Agent Graph

Un Agent Graph (grafo de agente) es la forma de modelar el comportamiento de un agente de IA como un grafo dirigido: un conjunto de nodos (cada paso del razonamiento o acción) unidos por aristas que definen cómo se pasa de un paso al siguiente. En lugar de una secuencia rígida y predeterminada, el grafo deja explícitas las ramificaciones, los ciclos y las decisiones que el agente puede tomar según el contexto.

Cada nodo suele representar una unidad concreta: una llamada al modelo (LLM), una llamada a una herramienta (tool calling), un nodo de decisión que enruta según una condición, o un punto de control humano (human-in-the-loop). Las aristas pueden ser fijas o condicionales, y es habitual que existan ciclos: el agente vuelve a un nodo anterior para reintentar, refinar o pedir más información antes de continuar.

Modelar un agente como grafo importa porque vuelve su lógica inspeccionable y gobernable: se ve qué camino tomó, dónde se detuvo y por qué. Es un patrón central cuando se construyen agentes sobre Salesforce, parte del trabajo de ingeniería que abordan los equipos de Salesforce Developers al diseñar agentes confiables y auditables.

Cómo funciona un Agent Graph

La idea de fondo es tratar el "cerebro" del agente no como una caja negra, sino como un mapa explícito de estados y transiciones. El grafo arranca en un nodo de entrada (por ejemplo, recibir la consulta del usuario), pasa por nodos que llaman al modelo o a herramientas externas, y termina en uno o más nodos de salida. Entre medio, los nodos de decisión evalúan el resultado de un paso y eligen la siguiente arista: si el agente necesita datos de un CRM, va al nodo de la herramienta; si ya tiene todo, va al nodo de respuesta.

La diferencia con un flujo lineal es la presencia de ciclos y condiciones. Un agente que sigue el patrón ReAct alterna razonamiento y acción en un bucle: piensa, llama a una herramienta, observa el resultado, vuelve a pensar. Ese bucle se representa naturalmente como un ciclo en el grafo. Esa estructura también permite manejar errores con elegancia: si una herramienta falla, una arista condicional puede llevar a un nodo de reintento o de escalamiento a un humano, en vez de cortar la ejecución.

Por qué importa para el negocio

• Trazabilidad: se puede reconstruir paso a paso qué decidió el agente, útil para auditoría y cumplimiento.
• Control: insertar puntos de aprobación humana o guardrails en nodos específicos, sin reescribir toda la lógica.
• Mantenibilidad: agregar una rama nueva es sumar un nodo y una arista, no reprogramar un script monolítico.
• Depuración: cuando el agente se comporta mal, se ve en qué nodo se desvió.

Ejemplo concreto (LATAM)

Pensemos en una distribuidora de Consumo Masivo en Buenos Aires que despliega un agente de atención por WhatsApp. Un cliente escribe "¿cuándo llega mi pedido 4821?". El grafo del agente recorre primero el nodo de entrada (interpreta la intención), luego el nodo de decisión (¿es consulta de pedido?), después el nodo de herramienta (consulta el estado del pedido en el sistema), sigue con el nodo de modelo (redacta la respuesta con la fecha estimada) y termina en el nodo de salida. Si la herramienta no encuentra el pedido, una arista condicional deriva a un nodo de handoff a un agente humano. Todo ese recorrido queda registrado, así que el equipo puede revisar después por qué una conversación terminó escalada.

Errores comunes

Un error frecuente es sobrecargar un solo nodo con demasiada lógica (que llame al modelo, valide, transforme datos y decida, todo junto): se pierde la ventaja de inspección. Lo recomendable es nodos pequeños y de responsabilidad única. Otro error es no diseñar nodos de manejo de fallos ni topes de iteración, dejando que un ciclo quede girando sin condición de salida. También se subestima la importancia de definir explícitamente las aristas condicionales: si el enrutamiento queda implícito en un prompt, se pierde la gobernabilidad que justifica usar un grafo.

En qué se diferencia de un workflow tradicional

Es común confundir un Agent Graph con un workflow o una automatización clásica. La diferencia clave está en quién decide el camino:

En resumen, el grafo es la infraestructura conceptual que vuelve a un agente de IA confiable, observable y mantenible. No reemplaza al modelo de lenguaje: lo encuadra, define dónde puede actuar y qué caminos están permitidos, que es justamente lo que separa un experimento de un agente listo para producción.