La inteligencia artificial está revolucionando el panorama tecnológico a un ritmo vertiginoso, obligándonos a replantear prácticas que hasta hace poco considerábamos inamovibles. En este contexto de cambio, Philipp Schmid, ingeniero de Google DeepMind, ha lanzado una propuesta que desafía la visión tradicional del desarrollo de agentes de IA: la clave está en simplificar, no en complejizar.
Menos código Python, más inteligencia en el modelo
Schmid, durante su intervención en el podcast AI Engineer, defendió una idea que va a contracorriente de gran parte de la industria. Argumenta que el software que tradicionalmente rodea a los agentes de IA se ha convertido en una carga innecesaria. ¿Por qué? Porque muchos equipos dedican ingentes recursos a desarrollar bucles de ejecución en Python, esquemas JSON, sistemas de enrutamiento y mecanismos de gestión de errores que los modelos de IA actuales ya son capaces de gestionar por sí mismos.
Su frase es contundente: "Los agentes son solo archivos". Para él, a medida que los modelos de IA se vuelven más potentes y autónomos, la necesidad de un "arnés" de código complejo en Python disminuye drásticamente.
"Si tu arnés se vuelve más complejo a medida que mejora el modelo, probablemente estás sobreingenierizando tu arnés." - Philipp Schmid.
Esta regla práctica sugiere que, en lugar de construir complejas capas intermedias de código, debemos enfocarnos en definir correctamente las instrucciones, documentar las capacidades del agente mediante archivos de habilidades (como Markdown) y establecer sistemas de evaluación robustos.
Ejemplos que avalan la simplificación
Schmid no se quedó solo en la teoría. Citó varios ejemplos que ilustran esta tendencia:
- Cursor: Pasó de aproximadamente 12.000 líneas de TypeScript a un archivo de agente de unas 200 líneas.
- Windsurf: Eliminó cerca del 80% de sus herramientas internas, logrando respuestas más rápidas y precisas.
- Manus: Tuvo que rediseñar repetidamente su infraestructura de agentes en solo seis meses, un claro indicio de la ineficiencia de los enfoques tradicionales.
Estos casos demuestran que la simplificación del código de orquestación no solo es posible, sino que también conduce a sistemas más eficientes y fáciles de mantener.
Del control total en Python a los agentes en un sandbox
Para ilustrar su punto, Schmid presentó el mismo agente de revisión de pull requests de GitHub mediante tres enfoques:
- Control total en Python: El desarrollador gestionaba todas las llamadas a APIs, errores, herramientas y acciones.
- Framework especializado: Gran parte de la complejidad se trasladaba a un framework de agentes.
- Archivos de configuración y Markdown: Eliminaba casi toda la infraestructura en Python, sustituyéndola por instrucciones en Markdown y un entorno remoto administrado por Google.
La tercera opción fue la más reveladora. Cuando el agente trabaja dentro de un entorno aislado (sandbox) en la nube, puede instalar herramientas que no estaban disponibles inicialmente. Por ejemplo, el agente detectó que faltaba la utilidad GitHub CLI, la instaló por su cuenta y continuó con la tarea sin intervención humana. Esto demuestra la capacidad de los modelos avanzados para encontrar la ruta óptima sin una programación explícita para cada eventualidad.
Además, Schmid destacó la importancia de la seguridad. Google ha desarrollado un mecanismo de proxy de red que introduce credenciales de forma segura cuando el agente realiza solicitudes externas, garantizando la protección de datos.
En resumen, el mensaje de Schmid es claro: el papel de los desarrolladores evoluciona. Ya no se trata de escribir cada línea de código para cada acción, sino de definir el propósito, establecer los criterios y supervisar el funcionamiento del agente. La IA se encarga de la ejecución, permitiéndote centrarte en tareas de mayor valor.
