
AI Agents in Action, 2nd Edition
Micheal Lanham
- Editorial
- Manning
- Año
- 2026
- Páginas
- ~392
- Nivel
- Intermedio
De qué trata
Segunda edición completamente renovada (más del 95 % del contenido es nuevo respecto a la primera edición, de 2025) en la que Micheal Lanham enseña a diseñar, programar y desplegar agentes autónomos y sistemas multiagente con Python. Está orientada a desarrolladores e ingenieros de software con nivel intermedio en Python y nociones sobre modelos de lenguaje grandes (LLMs), que buscan superar las interacciones conversacionales básicas mediante bucles de decisión autónomos orientados a objetivos con capacidad de ejecución de herramientas.
El texto profundiza en el ciclo de vida del agente (agentic loop) estructurado en cuatro fases clave: percibir, planificar, actuar y aprender (sense-plan-act-learn). Desglosa la arquitectura en cinco capas funcionales esenciales: personalidad (persona), herramientas y acciones, razonamiento y planificación, memoria y conocimiento mediante RAG con búsqueda híbrida, y evaluación con retroalimentación. Entre sus temas centrales destaca la adopción práctica del Model Context Protocol (MCP) para conectar agentes a herramientas y servidores locales, la comunicación entre agentes con A2A, los patrones de razonamiento ReAct, Reflexion, Tree-of-Thought y Sequential Thinking, y la orquestación multiagente mediante flujos en cadena de montaje (assembly flow), orquestación y colaboración, además de evaluación con LLM-as-a-judge y agentes orientados a voz.
A lo largo de sus páginas se desarrollan proyectos prácticos que van desde herramientas integradas con servidores MCP locales hasta un sistema de soporte y atención al cliente (Help Desk) estructurado por capas y un agente de investigación profunda (Deep Research Agent) dotado de síntesis iterativa y metacognición. El libro destaca por modernizar la ingeniería de agentes incorporando estándares recientes como MCP y marcos de pruebas automatizadas (TDD), llenando el vacío entre los prototipos frágiles y los agentes fiables. No aborda el entrenamiento matemático ni el ajuste fino (fine-tuning) de modelos fundacionales, ya que se enfoca estrictamente en la ingeniería de software y la orquestación de sistemas agénticos.
- Agentes de IA
- Python
- Model Context Protocol (MCP)
- Sistemas multiagente
- RAG híbrido
- Bucle agéntico
- LLM-as-a-judge
- Orquestación
- A2A
- ReAct y Reflexion
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Servidor local y herramientas con Model Context Protocol (MCP)
Implementación de servidores de herramientas locales conectados con agentes mediante MCP para ejecutar acciones del sistema y consultar recursos de forma segura.
Sistema de soporte y mesa de ayuda (Help Desk) multi-capa
Agente autónomo de atención técnica estructurado en capas funcionales con personalidad definida, gestión de memoria mediante RAG y resolución de incidencias guiada por objetivos.
Agente de investigación profunda (Deep Research Agent)
Sistema agéntico con bucle de razonamiento de largo horizonte capaz de explorar fuentes iterativamente, sintetizar informes analíticos y autoevaluar sus conclusiones.

