De la búsqueda de herramientas a las habilidades: un cambio de paradigma en la arquitectura de los agentes de IA Claude publicó las reglas de Habilidades, y el Codex también comenzó a admitirlas, lo que se está convirtiendo en una capacidad estándar para los agentes de IA. Simplemente transferir todas las herramientas a un LLM y dejar que elija por sí mismo (es decir, "búsqueda de herramientas") es un callejón sin salida; la dirección futura es encapsular las capacidades como "Habilidades" independientes y fiables e invocarlas mediante un mecanismo de clasificación más preciso. Argumento clave: ¿Por qué está muerta la “búsqueda de herramientas”? En las primeras etapas del desarrollo de agentes, los desarrolladores estaban acostumbrados a introducir docenas o incluso cientos de definiciones de llamadas a funciones en el contexto de un modelo grande, con la esperanza de que el modelo pudiera "buscar" y seleccionar la herramienta correcta para usar, como si buscaran en un diccionario. El autor cree que este modelo tiene tres defectos fatales: • Poco confiable: a medida que aumenta el número de herramientas, la atención del modelo se distrae, lo que a menudo conduce a la selección de la herramienta incorrecta o a la generación de ilusiones. • Baja escalabilidad: Las ventanas de contexto son limitadas y costosas. Intentar comprimir todas las definiciones de herramientas en una sola solicitud no solo desperdicia tokens, sino que también degrada la calidad de inferencia del modelo. Falta de conocimiento de uso: Simplemente proporcionar al modelo una definición de API para una herramienta (p. ej., get_weather(city)) no es suficiente. El modelo suele necesitar conocimiento implícito, como cuándo usarla, cómo usarla y qué hacer si se produce un error, pero el patrón de búsqueda de herramientas ignora este contexto. Solución: Las habilidades se están convirtiendo en el nuevo estándar. "Habilidades" no es solo un cambio de nombre de herramientas; representa un enfoque arquitectónico más modular y orientador. ¿Qué es una "habilidad"? • Encapsula el contexto: una "habilidad" incluye no sólo la herramienta en sí, sino también las mejores prácticas para usar la herramienta, instrucciones específicas e incluso algunas bases de conocimiento predefinidas. • Carga bajo demanda: Las habilidades no siempre están vinculadas al contexto. El sistema solo carga habilidades específicas en el modelo cuando es necesario. ¿Cómo funciona? (Categorización vs. Búsqueda) Los autores recomiendan utilizar clasificadores o capas de enrutamiento en lugar de permitir que modelos grandes busquen a ciegas en listas largas. • Reconocimiento de intenciones: cuando un usuario realiza una solicitud, la intención se determina primero mediante un modelo ligero o clasificador. • Cargar habilidades: en función de los resultados de la clasificación, el sistema solo recupera el "paquete de habilidades de búsqueda" o el "paquete de habilidades de programación" correspondiente en el contexto. • Ejecución precisa: en este punto, el modelo principal solo ve unas pocas herramientas e instrucciones detalladas que son muy relevantes para la tarea actual, lo que resulta en una tasa de éxito extremadamente alta. Resumen: Implicaciones para los desarrolladores de IA El desarrollo de agentes está pasando de la "ingeniería de palabras rápidas" a la "ingeniería de software". • Enfoque antiguo: depositar todas las esperanzas en las capacidades de generalización de LLM y rezar para que pueda encontrar las herramientas adecuadas en medio del caos. • Nuevo modelo (Habilidad): Desacoplar tareas complejas como escribir código. No solo darle a la IA un martillo, sino también una guía de usuario, y dársela solo cuando necesite clavar clavos. Esta transformación ha convertido a los agentes de IA de simples juguetes ocasionales a herramientas de productividad estables y fiables. Para las aplicaciones empresariales, una biblioteca de habilidades bien definida será un activo más importante que simplemente acumular parámetros de modelo. Lea el texto original
