¿Qué hace esta skill?

La Arquitectura de Agentes IA Skill proporciona un marco completo para diseñar y optimizar el espacio de acción de agentes IA: define herramientas sin solapamientos, estandariza el formato de observaciones con campos obligatorios de recuperación y mide la tasa de completitud real. Audita agentes existentes, clasifica granularidad de herramientas y elige el patrón arquitectónico óptimo (ReAct, function-calling o híbrido) según el caso de uso.

Auditoría de Espacio de Acción
Detecta solapamientos semánticos, herramientas catch-all demasiado amplias y refactoriza el inventario de herramientas para eliminar ambigüedades.
Clasificación de Granularidad
Asigna cada herramienta a micro (alto riesgo), medio (bucles) o macro (coste de round-trip) y optimiza el presupuesto de contexto.
Contratos de Recuperación
Define para cada ruta de error la causa raíz, instrucción de reintento seguro y condición de parada explícita, reduciendo bucles infinitos.
Métricas de Rendimiento
Mide tasa de completitud, reintentos por tarea, pass@1, pass@3 y coste por tarea exitosa para iterar con datos reales.

Ejemplos de uso

🔍 Auditoría completa
Audita el espacio de acción de mi agente de despliegue: tengo 7 herramientas y la tasa de completitud es del 62%. Detecta solapamientos y propón refactor.
📋 Definición de herramienta
Crea una herramienta de granularidad micro para desplegar servicios en producción con contrato de recuperación completo.
📊 Comparación de patrones
Compara ReAct vs function-calling vs híbrido para un agente que gestiona infraestructura cloud. ¿Cuál maximiza la tasa de éxito?
🛡️ Contratos de error
Mi agente se atasca en bucles al fallar permisos. Define el contrato de recuperación con causa raíz, reintento seguro y condición de parada.

Características

Inventario tabular de herramientas Clasifica cada herramienta por granularidad, detecta solapamientos y genera acciones de refactor concretas.
Esquema de observación estandarizado Toda respuesta de herramienta incluye status, summary, next_actions y artifacts, más campos de recuperación ante errores.
Patrones arquitectónicos comparados Elige entre ReAct (exploratorio), function-calling (determinista) o híbrido según el caso de uso y el presupuesto de contexto.
Métricas de rendimiento Mide tasa de completitud, reintentos por tarea, pass@1/pass@3 y coste por tarea exitosa para iterar con datos.
Optimización de contexto Mantén el system prompt mínimo, mueve guías a skills bajo demanda y compacta en fronteras de fase, no en umbrales arbitrarios.

Preguntas frecuentes

El conjunto de herramientas disponibles para el agente. Esta skill te ayuda a auditarlo, eliminar solapamientos y clasificar cada herramienta por granularidad (micro/medio/macro) para maximizar la tasa de éxito.
ReAct para tareas exploratorias con camino incierto (ej. investigación, debugging). Function-calling para flujos deterministas estructurados (ej. pipelines de datos). Híbrido para planificación con ReAct + ejecución con herramientas tipadas.
Para cada ruta de error, documentas la causa raíz probable, la instrucción de reintento seguro y la condición de parada explícita. Esto evita bucles infinitos y mejora la tasa de completitud.
Con cuatro métricas: tasa de completitud (% de tareas terminadas), reintentos por tarea, pass@1 y pass@3 (éxito en primer/tercer intento) y coste por tarea exitosa. Si la completitud no supera el 70%, el problema suele estar en el espacio de acción.

Skills relacionadas

Mas skills de la misma categoria:

Arquitectura de Agentes IA — Diseño y Optimización de Agentes con Claude AI

¿Prefieres escuchar el contenido? Genera la narración de audio con un clic.