Architecture

Probar código Go concurrente siempre ha requerido un poco de disciplina. Las goroutines son económicas, los canales son simples y la cancelación de contexto es idiomática: los trabajadores en segundo plano y los temporizadores están por todas partes en los servicios reales de Go.

El protocolo Agent2Agent de Google, habitualmente abreviado como A2A, tuvo un primer año extraño.

Los agentes de sondeo (polling agents) son una de las partes menos glamurosas de la arquitectura de asistentes de IA, pero también son una de las más útiles.

El Protocolo A2A, siglas de Agent2Agent Protocol (Protocolo de Agente a Agente), es un estándar abierto para la comunicación entre sistemas de agentes de IA independientes.

La arquitectura de agentes de IA está comenzando a dividirse en dos capas.

CQRS es uno de esos patrones que se sobrevenden, se complican en exceso y, ocasionalmente, se diagnostican erróneamente como la cura para el aburrimiento del CRUD tradicional.

Los LLMs son impredecibles. Hallucinan, filtran datos, generan contenido dañino o rechazan solicitudes legítimas. Los guardrails (mecanismos de contención) limitan el comportamiento del modelo sin sacrificar capacidad.

La memoria transforma a los asistentes de reactivos a persistentes, pero también es donde muchos sistemas se deterioran silenciosamente. Las encuestas argumentan que la división entre memoria a corto y largo plazo ya no es suficiente para la memoria de los agentes modernos; los SDK de OpenAI y LangGraph apuntan a una arquitectura más simple: memoria de trabajo, estado duradero y recuperación.

Un asistente de IA de producción no es simplemente “un LLM con un prompt”. Es un sistema que acepta intenciones, mantiene el estado, decide cuándo recuperar información o actuar, y expone suficiente detalle en tiempo de ejecución para depurar fallos.

La mayoría de los sistemas de conocimiento modernos optimizan la recuperación, y eso es comprensible. La búsqueda es visible, fácil de demostrar y parece mágica cuando funciona. Escribe una pregunta, obtén una respuesta.

La premisa es simple: el conocimiento compilado es más reutilizable que los fragmentos recuperados. RAG se convirtió en la respuesta predeterminada a una pregunta directa: ¿cómo proporciono a un LLM acceso a conocimiento externo?

La gestión del conocimiento personal (PKM), la generación aumentada por recuperación (RAG), las wikis, los sistemas de memoria de IA y, ahora, los flujos de trabajo prácticos asistidos por IA, suelen discutirse como si resolvieran el mismo problema. No es así. Todos tratan con el conocimiento, pero operan en diferentes capas:

La mayoría de los tutoriales sobre “salida estructurada” de los LLM son poco serios. Te enseñan a pedir JSON amablemente y luego a esperar que el modelo se comporte. Eso no es validación. Eso es optimismo con llaves.

Los asistentes modernos aún olvidan todo cuando cierras la pestaña, a menos que algo persista más allá de la ventana de contexto. Los proveedores de memoria de agentes son servicios o bibliotecas que retienen hechos y resúmenes a través de las sesiones; a menudo se integran como complementos para que el marco de trabajo permanezca ligero mientras la memoria escala.

Ya conoces el procedimiento. Abres un chat con un agente de IA, explicas tu proyecto, compartes tus preferencias, haces algo de trabajo y cierras la pestaña. Regresas la semana siguiente y es como hablar con un extraño: todo el contexto ha desaparecido, cada preferencia ha sido olvidada y el proyecto debe explicarse desde cero.

OpenClaw parece simple en las demostraciones. En producción, se convierte en un sistema.