PulseFlow Tecnologia
← Insights
·7 min de lectura·guia-tecnica·ai-stack·mcp·langgraph
PulseFlow Tecnologia

Cómo montar una stack mínima de agentes para producción

No todo agente necesita las seis capas completas que componen la stack de 2026 - modelos, protocolos y herramientas, memoria, frameworks, evaluación y guardrails. El informe de O'Reilly propone una forma práctica de decidir qué es realmente necesario: preguntar qué tipo de agente estás construyendo antes de elegir cualquier pieza de la stack.

Pregunta 1: cuánto estado necesitas gestionar

Esa es la pregunta que separa un proyecto de fin de semana de un sistema que va a exigir meses de ingeniería. Un agente stateless que solo llama herramientas es un problema de ingeniería completamente distinto al de un agente multi-sesión que aprende con el tiempo - y las capas donde la gestión de estado es más difícil (memoria, frameworks) son donde la mayoría de los equipos se atascan.

Stack 1: agente stateless que llama herramientas

Para un caso de uso como responder preguntas de una base de conocimiento, la stack mínima es: un SDK de proveedor (OpenAI, Google o Microsoft, según el ecosistema ya en uso) + MCP para conectividad de herramientas + PostgreSQL con pgvector, hoy el estándar de facto para búsqueda vectorial sin exigir una base de datos vectorial dedicada. Esa combinación es, según el propio informe, un "proyecto de fin de semana" - no necesita un framework de orquestación dedicado ni memoria de largo plazo.

Stack 2: workflow multietapa

Un caso como el procesamiento de reembolsos de punta a punta ya exige más: LangGraph (o un framework equivalente de orquestación basado en grafos) + MCP + infraestructura de eval montada antes del despliegue, no después. El punto crítico aquí es justamente ese - compilar evaluaciones antes de poner en producción, no como reacción a un problema descubierto después.

Stack 3: agente que aprende

Cuando el requisito es recordar preferencias entre sesiones, la stack cambia de categoría: arquitectura memory-first, con una base de datos vectorial dedicada e infraestructura de eval específica para medir si la memoria está ayudando o perjudicando. El desafío central deja de ser técnico y se convierte en una decisión de producto: qué debería recordar el agente, y cuándo debería expirar esa memoria.

Stack 4: sistema multiagente

Cuando los agentes delegan tareas a otros agentes, entra en juego la stack completa de seis capas - y la infraestructura de evaluación necesita cubrir cada handoff entre agentes, no solo la respuesta final del sistema en su conjunto. Este es el único escenario donde la stack completa realmente se justifica; aplicarla a un caso de uso más simple es over-engineering.

Lo que confirman los datos de LangChain sobre este dimensionamiento

La encuesta State of AI Agents muestra que los casos de uso más comunes hoy - investigación y resumen (58%), productividad personal (53,5%), atención al cliente (45,8%) - encajan mayoritariamente en las Stacks 1 y 2, no en las más complejas. Eso es consistente con el argumento del informe de O'Reilly: la mayoría de los equipos no necesita la stack completa, necesita identificar correctamente en cuál de los cuatro perfiles encaja su caso de uso.

La advertencia que evita el over-engineering

Montar la stack de sistema multiagente para un caso de uso que en la práctica es un llamador de herramientas stateless no es rigor técnico - es tiempo de ingeniería desperdiciado y complejidad de mantenimiento innecesaria. El punto de partida correcto no es "cuál stack es más completa", es "cuál es la stack más pequeña que mi caso de uso realmente exige".

Fuentes