DICCIONARIO · B

Bucle agéntico (agentic loop)

El bucle agéntico (agentic loop) es el ciclo que convierte un modelo de lenguaje en un agente: el modelo recibe la tarea, decide qué herramienta usar, el sistema la ejecuta y le devuelve el resultado, y el proceso se repite hasta que el modelo responde sin pedir más herramientas o se alcanza un límite.

Germán Gutiérrez Escrito por 6 min de lectura
Ficha rápida
También llamado
Agentic loop, bucle de agente, ciclo razonar-actuar-observar
Unidad de medida
Turno: una ida y vuelta con llamada a herramientas y su resultado
Señal en la API de Claude
La respuesta termina con stop_reason "tool_use" cuando el modelo pide una herramienta
Fin del bucle
Respuesta sin llamadas a herramientas, o límite de turnos, gasto o error
Dónde se usa
Claude Code, Claude Agent SDK, agentes propios sobre la API

≡En resumen

  • El bucle agéntico repite tres pasos: el modelo decide, el sistema ejecuta una herramienta y el resultado vuelve al modelo.
  • Cada vuelta añade información al contexto, por eso los bucles largos necesitan compactación o subagentes.
  • El bucle termina cuando el modelo responde sin pedir herramientas o cuando salta un límite de turnos, coste o permisos.
  • La verificación (tests, comprobaciones, revisiones) es lo que hace que un bucle converja en lugar de dar vueltas.

01 ¿Qué es el bucle agéntico?

Un modelo de lenguaje, por sí solo, recibe un texto y devuelve otro. Lo que lo transforma en un agente de IA es el bucle agéntico: un programa que llama al modelo, mira si su respuesta pide usar alguna herramienta, la ejecuta y le devuelve el resultado para que vuelva a decidir. Ese ir y venir se repite hasta que la tarea está hecha.

La idea es sencilla, pero tiene una consecuencia enorme: el número de pasos ya no lo fija el programador, lo decide el modelo según lo que va encontrando. Una pregunta simple puede resolverse en una vuelta; corregir un fallo en un proyecto grande puede requerir decenas.

02 Las fases del bucle paso a paso

La documentación de Claude Code describe el ciclo como reunir contexto, actuar y verificar el resultado. En términos de implementación, cada vuelta sigue estos pasos:

  1. 1

    Recibir la tarea

    El modelo recibe el prompt de sistema, la petición, el historial y la definición de las herramientas disponibles.

  2. 2

    Decidir

    El modelo razona sobre el estado actual y responde con texto, con una o varias peticiones de herramienta, o con ambas cosas.

  3. 3

    Ejecutar

    El programa que envuelve al modelo comprueba permisos, ejecuta cada herramienta solicitada y recoge la salida o el error.

  4. 4

    Devolver el resultado

    La salida se añade a la conversación como resultado de la herramienta y se vuelve a llamar al modelo.

  5. 5

    Repetir o terminar

    Si el modelo vuelve a pedir herramientas, comienza otra vuelta; si responde solo con texto, el bucle termina y se entrega el resultado.

03 Ejemplo real: corregir tests que fallan

La documentación del Claude Agent SDK usa un ejemplo muy ilustrativo. Le pides al agente «arregla los tests que fallan en auth.ts» y el bucle se desarrolla así:

Turno Qué decide el modelo Qué devuelve la herramienta
1 Ejecutar la batería de tests con la terminal Tres tests fallan
2 Leer el archivo de código y el de pruebas El contenido de ambos archivos
3 Editar el código y volver a lanzar los tests Los tres tests pasan
Final Responder solo con texto: qué ha cambiado y por qué Sin herramientas: el bucle termina
Vueltas del bucle en una tarea de corrección de tests

Fíjate en que el modelo no sabía de antemano cuántos pasos necesitaría. Ha sido el resultado de cada herramienta (los tests en rojo, luego en verde) lo que ha guiado la siguiente decisión.

04 El bucle y la ventana de contexto

Cada vuelta suma texto a la conversación: la petición de herramienta, su resultado y el razonamiento del modelo. Todo se mide en tokens y todo ocupa la ventana de contexto, que es finita. Un archivo grande o un comando con mucha salida puede consumir miles de tokens de golpe.

01

Compactación

Cuando el contexto se acerca al límite, el sistema resume el historial antiguo para liberar espacio y conservar las decisiones clave.

02

Subagentes

Una subtarea se delega a otro agente con contexto propio; al principal solo vuelve el resumen final.

03

Prompt caching

Las partes que no cambian entre vueltas (instrucciones, herramientas) se almacenan en caché para reducir coste y latencia.

04

Herramientas justas

Cada herramienta definida ocupa contexto; dar solo las necesarias mantiene el bucle ligero.

05 Variantes del bucle: con persona, autónomo y recurrente

El mecanismo es siempre el mismo, pero cambia quién está presente mientras gira. Elegir bien la variante es tan importante como elegir el modelo, porque determina cuánta supervisión hay y qué límites necesitas.

01

Con una persona en el bucle

El caso típico de Claude Code en la terminal: tú ves cada paso, puedes interrumpir con una corrección y apruebas las acciones sensibles.

02

Autónomo o sin interfaz

El bucle se lanza desde un script, una integración continua o una aplicación, sin nadie mirando. Aquí los permisos y los límites de gasto son imprescindibles.

03

Recurrente o programado

El mismo bucle se ejecuta cada cierto tiempo para revisar algo: incidencias nuevas, el estado de un despliegue o un informe diario.

04

Multiagente

Un agente principal reparte subtareas a otros, cada uno con su propio bucle y su propio contexto, y combina los resultados.

06 Cómo controlar y detener un bucle agéntico

Un bucle sin límites puede quedarse dando vueltas en tareas abiertas como «mejora este proyecto». Por eso los entornos profesionales añaden frenos explícitos. En el Claude Agent SDK, por ejemplo, existen opciones para limitar los turnos y el gasto estimado, y el resultado final indica si la tarea terminó bien o se cortó por un límite.

Mecanismo Para qué sirve Ejemplo en Claude Agent SDK
Límite de turnos Evitar sesiones interminables max_turns / maxTurns
Límite de gasto Cortar al llegar a un presupuesto max_budget_usd / maxBudgetUsd
Permisos de herramientas Decidir qué se ejecuta solo y qué pide aprobación allowed_tools, disallowed_tools y modos de permiso
Hooks Validar o bloquear una acción antes o después de ejecutarla PreToolUse, PostToolUse, Stop
Nivel de esfuerzo Ajustar cuánto razona el modelo en cada vuelta effort: low, medium, high…
Mecanismos de control habituales

07 Cómo diseñar un buen bucle agéntico

El modelo pone el razonamiento, pero la calidad del bucle depende sobre todo del arnés que lo envuelve: qué herramientas ofrece, cómo devuelve los errores y cómo permite verificar el trabajo.

  • ✓Dale al agente una forma de comprobar su trabajo: tests, validadores, capturas o una revisión por otro modelo.
  • ✓Devuelve errores claros y accionables en lugar de trazas largas sin contexto.
  • ✓Documenta cada herramienta con su propósito, parámetros y ejemplos de uso.
  • ✓Recorta las salidas grandes y ofrece herramientas de búsqueda en vez de volcar archivos enteros.
  • ✓Guarda el progreso en archivos o en git para poder retomar tareas largas en otra sesión.
  • ✓Registra cada vuelta para poder auditar y depurar el comportamiento.
Ejemplo · Bucle con verificación frente a bucle sin ella

Un agente que genera una función y responde «listo» suele parar demasiado pronto. El mismo agente con una herramienta para ejecutar los tests detecta sus propios fallos y sigue iterando hasta que pasan. En la práctica, añadir verificación es de las mejoras más rentables que puedes hacer.

08 Problemas habituales en los bucles agénticos

Síntoma Causa probable Solución
El agente repite la misma acción El resultado de la herramienta no aporta información nueva Mejorar los mensajes de error y limitar turnos
Termina antes de tiempo No tiene forma de verificar si ha acabado Añadir tests o criterios de aceptación explícitos
Pierde instrucciones a mitad de tarea El contexto se ha compactado o saturado Mover reglas permanentes a archivos de instrucciones del proyecto
Hace más de lo pedido Instrucciones ambiguas o permisos demasiado amplios Acotar el objetivo y restringir herramientas
El coste se dispara Salidas enormes o tarea demasiado abierta Presupuesto máximo, subagentes y menor esfuerzo en tareas simples
Síntomas, causas y soluciones

Si quieres construir tus propios agentes sin empezar de cero, en nuestro directorio de herramientas open source para Claude recopilamos proyectos útiles. Y si necesitas integrar este tipo de lógica en un producto, encaja con un proyecto de desarrollo de aplicaciones web a medida o con automatización con inteligencia artificial conectada a tus sistemas.

Preguntas frecuentes sobre Bucle agéntico (agentic loop)

Es el ciclo en el que un modelo de lenguaje decide usar una herramienta, el sistema la ejecuta y el resultado vuelve al modelo, repitiéndose hasta completar la tarea.

Cuando el modelo responde sin pedir ninguna herramienta, o cuando se alcanza un límite de turnos, de gasto, un error o una acción denegada que impide continuar.

Una ida y vuelta completa: el modelo pide una o varias herramientas, se ejecutan y sus resultados se le devuelven para la siguiente decisión.

Con la API de Claude puedes programarlo tú. Con el Claude Agent SDK o Claude Code el bucle ya viene hecho y solo configuras herramientas, permisos y límites.

Normalmente porque no puede verificar si ha terminado o porque las herramientas le devuelven información poco útil. Mejorar errores y añadir comprobaciones suele resolverlo.

Puede consumir bastantes, porque cada vuelta acumula contexto. El prompt caching, la compactación y los subagentes ayudan a contener el coste.

Fuentes consultadas

Germán Gutiérrez

Sobre el autor

Development Manager en appyweb

Dirige el equipo de desarrollo de appyweb: aplicaciones web y móviles, SaaS, integraciones y arquitectura de software.

Ver perfil en LinkedIn ↗

Términos relacionados

Ver todos los términos →
A Agente de IA Un agente de IA es un sistema en el que un modelo de lenguaje decide por sí mismo qué pasos dar y qué herramientas usar para cumplir un objetivo: consulta datos, ejecuta acciones, revisa el resultado y repite hasta terminar. A diferencia de un chatbot, no se limita a responder; actúa dentro de unos permisos definidos. A Arnés de agente (agent harness) Un arnés de agente (agent harness) es la capa de software que rodea a un modelo de lenguaje y lo convierte en agente: ejecuta el bucle, ofrece las herramientas, decide qué contexto ve el modelo, aplica permisos y guarda el progreso. Claude Code es un ejemplo: el modelo razona y el arnés hace todo lo demás. T Tool use (uso de herramientas) Tool use, o uso de herramientas, es la capacidad de un modelo como Claude de pedir que se ejecute una función externa (consultar una base de datos, llamar a una API, buscar en la web) y usar el resultado en su respuesta. Tú describes cada herramienta con un esquema JSON y Claude decide cuándo y con qué datos llamarla. C Claude Code Claude Code es la herramienta agéntica de programación de Anthropic. Lee tu código, edita archivos, ejecuta comandos, hace commits y abre pull requests a partir de instrucciones en lenguaje natural. Funciona en la terminal, en VS Code y JetBrains, en la app de escritorio de Claude y en la web. T Token Un token es una unidad que representa otra cosa dentro de un sistema informático: un fragmento de texto para un modelo de IA, una credencial de acceso temporal, una ficha digital registrada en una blockchain o un sustituto del número de una tarjeta. Qué significa depende del contexto, y confundir esos sentidos provoca errores de coste y de seguridad. L LLM (modelo de lenguaje grande) Un LLM (Large Language Model o modelo de lenguaje grande) es un modelo de inteligencia artificial entrenado con enormes cantidades de texto para predecir la siguiente palabra. De esa habilidad surgen capacidades como redactar, resumir, traducir, programar o razonar. Claude, GPT y Gemini son ejemplos de LLM.