Agentic Workflows

Resumen

Un workflow agéntico es un proceso estructurado donde un modelo de lenguaje toma decisiones dentro de un flujo definido: encadena pasos, bifurca según condiciones, paraleliza tareas, delega a sub-agentes o evalúa su propia salida en ciclos de mejora. A diferencia de un agente libre, un workflow tiene una estructura más predecible y controlable.

Los patrones comunes incluyen: chaining (cada paso alimenta al siguiente), routing (clasifica y deriva a un handler especializado), parallelization (ejecuta tareas independientes simultáneamente), orchestrator-workers (un coordinador delega a workers especializados) y evaluator-optimizer (un generador produce y un evaluador critica hasta alcanzar calidad).

Alcance y supuestos

Este paquete cubre patrones de workflows agénticos, cuándo usarlos, y cómo integrar humanos en el loop. Incluye chaining, routing, parallelization, orchestrator-workers y evaluator-optimizer.

No cubre implementaciones específicas de frameworks (LangGraph, CrewAI), fine-tuning de modelos, ni teoría de procesos de negocio (BPMN). Asume que entiendes agentes IA, tool calling y orquestación básica.

Modelo mental

Piensa en un workflow agéntico como una fábrica con supervisores. Cada estación de trabajo hace una tarea específica. El supervisor (LLM) decide qué pieza va a qué estación, si necesita volver a una estación anterior, o si el producto final está listo.

La diferencia con una línea de ensamblaje tradicional es que el supervisor puede cambiar la ruta según lo que observa. No sigue un plano fijo; adapta el proceso al producto real que está viendo.

Uso práctico

• ✅ Chaining para pipelines secuenciales: extraer texto → resumir → traducir.
• ✅ Routing para clasificar requests y derivar a handlers especializados.
• ✅ Parallelization para tareas independientes como auditar código con múltiples criterios simultáneos.
• ✅ Orchestrator-workers para investigación donde un coordinador asigna tareas de búsqueda.
• ✅ Evaluator-optimizer para generación de contenido que requiere revisión antes de publicar.
• ❌ Workflows agénticos para tareas que un solo prompt resuelve: agregar compleja innecesaria.

Ejemplo trabajado: generación de documentación con evaluator-optimizer

Supón que necesitas generar documentación técnica de una API. El patrón evaluator-optimizer itera hasta alcanzar calidad:

type DocResult = { content: string; quality: number };

async function generateDocs(spec: string, maxIterations = 3): Promise<DocResult> {
  let draft = "";
  let quality = 0;

  for (let i = 0; i < maxIterations; i++) {
    // Generator: produce o mejora el borrador
    draft = await llm.complete({
      prompt: i === 0
        ? `Genera documentación técnica para esta API spec:\n${spec}`
        : `Mejora esta documentación según la retroalimentación:\n\n${draft}\n\nRetroalimentación: ${feedback}`,
    });

    // Evaluator: puntúa calidad del 1 al 10
    const evalResult = await llm.complete({
      prompt: `Evalúa esta documentación del 1 al 10 en claridad, completitud, ejemplos y estructura. Devuelve solo el número:\n\n${draft}`,
    });

    quality = parseInt(evalResult.trim());

    if (quality >= 8) break;

    // Feedback para la siguiente iteración
    feedback = await llm.complete({
      prompt: `¿Qué falta para que esta documentación sea excelente? Sé específico:\n\n${draft}`,
    });
  }

  return { content: draft, quality };
}

Este patrón asegura calidad sin supervisión humana constante. El costo es N llamadas en vez de 1; el beneficio es un resultado consistentemente mejor que una sola pasada.

Evidencia

• Anthropic Engineering, Building effective agents describe patrones de workflows agénticos como chaining, routing, parallelization, orchestrator-workers y evaluator-optimizer.
• LangGraph documentation, Overview documenta cómo construir flujos de trabajo agénticos con estado, ciclos y control de flujo.