Esta es una versión en español y adaptada del artículo How to Build an Agent in JavaScript que demuestra, paso a paso y con ejemplos prácticos, cómo crear un agente de inteligencia artificial capaz de conversar, usar herramientas y editar archivos desde Node.js usando TypeScript.
Introducción: los agentes IA son modelos de lenguaje grande que, además de generar texto, pueden ejecutar acciones externas mediante herramientas definidas por el desarrollador. En este artículo explico el flujo básico: mantener el historial de conversación para dar contexto al modelo, declarar herramientas que el modelo puede invocar y ejecutar esas herramientas en el entorno con control humano cuando sea necesario.
Montando el proyecto: la aplicación de ejemplo arranca con un cliente para el servicio LLM que elijas y una clase Agent que orquesta la conversación. La parte esencial es sencilla: se mantiene un arreglo conversation con los mensajes intercambiados, cada nuevo mensaje del usuario se añade, se envía todo al modelo y la respuesta se añade de vuelta. Con esto se consigue una experiencia de chat persistente y coherente.
Herramientas y llamada a herramientas: una herramienta es solo una API que el agente conoce por nombre, descripción y esquema de entrada. Cuando el modelo decide usar una herramienta emite un mensaje indicando la herramienta y sus argumentos. El programa receptor ejecuta esa herramienta, recoge el resultado y lo inserta en la conversación para que el modelo continúe con la información actualizada. Esa mecánica convierte un modelo de chat en un agente que puede modificar recursos fuera de la ventana de contexto.
Ejemplo read_file: definimos una herramienta read_file que recibe un path relativo y devuelve el contenido del archivo como texto. Cuando el modelo pide leer un archivo emitimos la llamada a la herramienta, leemos el archivo con fs, manejamos errores y devolvemos el contenido para que el modelo lo utilice en la siguiente respuesta.
Ejemplo list_files: otra herramienta útil es list_files que lista el contenido de un directorio. Podemos devolver nombres con un slash en los directorios para que el modelo entienda la estructura. Con read_file y list_files combinadas el agente puede explorar proyectos, localizar archivos relevantes y extraer información para ejecutar tareas más complejas.
Control humano: por seguridad es recomendable introducir un human in the loop. Antes de ejecutar operaciones sensibles como leer o editar archivos, el agente puede solicitar consentimiento al operador humano. Esto se implementa pidiendo confirmación y devolviendo un resultado de fallo si el humano deniega la petición. Este patrón reduce riesgos y mejora la confianza al integrar agentes IA en flujos de trabajo reales.
Herramienta edit_file: para que el agente pueda modificar código añadimos edit_file. Esta herramienta acepta path, old_str y new_str y realiza reemplazos o crea archivos nuevos cuando procede. Con cuidado en las validaciones se puede permitir que el agente haga cambios automáticos y que luego un humano revise y apruebe las modificaciones.
Flujo completo y demos: un ejemplo práctico combina chat, list_files, read_file y edit_file para tareas como localizar un archivo, leer su contenido, aplicar cambios solicitados por el usuario y ejecutar scripts generados por el agente. En la demostración el agente crea un fizzbuzz, lo modifica para acotar su salida y decodifica un mensaje rot13, todo controlado por las herramientas y la aprobación humana.
Por que es sorprendente: la idea central no es mágica ni requiere cientos de ingenieros escribiendo reglas complejas. Con menos de cinco herramientas bien definidas y la lógica de orquestación adecuada el modelo aprende a pedir las acciones que necesita y a continuar la conversación con los resultados. Eso convierte la automatización de tareas de desarrollo en algo accesible y potente.
Buenas prácticas: definir esquemas de entrada explícitos para herramientas, validar argumentos, limitar el alcance de archivos accesibles, mantener registro de auditoría y exigir consentimiento humano para operaciones críticas son medidas clave para desplegar agentes IA de forma responsable en entornos de producción.
Sobre Q2BSTUDIO: en Q2BSTUDIO somos una empresa de desarrollo de software con foco en soluciones a medida. Ofrecemos aplicaciones a medida, software a medida y servicios especializados en inteligencia artificial e ia para empresas. Nuestro equipo integra experiencia en ciberseguridad, servicios cloud aws y azure y servicios inteligencia de negocio para entregar soluciones completas y seguras. Implementamos agentes IA que se integran con pipelines de desarrollo y con herramientas de business intelligence como power bi para cerrar el ciclo desde la captura de datos hasta el análisis y la automatización.
Servicios que ofrecemos: desarrollo de aplicaciones a medida, consultoría y arquitectura de software a medida, integración de modelos de inteligencia artificial, despliegues seguros en servicios cloud aws y azure, soluciones de inteligencia de negocio con Power BI y servicios de ciberseguridad para proteger datos y operaciones. Nuestro enfoque combina ingeniería práctica, control humano y automatización mediante agentes IA para acelerar la entrega de valor.
Cómo empezar: para crear un agente práctico en TypeScript lo mínimo que necesitas es un cliente LLM, una clase que gestione la conversación y un conjunto de definiciones de herramientas con su implementación en el servidor. Añade mecanismos de control humano y registro de auditoría antes de abrir acceso a operaciones sensibles. A partir de ahí puedes iterar sobre prompts, mejorar esquemas y ampliar el conjunto de herramientas según las necesidades del negocio.
Casos de uso: automatización de refactorizaciones, asistencia en revisión de código, generación y prueba de scripts de despliegue, extracción de insights de repositorios documentales, asistentes internos que consultan sistemas y crean tickets o ejecutar tareas repetitivas con supervisión humana. Combinado con servicios inteligencia de negocio y power bi el agente puede preparar datos, ejecutar transformaciones y actualizar dashboards de forma segura.
Conclusión: construir un agente en JavaScript y TypeScript es accesible, útil y transformador. Con una arquitectura clara y controles adecuados puedes desplegar agentes IA que aumenten la productividad del equipo y mantengan seguridad y gobernanza. Si quieres explorar un proyecto como este o necesitas crear aplicaciones a medida con integración de inteligencia artificial y ciberseguridad, contacta con Q2BSTUDIO para una consultoría y un plan a medida que incluya servicios cloud aws y azure, servicios inteligencia de negocio y soluciones de agentes IA.