Axentes autónomos: que son e como funcionan

Que é un axente autónomo

Un axente autónomo é un sistema de IA que traballa por si mesmo para acadar un obxectivo. Unha persoa describe o resultado que quere e o axente determina os pasos e lévaos a cabo.

Supoñamos que alguén quere escoller entre tres ferramentas de xestión de proxectos. Un axente autónomo pode buscar cada ferramenta, abrir a súa páxina de prezos, anotar as diferenzas e devolver unha comparación rematada. A persoa fixa o obxectivo e revisa o resultado, e o axente fai o traballo intermedio.

Moitos axentes de software actuais usan un gran modelo de linguaxe para interpretar instrucións e decidir que facer a continuación. Algúns modelos tamén procesan imaxes ou audio. Para buscar na web, premer botóns ou enviar correos electrónicos, o axente necesita software que conecte o modelo con ferramentas e execute as súas solicitudes.

No exemplo da xestión de proxectos, o LLM e o axente funcionarían así:

1. O LLM le o obxectivo e redacta unha solicitude para buscar os prezos da primeira ferramenta.
2. O software do axente executa a busca e devolve os resultados ao LLM en forma de texto.
3. O LLM le os resultados, escolle o seguinte paso (abrir a páxina de prezos) e redacta unha nova solicitude.
4. O ciclo repítese ata que o LLM decide que a comparación está completa e redacta a resposta final.

Ampliar

Niveis de autonomía

Nun sistema de IA axéntica (IA deseñada para realizar accións, non só para responder preguntas), a autonomía é unha decisión de deseño. O mesmo axente pódese configurar para que pregunte antes de cada paso ou para que remate unha tarefa completa por si só.

Investigadores da Universidade de Washington propoñen un marco de cinco niveis para explicar os distintos graos de autonomía que pode ter un axente:

No nivel 4, un axente podería investigar e redactar unha orde de compra por si só, pero deterse antes de enviala. No nivel 5, tamén enviaría a orde.

Axentes de IA autónomos fronte á automatización e aos chatbots

Os axentes autónomos diferéncianse dos chatbots e da automatización de fluxos de traballo en dous aspectos: deciden os seus propios pasos e realizan accións noutras aplicacións e sitios web.

Un chatbot responde preguntas nunha conversa, pero normalmente non actúa fóra dela. A automatización de fluxos de traballo si actúa, pero só seguindo pasos que alguén configurou de antemán. Un tipo habitual é a automatización robótica de procesos (RPA), software que repite tarefas sinxelas baseadas en regras, como copiar datos dun sistema a outro.

Un axente autónomo fai ambas as cousas: actúa noutro software e escolle os seus propios pasos para acadar un obxectivo, dentro das ferramentas, os permisos e as instrucións que se lle dan.

Unha queixa por un pedido atrasado mostra a diferenza. Un chatbot podería responder cunha explicación predefinida da política de envíos. Unha automatización de fluxos de traballo podería enviar un correo electrónico estándar de “atraso no pedido”. Un axente autónomo podería consultar o pedido, descubrir que se perdeu durante o transporte, tramitar un envío de substitución e informar o cliente.

Como funcionan os axentes autónomos

Un axente autónomo depende de catro capacidades para completar unha tarefa: planificar os seus pasos, usar ferramentas, lembrar o que fixo e comprobar os seus propios resultados. Para tarefas máis grandes, algúns axentes tamén reparten o traballo entre un equipo de axentes.

1. Dividir os obxectivos e facer plans

Un obxectivo adoita ser demasiado grande para abordalo nun só paso, así que a primeira tarefa dun axente é dividilo en tarefas máis pequenas. Por exemplo, se o usuario lle pide ao axente que planifique unha xornada de equipo fóra da oficina, este podería dividir o obxectivo en escoller as datas, atopar lugares dentro do orzamento, comprobar a dispoñibilidade e redactar unha invitación.

Os axentes poden planificar de antemán ou sobre a marcha, segundo como estean construídos. Planificar de antemán significa redactar todos os pasos antes de comezar, o que funciona para tarefas curtas e previsibles. Planificar sobre a marcha significa trazar o seguinte paso ou os dous seguintes, actuar e revisar o plan en función do resultado. Se o lugar preferido para a xornada estivese reservado, o axente podería pasar á seguinte opción sen comezar de novo.

Ampliar

Unha revisión sobre axentes autónomos baseados en LLM da Universidade Renmin de China conclúe que este segundo enfoque xestiona mellor as tarefas máis complexas, porque é difícil redactar un plan perfecto antes de ver ningún resultado. Moitos axentes combinan os dous: esbozan primeiro un plan completo e revísano mentres traballan.

2. Realizar accións con ferramentas

Unha vez que ten un plan, o axente vaino executando tarefa a tarefa e escolle unha ferramenta para cada unha.

• Para atopar lugares, podería usar a busca web cunha consulta como “lugares para xornadas fóra da oficina para 20 persoas preto de Austin”.
• Para comprobar a dispoñibilidade, podería abrir no navegador a páxina de reservas de cada lugar e ler o calendario.
• Para enviar a invitación, podería conectarse ao correo electrónico da persoa a través dunha API, a conexión que permite que un software lle solicite datos ou accións a outro.

Despois de cada acción, o axente le o resultado e decide o seguinte movemento. Se a busca atopa cinco lugares, comproba a súa dispoñibilidade. Se unha páxina de reservas non carga, proba co número de teléfono do lugar ou pasa á seguinte opción.

As ferramentas das que dispón un axente determinan que tarefas pode rematar por si só. Sen acceso ao correo electrónico, pode redactar a invitación, pero non enviala.

3. Facer un seguimento do progreso coa memoria

Mentres traballa, o axente ten que levar a conta do que fixo e do que aprendeu. Cando xa comprobou tres lugares, necesita saber cales estaban reservados, cales tiñan espazo e canto custa cada un. Ese rexistro está na xanela de contexto do LLM, a cantidade de texto que o modelo pode ter en conta á vez.

As tarefas longas poden superar esa xanela de contexto. Os axentes con memoria a longo prazo resolven isto gardando información fóra do modelo, normalmente nunha base de datos, e recuperando só o que necesita o paso actual.

A memoria a longo prazo tamén se mantén dunha tarefa a outra. Cando chegue o momento de planificar a xornada do ano seguinte, o axente podería reutilizar a lista de lugares e o orzamento deste ano, ou lembrar que o equipo prefire lugares a menos dunha hora en coche.

4. Comprobar os resultados e corrixir o rumbo

Mentres traballan, moitos axentes están atentos a sinais de que un paso saíu mal. Se un formulario de reserva devolve un erro ou unha busca non dá resultados, proban outro enfoque. Cando chegan a unha decisión que non deberían tomar sós, como se é aceptable un lugar que supera lixeiramente o orzamento, pregúntanlle á persoa e axústanse segundo a resposta.

Antes de entregar o seu traballo, moitos axentes revisan os resultados. O LLM rele o que produciu, compárao co obxectivo e enumera calquera cousa que falte ou estea mal. O axente revisa e volve comprobar ata que o resultado cumpre o obxectivo. Se á invitación lle falta o enderezo do lugar, por exemplo, a revisión detéctao e o axente engádeo antes de enviala.

5. Repartir o traballo entre axentes

Algunhas tarefas avanzan máis rápido cando as comparten varios axentes. Un axente principal divide o traballo e asigna partes a subaxentes.

Perplexity Computer funciona así. Unha persoa describe o resultado que quere, e Computer divídeo en tarefas e subtarefas e, despois, crea subaxentes para levalas a cabo. Os subaxentes poden investigar na web, xerar documentos, procesar datos ou chamar a servizos conectados a través de API.

Cando Computer atopa un problema, crea novos subaxentes para resolvelo. Cada subaxente tamén pode executarse nun modelo de IA diferente, de modo que cada parte do traballo vai ao modelo máis axeitado para ela.

Así, no exemplo da xornada fóra da oficina, un subaxente podería investigar lugares mentres outro consulta os calendarios do equipo e un terceiro analiza as opcións de viaxe.

Ampliar

Como usan as persoas os axentes autónomos

As persoas usan os axentes autónomos sobre todo para o traballo intelectual cotián: investigación, redacción, correo electrónico e estudo. Nun estudo de investigadores de Harvard e Perplexity, as tarefas de produtividade e aprendizaxe representaron o 57 % das consultas axénticas. Os exemplos seguintes mostran o que fai un axente en cada tipo de traballo.

Investigación e análise

A investigación encaixa ben cos axentes porque require moitos pasos pequenos. Un axente pode buscar, abrir fontes, lelas e comparar o que din. Tomemos unha consulta como “atopa tres estudos recentes sobre o teletraballo e a produtividade e resume as conclusións de cada un”. O axente busca estudos e abre os máis relevantes. Le as conclusións de cada estudo e redacta un resumo con ligazóns a todas as fontes. Se un estudo está tras un muro de pago, o axente pasa ao seguinte. No estudo, resumir e analizar investigacións supón o 7 % das consultas axénticas.

Documentos, correo electrónico e calendarios

Os axentes adoitan traballar nas ferramentas que as persoas xa usan a diario. No estudo de Harvard e Perplexity, as ferramentas de documentos de Google e o correo electrónico foron as dúas máis habituais e, xuntas, representaron preto dunha cuarta parte das consultas axénticas. Tomemos unha consulta como “revisa os correos sen ler desta semana, marca todo o que sexa de clientes e redacta respostas ás solicitudes para programar reunións”. O axente abre a caixa de entrada e clasifica as mensaxes. Consulta o calendario para ver as horas libres e redacta unha resposta a cada solicitude. Pode gardar os borradores sen envialos, para que a persoa poida revisar cada un primeiro.

Aprendizaxe e traballos académicos

Os estudantes usan axentes para estudar. Os traballos académicos son a categoría individual máis grande de uso de axentes no estudo, cun 13 % das consultas axénticas. Unha consulta como “faime un cuestionario sobre o capítulo catro das lecturas do meu curso” leva o axente ao sitio web do curso, onde le o capítulo, redacta preguntas sobre os puntos clave e corrixe as respostas do estudante. O mesmo enfoque funciona para calquera persoa que estea a aprender unha materia nova, como un empregado que se pon ao día nun sector descoñecido.

Compras e comparacións

As compras representan o 10 % das consultas axénticas, principalmente buscar e comparar produtos. Se se lle pide “atopa unha mesa regulable en altura de menos de 400 $ con boas valoracións”, un axente busca en varias tendas, filtra por prezo e valoración, compara as mellores opcións e pode engadir a mellor ao carriño. Que un axente compare opcións en varios sitios web pode aforrar moito tempo, xa que a persoa xa non ten que abrir e contrastar cada ficha de produto.

Sete boas prácticas para usar axentes autónomos

1. Comezar con tarefas fáciles de comprobar

As mellores tarefas para comezar son aquelas nas que un erro é fácil de detectar e barato de corrixir. Os resumos de investigación e as comparacións de produtos son bos puntos de partida. Se o axente enlaza as súas fontes, revisar o traballo leva uns poucos minutos. A medida que medra a confianza, as persoas poden delegar tarefas máis longas e con máis pasos.

2. Establecer resultados e restricións claros

O axente pode tomar mellores decisións cando sabe por que importa a tarefa. Unha boa consulta lese como un encargo a un contratista: o propósito, o público, o que xa se sabe e o que xa se descartou. «Compara estes tres provedores para un informe para o consello de administración; ao consello impórtalle sobre todo o risco de implementación, e xa excluímos a quen non cumpra con SOC 2» dálle ao axente o que precisa para tomar decisións por si mesmo.

3. Engadir puntos de control de aprobación

Algunhas accións non se poden desfacer, como enviar un correo electrónico, facer unha compra, eliminar ficheiros ou enviar un formulario. Se o axente o permite, configúrao para que se deteña e pregunte antes destes pasos. A propia consulta tamén pode establecer un punto de parada. «Redacta respostas, pero non as envíes» ou «engade a mellor opción ao meu carriño, pero non finalices a compra» indícalle ao axente exactamente onde deterse e devolver o control.

4. Revisar o plan antes do traballo

Para unha tarefa máis grande, pídelle ao axente que esboce o seu plan antes de comezar. Revisar un plan leva un minuto, e corrixir un malentendido nesa fase é moito máis barato que descubrilo nun entregable xa rematado.

5. Limitar o acceso ao que precisa a tarefa

Cada conta á que pode acceder un axente é unha conta na que pode actuar. Conectar só as aplicacións que require unha tarefa mantén os datos confidenciais fóra do seu alcance e limita o que pode saír mal. Un axente que investiga provedores non precisa acceso ao correo electrónico. Un axente que redacta respostas si o precisa, pero quizais non necesite permiso para envialas.

6. Incorporar as comprobacións na consulta

Os axentes xa revisan o seu propio resultado, así que a consulta pode indicarlles que deben comprobar. Especificar como é un bo resultado («cada cifra necesita unha fonte datada en 2025 ou posterior») fai que o axente aplique ese criterio antes de entregar o seu traballo. Pedirlle que separe os feitos confirmados das súas propias inferencias e que sinale as suposicións fai que a revisión da persoa sexa máis rápida e centrada.

7. Reutilizar o que funciona

Unha consulta que deu un bo resultado pode converterse nun modelo para a seguinte tarefa similar. Darlle ao axente un exemplo dun bo resultado, como o informe do trimestre pasado, adoita ser máis útil que describir o formato con palabras. As tarefas recorrentes poden converterse en fluxos de traballo permanentes.

Como aborda Perplexity os axentes autónomos

Perplexity ofrece dous axentes autónomos. Comet Assistant encárgase das tarefas cotiás dentro do navegador, e Perplexity Computer asume proxectos máis grandes que poden executarse durante horas ou máis tempo.

Comet Assistant está integrado en Comet, o navegador con IA de Perplexity. Funciona nos sitios web que unha persoa xa ten abertos, polo que pode programar reunións, editar documentos, enviar correos electrónicos e reservar voos sen cambiar de ferramenta.

Computer execútase na nube e reparte cada obxectivo entre subaxentes, como se describiu anteriormente. Conéctase a centos de servizos, e as persoas poden escoller modelos de IA concretos para partes concretas do traballo. Computer está dispoñible para os subscritores de Pro e Max.

Explora Comet Assistant para probar un axente no navegador ou Perplexity Computer para delegar un proxecto máis grande.

Preguntas frecuentes

Un axente autónomo é o mesmo que a IA axéntica?

Non, pero os termos sobrepóñense. A IA axéntica adoita referirse á categoría máis ampla de sistemas de IA que perseguen obxectivos planificando e realizando accións. Un axente autónomo é un sistema concreto desa categoría que realiza o seu traballo con pouca aprobación paso a paso.

Todos os axentes de IA son autónomos?

Non. Algúns axentes realizan cada paso só cando unha persoa o indica, mentres que outros completan unha tarefa enteira por si mesmos. Os niveis de autonomía descritos anteriormente mostran toda a gama, desde axentes que unha persoa manexa paso a paso ata axentes que unha persoa só supervisa.

Poden os axentes autónomos facer compras ou pagamentos?

Algúns axentes poden axudar coas compras, dependendo do sitio web, dos permisos e das salvagardas. Comet Assistant pode comparar produtos e axudar nos procesos de pagamento. Instant Buy de Perplexity permite aos usuarios aptos dos EUA comprar produtos compatibles dentro de Perplexity, con PayPal dispoñible como opción de pagamento.

Os axentes autónomos requiren coñecementos de programación?

Moitos axentes xa preparados pódense usar sen programar. Algunhas plataformas tamén permiten crear axentes mediante instrucións en linguaxe natural ou unha interface gráfica. A programación pode ser útil para integracións personalizadas, depuración e comportamentos máis especializados.