebro) más un system prompt (el trabajo) que funciona dentro de una app (el harness): una combinación que cualquiera puede crear.
Escucho el podcast AI Daily Brief y, durante los cortes publicitarios, oía aquello de “¡Ahí vienen los agentes!”. Eso fue hace seis meses, y la intuición era acertada. Desde que openclaw le abrió los ojos a un montón de usuarios domésticos que salieron corriendo a comprar Mac minis, la palabra “agente” se ha usado muchísimo. Aunque, con honestidad, te puedo decir que cuando le dices “agente” a cualquier persona, la respuesta siempre es la misma: “Eh… ¿qué es un agente?”.
Probablemente el concepto no me resultó tan ajeno por el trabajo que estaba haciendo con Storyweaver y las personas de escritura, incluso antes de que “agente” fuera la palabra para nombrarlo. Entonces, ¿qué es un agente? Un agente puede entenderse como el system prompt especializado que le das a un LLM para definir su trabajo. Piénsalo así: cuando conversabas con ChatGPT, Gemini o Claude, esos eran agentes generalistas. Tenían incorporado un system prompt que decía poco más que “sé útil” o “responde cualquier pregunta lo mejor que puedas”. Después, con el tiempo, aparecieron versiones especializadas de esas conversaciones, como los gems de Gemini o los GPTs. Claude tiene algo parecido, pero lo planteó en torno a “proyectos”.
“Si tan solo tuviera un cerebro”
Un momento, yo pensaba que Claude, Gemini y ChatGPT eran agentes.
Aquí es donde la cosa se enreda un poco: hay una estructura más profunda operando. Cuando conversas con estos agentes, sueles elegir qué tan potente quieres que sea el cerebro que usan, es decir, Opus 4.7, Sonnet 4.6, Haiku 4.5. Conviene no confundir las dos cosas: cuando seleccionas el modelo de LLM, eso es el cerebro. Para problemas más complejos nos apoyaríamos en modelos como Opus 4.7, pero si la tarea es algo más elaborada sin llegar a ser compleja, quizá elija Sonnet 4.6. Y si es algo verdaderamente rutinario, con suficiente contexto alrededor de la tarea, puedo apoyarme en Haiku 4.5 para salir adelante.
El tipo de cerebro LLM que elijas debe corresponder a la tarea que tienes delante. Distinguir que necesito Opus 4.7 para algo complejo frente a Sonnet 4.6 es enormemente valioso, porque empiezas a mirar de verdad la tarea y su nivel de complejidad para ajustar qué tipo de cerebro o nivel de razonamiento necesitas del agente. Tener presente el contraste de que el modelo es el cerebro, y no el agente, también ayuda.
La app es donde te presentas
Hay distintas apps donde interactuamos con estos agentes, elegimos qué modelo queremos usar y hacemos algún tipo de trabajo. Algunas son web, como Claude.ai; otras se lanzan en la terminal, como Claude Code; y otras son aplicaciones de escritorio completas, como Claude Cowork. Vienen a ser algo así como las manos o el cuerpo de un LLM, y le dan capacidades de agente como herramientas y acceso a tus archivos. Técnicamente se conocen como harnesses agénticos (arneses de agente). Nosotros los llamaremos simplemente apps. El tipo de app que uses, o que quieras usar, depende del caso de uso: del tipo de proyecto o trabajo que intentas sacar adelante.
Quien busque que los agentes interactúen directamente con archivos de su PC para crearlos o editarlos podría usar las apps de escritorio. Si solo estás investigando y no dependes de archivos locales, quizá te apoyes más en las apps web. Cada canal tiene sus ventajas y desventajas según la tarea. La forma de personalizar o configurar tus agentes también cambia en cada entorno: Claude.ai, como app web, usa proyectos, mientras que Claude Code usa skills o archivos claude.md para definir qué estás haciendo dentro de una carpeta concreta de tu PC.
El agente es el cerebro con un trabajo
En términos generales, puedes decirle a Claude o a Codex que haga algo. Por lo general intentará resolver la tarea, pero conviene recordar que estos LLM están entrenados con cantidades enormes de datos. Esos datos pueden desviar el camino que toman para resolver un problema. Haz la misma pregunta una segunda o tercera vez y verás que obtienes respuestas mejores o peores. Usar apps distintas también puede dar resultados distintos, por cómo están configuradas por detrás. Las apps web como Claude.ai están montadas técnicamente de otra manera que Claude Code, igual que conversar en ChatGPT en la web funciona distinto que usar Codex en la terminal.
Aquí es donde añadir contexto a un agente ayuda a especializar la tarea o la petición. Además convierte a tu agente generalista en uno más especializado. Esto es útil cuando necesitas que ese agente generalista se vuelva experto en una parte de tu flujo de trabajo o de tu proceso. Puedo convertir un agente de Claude Code en mi asistente personal mediante un system prompt, o puedo usar Codex para hacer análisis de mercado, también con un system prompt. Piénsalo así: si es un comportamiento o un enfoque que quieres que el agente siga, puedes darle estos system prompts antes de que aborde una petición, para que actúe de esa manera cada vez.
Añadir un system prompt de agente ayuda a enfocar el cerebro hacia mejores resultados. Dale archivos de referencia, o más contexto, y el resultado de esa interacción pasa de generalista a bastante más especializado. Pasas del agente programador de Claude Code a un agente de triaje de correo, un agente de atención al cliente, un agente desarrollador de Apex, etcétera.
Cualquiera puede crear agentes
Al final, con honestidad, cualquiera puede crear agentes. Esta era la misma definición que perseguía cuando creé Storyweaver hace casi un año. Quería que el agente de escritura se especializara en distintos géneros, así que configuré distintas personas de escritura que podía seleccionar o cargar antes de escribir y, según cuál eligiera, cambiaba el resultado del capítulo. No hace falta ser ingeniero de IA para decirle a un agente que se enfoque en éxito del cliente. Solo necesitas tener un objetivo en mente y darle el contexto adecuado para el trabajo que tiene delante.
Cómo accedes a estos agentes o cómo los construyes depende de la app que uses. Ese es justamente el problema que Agentshelf.ai busca resolver: una manera más sencilla de darle a un agente el cerebro, el trabajo y la app correctos sin tener que conectarlo todo tú mismo.
