Cómo está construido un agente de IA: las capas que envuelven al LLM y dónde buscar el origen de un bug

Un desarrollador con formación en ML publicó en Habr, en julio de 2026, un análisis de la arquitectura interna de los agentes de IA: en el centro de cualquier esquema agéntico sigue habiendo un único LLM, a su alrededor crece una «cebolla» de capas envolventes, y la mayoría de los fallos se produce precisamente en esas capas, no en el propio modelo.

Qué se esconde tras la palabra «agente»

Un agente de IA no es la red neuronal en sí, sino varias capas de código a su alrededor. Cambian los frameworks, aparecen los servidores MCP y las plataformas en la nube prometen un «agente listo para usar», pero el núcleo es siempre el mismo: un modelo de lenguaje grande (LLM) que lee el contexto y propone el siguiente paso. Todo lo que queda fuera es un envoltorio que prepara la entrada y procesa la salida del modelo.

El autor enumera los niveles habituales con los que se construye un agente sobre el modelo:

• LLM: el núcleo, que predice las probabilidades del siguiente token
• Capa de prompt y contexto: qué llega exactamente al modelo como entrada
• Orquestación y llamada a herramientas: cómo la respuesta del modelo se convierte en una acción
• Servidores MCP: acceso estandarizado del agente a datos y funciones externas
• Frameworks y envoltorios en la nube: el «agente listo para usar» sobre todo lo anterior

Cada nivel añade su propia lógica: uno ensambla el contexto, otro decide qué herramienta invocar, un tercero conecta datos externos. El modelo no ejecuta ninguno de estos pasos; solo predice texto.

Por qué el bug suele no estar en el modelo

El origen de una avería en un agente suele estar en alguna de las capas externas y no en el LLM: en cómo se construye el prompt, en cómo se transmite el contexto, en cómo se procesa la llamada a una herramienta. Según la formulación del autor, el modelo hace exactamente una cosa, predecir el siguiente token; todo lo demás lo añaden los envoltorios a su alrededor.

«El modelo solo predice las probabilidades del siguiente token; por fuera va creciendo una cebolla de envoltorios», afirma el autor del artículo en

Habr.

Por eso, señala el autor, a la hora de depurar conviene entender toda la construcción: si el agente no se monta a partir de un constructor prefabricado, conocer las capas ayuda a localizar el problema más rápido. Revisar primero el modelo es un error frecuente: si la respuesta del agente parece incorrecta, lo más habitual es que al modelo le haya llegado un contexto equivocado o que un nivel contiguo haya interpretado mal su respuesta. El modelo, mientras tanto, ha funcionado con normalidad.

Por qué mirar del modelo hacia fuera

El análisis se construye del núcleo hacia la periferia, del LLM a los envoltorios externos, porque el autor llegó a los agentes desde el ML, donde cada capa nueva se apoya sobre algo ya conocido. Este orden, en sus palabras, hace la imagen más clara: primero, qué hace el modelo; después, qué hace cada envoltorio sobre él. El camino inverso, desde el «agente listo para usar» hacia dentro, oculta dónde está exactamente el límite de responsabilidad de cada capa.

El motivo del artículo es cotidiano: las notas surgieron tras otra búsqueda conjunta de un bug con el equipo técnico. El autor las reunió en una sola reseña para explicar más fácilmente a sus compañeros, la próxima vez, dónde está cada cosa en un esquema agéntico y adónde mirar cuando algo falla. En esencia, es un mapa de niveles al que resulta cómodo remitirse durante la depuración.

Qué significa esto

Detrás de la palabra de moda «agente» hay una pila de varias capas, y entender esa estructura es una habilidad práctica de depuración: cuando un agente se comporta de forma incorrecta, conviene empezar el análisis no por el LLM, sino por los envoltorios que lo rodean, donde se esconde la mayoría de los errores.