06 Mar 2026

Buenas prácticas para agentes de IA

Artículo histórico de Make (la fuente indica el 6 de marzo de 2026). Este texto reproduce una página de documentación de Make. Las descripciones de funciones, límites y capturas son de Make en esa fecha; no son una afirmación de este sitio ni una garantía de que esa documentación siga igual hoy. Para el estado actual de la plataforma, consulta las fuentes oficiales de Make.

Esta página refleja una versión anterior de Make AI Agents. Para la información más reciente, consulta Make AI Agents (New). Los agentes de IA bien diseñados pueden ejecutar herramientas por ti con una intervención humana mínima. Sin embargo, su eficacia depende de su configuración y de sus instrucciones. Esta guía recoge consejos para construir agentes de IA en Make, como la nomenclatura de herramientas, la escritura de prompts y el acceso a datos.

Herramientas

Si un modelo de lenguaje de gran tamaño (LLM) es el cerebro de un agente de IA, las herramientas son sus manos y sus acciones. Le dan al agente las capacidades necesarias para hacer su trabajo. En Make tienes tres tipos de herramientas para un agente de IA: escenarios, módulos y herramientas de servidor MCP.

Nomenclatura de herramientas

Un agente elige la herramienta adecuada para cada tarea a partir de los nombres y las descripciones de tus herramientas. Escribe nombres y descripciones concisos que reflejen el propósito de la herramienta y cuándo debe ejecutarse. Por ejemplo: «Add customer email to Customer Contacts table» como nombre del escenario y «This adds a new customer email address to the Customer Contacts table. Do not run this if '@' is missing» como descripción del escenario. Las herramientas bien nombradas son esenciales cuando se comparten con sistemas de IA externos, como otros agentes, a través de Make MCP Server. Estos sistemas dependen de los metadatos de las herramientas (no del system prompt) para tomar las decisiones correctas.

Nomenclatura de entradas y salidas en los escenarios

Unas entradas y salidas de escenario bien definidas ayudan al agente de IA a entender qué datos debe recibir y compartir. Los campos de entrada y salida incluyen:

Nombre
Tipo
Descripción
Valor predeterminado
Obligatorio (Sí/No)
Multilínea (Sí/No) Aprovecha esta configuración para especificar tus requisitos para las entradas o salidas. Por ejemplo: «customer_email» como nombre de la entrada del escenario y «Full name of the customer» como descripción. Es una entrada de texto obligatoria. También puedes añadir requisitos de estilo a las descripciones de las entradas, si es relevante. Por ejemplo, puedes especificar que una entrada de tipo string (texto) debe ir toda en minúsculas, con mayúscula inicial o toda en mayúsculas, etc.

Depuración en las herramientas

Si notas que tu agente devuelve resultados por debajo de lo esperado, comprueba primero si el problema está en tus herramientas. Puedes depurar ajustando la lógica específica de cada herramienta en los nombres, las descripciones y los esquemas de entrada y salida. Por ejemplo, puedes añadir una pista en la descripción de la herramienta sobre cuándo debe ejecutarla el agente («Only run when you have a bank user ID»). Comprueba también que todos los escenarios con un agente estén activados; los errores de escenario pueden provocar su desactivación. (Para gestionar errores en los escenarios, consulta Error handling.) Puedes ajustar la lógica del system prompt si el cambio se aplica a todas las herramientas.

Escritura de prompts

Los prompts de los agentes de IA de Make cumplen dos funciones distintas pero relacionadas: instrucciones del sistema y comunicación entre el usuario y el agente. El System prompt sirve como conjunto de instrucciones fundamentales que guían el comportamiento del agente, incluidos su rol, sus limitaciones y sus procesos. Escribir prompts (o comunicarse con los agentes) implica solicitudes de tareas e instrucciones. Puedes enviar prompts en:

Los Messages basados en el escenario, en el módulo Make AI Agents > Run an agent
La ventana de chat Testing & Training, en la pestaña de configuración AI Agents

Prompts de sistema globales

Mantén el system prompt lo bastante amplio como para que tu agente funcione en distintos escenarios (por ejemplo, presupuestos, inventario y atención al cliente). Un prompt demasiado específico puede limitar la eficacia del agente a un conjunto reducido de tareas. Por ejemplo, considera estos dos enfoques para escribir system prompts —específico o simple— para un agente de contenido que esperas usar en varios escenarios de creación de contenido: Prompt específico y restrictivo «Eres un agente de contenido diseñado para generar contenido de Instagram de menos de 150 caracteres. A partir de varias fuentes, escribirás descripciones para marcas de estilo de vida. Usa un tono alegre, dos hashtags relevantes y tres emojis. Termina la descripción con una pregunta para la audiencia.» Prompt simple y global «Eres un agente de contenido diseñado para generar y refinar texto en distintos formatos y plataformas. Puedes producir contenido atractivo, informativo o persuasivo (incluidos textos cortos, textos largos, esquemas y más) adaptado a las necesidades de la audiencia y a los requisitos de cada plataforma.» El prompt específico restringe al agente en plataforma (Instagram), en forma (número de caracteres, emojis, hashtags) y en tarea (escritura de descripciones para redes sociales), lo que limita su capacidad para ayudar con otras tareas relacionadas con el contenido, como la redacción de blogs optimizados para SEO. Mantén los system prompts generales e incluye las instrucciones más específicas en la descripción de la herramienta correspondiente o en el campo Messages.

Redundancia en los prompts asistidos por IA

Si no tienes experiencia escribiendo prompts, puedes beneficiarte del botón Improve en System prompt, que mejora tu prompt con IA. Sin embargo, los prompts demasiado largos pueden aumentar el riesgo de confusión o alucinaciones del LLM. Usar IA para escribir prompts puede contribuir a ese riesgo si no revisas su trabajo. Revisa siempre tus prompts mejorados con IA en busca de redundancias y elimínalas. Del mismo modo, edita o elimina la sección Workflow si no se ajusta a tu proceso.

Prompts adicionales en las herramientas

Después de escribir tu system prompt, puedes añadir especificaciones adicionales en las herramientas. Puedes hacerlo en Messages y en Additional system instructions, en el módulo Make AI Agents > Run an agent. En Messages, puedes escribir un prompt o una entrada que le indique al agente qué hacer con esa herramienta concreta, incluidas limitaciones y condiciones. Por ejemplo, en un escenario de descripciones para redes sociales, puedes indicar al agente que limite la longitud a 150 caracteres, que evite la puntuación compleja como rayas o punto y coma, y que pida validación humana para temas específicos. En las Additional system instructions, opcionales, puedes añadir información contextual extra que el agente no recibiría del usuario. Por ejemplo, si los usuarios llaman a tu agente a través de canales de comunicación como Slack o Telegram, puedes usar este campo para pasar metadatos como el tipo de usuario, la marca de tiempo y el nombre de perfil de ese canal.

Seguridad y acceso a los datos

Los LLM son sistemas imperfectos y vulnerables a riesgos, como la exposición de PII en las salidas o el prompt hacking. La mejor precaución es asumir que cualquiera podría acceder con éxito a lo que compartes con tu agente, incluidas sus herramientas y sus datos.

Acceso del agente a la información

Los agentes solo usan los datos personales que les proporcionas explícitamente a través de herramientas y archivos de contexto. Para reducir el riesgo de seguridad de los datos, limita el acceso del agente a los datos que necesita para hacer su trabajo. Evita exponerlo a información sensible que no sea esencial. Por ejemplo, en lugar de conectar el agente a una herramienta que exporta todo tu calendario, su acceso podría limitarse a un calendario público en el que solo figuren los huecos de libre/ocupado.

Límites de las restricciones impuestas por el usuario

El system prompt de un agente incluye limitaciones y restricciones, o reglas. Las limitaciones guían el comportamiento del agente definiendo acciones deseables e indeseables. Por ejemplo, puedes indicar a tu agente de IA que:

Limite la interacción con consultas fuera de tema
Evite compartir información sensible en las salidas
Marque las entradas dañinas o inseguras
Priorice las bases de conocimiento internas como referencia
Pida a una persona que valide las salidas Sin embargo, incluso con barreras completas y explícitas, el agente podría comportarse de forma impredecible. En los sistemas de IA, las propias restricciones tienen limitaciones: los agentes no siempre las siguen. Dadas las implicaciones para la seguridad de los datos, la restricción más fiable en este ámbito es dar al agente un acceso mínimo a la información sensible.

Configuración del modelo

En Agent settings, dentro de la pestaña de configuración AI Agents, puedes mejorar el funcionamiento de tu agente estableciendo límites a sus tokens de salida, pasos de ejecución e historial del hilo.

Max output tokens

Los agentes pueden dar respuestas largas, lo que puede resultar costoso. Usa Max Output Tokens para limitar el número de tokens que un agente genera. Si fijas el máximo de tokens demasiado bajo, puedes obtener respuestas incompletas. Un token equivale a unos 4 caracteres de texto.

Steps per agent call

En casos excepcionales, los agentes pueden quedarse atascados en un bucle, repitiendo las mismas acciones sin alcanzar su objetivo. Evítalo limitando los pasos de ejecución que un agente puede dar. Una estimación segura para los pasos de ejecución es multiplicar por 10 el número máximo de llamadas a herramientas que esperas.

Max number of agent runs in thread history

Los agentes usan el historial del hilo, parecido a un historial de chat, para recordar las interacciones contigo. Sin embargo, puede que no quieras conservar todo el historial del hilo. Hacerlo consume tokens adicionales, ya que el agente necesita leer todo el historial en cada ejecución. Para ahorrar tokens, limita el número de mensajes anteriores que el sistema almacena. Por ejemplo, si solo quieres conservar los últimos 5 mensajes, pon 5 en este campo.

Mejora del conocimiento

Es probable que el LLM detrás de tu agente desconozca el conocimiento y los procesos internos de tu empresa. Mejora la toma de decisiones de tu agente subiendo archivos privados a Context en la pestaña de configuración AI Agents. Estos archivos sirven como información de referencia para el agente. Los archivos de contexto deben contener información fija que se aplique a todas las herramientas. Por ejemplo:

Directrices de la empresa
Bases de conocimiento internas (p. ej., Confluence)
Tickets de soporte
Publicaciones de la comunidad
Conversaciones de Slack de la empresa Tus archivos no deben incluir información sensible cuando el agente vaya a ser usado por usuarios que no deberían acceder a esos datos. Al decidir qué archivos subir, ten en cuenta el principio garbage in, garbage out (GIGO): entradas de mala calidad o poco representativas producen salidas igualmente deficientes. Sube información que refleje los resultados que quieres que el agente reproduzca. Por ejemplo, no subas trabajos mal ejecutados como ejemplos a seguir.

Optimización de costes

Al usar agentes de IA de Make, pagas tarifas por los créditos de Make y por los tokens del proveedor de LLM (p. ej., ChatGPT). Los costes totales pueden aumentar rápidamente si usas un único thread ID, varias herramientas y LLM de razonamiento avanzado. Mantén bajos los costes del LLM optimizando el uso de tokens y eligiendo un LLM rentable.

Uso de tokens

El uso de tokens depende de dos factores principales: la cantidad de información que el LLM procesa en las solicitudes y el número de interacciones entre el usuario y el LLM. Alcance de los datos Para reducir la cantidad de información que un agente maneja en una solicitud, especifica los datos que quieres pasarle y los datos que quieres que devuelva. Por ejemplo, en lugar de indicar al agente que analice una base de datos entera, acota el alcance de su búsqueda a las entradas posteriores al 1 de junio de 2025. Para limitar los datos manejados en las solicitudes:

Define las entradas y salidas del escenario.
Filtra las entradas antes de pasarlas al agente. En un escenario, puedes añadir un filtro en la ruta anterior al módulo Make AI Agents > Run an agent.
Almacena los archivos con información global (p. ej., datos de contacto) en el Context del agente. Context Cuando tienes grandes bloques de texto que un agente debe consultar con frecuencia, puedes subirlos como archivos de contexto y reducir los tokens procesados en las solicitudes. Tus archivos de contexto se dividen en segmentos de texto llamados chunks, se convierten en vectores y se almacenan en la base de datos vectorial RAG de Make. Los agentes pueden buscar en la base de datos los chunks relevantes para tus consultas y devolver las secciones más relevantes en lugar de archivos completos, usando menos tokens. Puedes subir archivos de contexto en la pestaña AI Agents de la barra lateral izquierda o en los módulos Context de la app Make AI Agents. Después de subir un archivo, actualiza el system prompt o el mensaje de usuario para describir lo que el agente puede encontrar en el archivo. Esta acción ayuda al agente a entender cuándo recuperar el archivo, a distinguir entre archivos similares y a evitar procesar información irrelevante. Estas estrategias pueden ayudar a evitar errores en Make derivados de superar el límite de tokens del LLM subyacente a tu agente. Consulta la documentación de GPT-5 de OpenAI como ejemplo de límites de tokens de un LLM. Interacciones Las interacciones entre el usuario y el LLM, que incluyen tus entradas y las salidas del LLM, también consumen tokens. Para reducir las interacciones, prioriza la claridad en los prompts y consolida las solicitudes de datos en lugar de hacer varias solicitudes secuenciales. Estas estrategias permiten obtener antes salidas completas y precisas. Además, cuando usas el mismo thread ID en varias ejecuciones del módulo Make AI Agents, todo el hilo se pasa al agente. Si no necesitas consultar el historial de conversación con un agente, deja el campo Thread ID en blanco. Esta acción crea un nuevo thread ID, lo que puede ahorrar costes de forma significativa. Puedes monitorizar el uso de tokens en el bundle de salida del módulo Make AI Agents > Run an agent, en tokenUsageSummary, y en tu cuenta del proveedor de LLM.

Elección del LLM inicial

Tienes varios LLM entre los que elegir para impulsar tu agente de IA, cada uno con costes variables según factores como la velocidad y la capacidad de razonamiento. Al crear un agente de IA, empieza con un LLM con una buena relación velocidad-coste. El modelo inicial ideal es rápido y barato, como GPT‑4.1 mini de OpenAI. Los modelos más avanzados y lentos, como o3 de OpenAI, pueden disparar los costes rápidamente. Comprueba hasta dónde puede llegar un modelo económico para lograr tus objetivos y escala según lo necesites. Aunque un LLM rápido funciona bien en muchos casos, el modelo adecuado depende de lo que quieras hacer con el agente. Algunos LLM son más adecuados para ciertos casos de uso que otros, y muchos proveedores de LLM clasifican sus modelos en consecuencia.