AI Agents & Harnesses Foundations

Texto formativo y de fundamentos desarrollado por Eden Marco que explora la arquitectura interna y la mecánica de los agentes de inteligencia artificial y sus arneses de ejecución prolongada (agent harnesses). Está diseñado para ingenieros de software, programadores de backend y desarrolladores de IA de nivel intermedio que conocen Python y llamadas a APIs de modelos de lenguaje (LLMs), pero buscan entender el funcionamiento de los agentes desde primeros principios para no depender a ciegas de librerías de alto nivel.

El temario inicia con una revisión rigurosa de las primitivas esenciales de LangChain (modelos, mensajes, plantillas de prompts, llamadas a herramientas y formatos estructurados) para deconstruir de inmediato el ciclo del agente (Agent Loop): invocación del modelo, ejecución de herramientas, ingesta de observaciones e iteración. El autor enseña a construir bucles ReAct (Reasoning and Acting) desde cero en Python puro, empleando expresiones regulares y prompts planos sin asistencia de function calling nativo. Luego avanza hacia la orquestación avanzada con estado mediante LangGraph, la ingeniería y compresión de ventanas de contexto, la integración con sistemas RAG, la adopción del estándar Model Context Protocol (MCP) y la observabilidad y depuración de trazas complejas con LangSmith.

En la vertiente práctica se construyen dos implementaciones principales: un motor ReAct manual sin dependencias y un arnés de agente para tareas de largo horizonte ('deep agents') con bifurcaciones condicionales, memoria persistente y puntos de control. El mayor aporte del libro es desmitificar la supuesta 'magia' de los agentes y brindar al programador herramientas para diagnosticar bucles infinitos y fallos de estado; no cubre el despliegue de modelos a escala ni el fine-tuning de pesos. Es recomendable contar con una sólida base en programación orientada a objetos en Python y conceptos básicos de concurrencia.