Un agente es un modelo en un ciclo: pregunta, actúa con una herramienta, lee el resultado y vuelve a decidir.
Cómo funciona
Anthropic distingue dos diseños. Los flujos de trabajo son “systems where LLMs and tools are orchestrated through predefined code paths” (traducción: sistemas en los que los LLM y las herramientas se orquestan mediante rutas de código predefinidas). Los agentes son sistemas en los que “LLMs dynamically direct their own processes and tool usage” (traducción: los LLM dirigen de forma dinámica sus propios procesos y su uso de herramientas).
El OpenAI Agents SDK documenta el ciclo en sí. El runner llama al modelo. Si la respuesta es final, la ejecución termina. Si contiene llamadas a herramientas, el runner las ejecuta, agrega los resultados y vuelve a llamar al modelo. El ajuste max_turns pone un tope al ciclo y lanza MaxTurnsExceeded cuando se supera.
Un ejemplo práctico: un agente de programación al que se le pide arreglar una prueba que falla podría necesitar cuatro turnos.
Turn 1 model -> tool call: run_tests()
Turn 2 model -> tool call: read_file("src/dates.py")
Turn 3 model -> tool call: edit_file("src/dates.py", ...)
Turn 4 model -> final answer: "Fixed the timezone bug; tests pass."
Cada turno es una solicitud a la API independiente. Si el prompt de sistema y las definiciones de herramientas suman 5,000 tokens, se envían 4 veces: 20,000 tokens de entrada antes de contar historial o salida de herramientas.
Las herramientas pueden ser sus propias funciones o venir de servidores MCP, que permiten a un agente conectarse a sistemas de archivos, bases de datos y APIs SaaS mediante un protocolo común.
Por qué importa
- El costo crece con los turnos. Cada turno es una nueva solicitud que reenvía la conversación. El artículo sobre el presupuesto de tokens de un agente desglosa a dónde van esos tokens. La entrada en caché abarata el prefijo repetido.
- El contexto se llena. Las ejecuciones largas presionan la ventana de contexto y empeoran antes de llegar al límite. Consulte gestión de contexto en agentes de larga duración.
- Los errores se acumulan. Anthropic advierte que la autonomía trae “higher costs, and the potential for compounding errors” (traducción: costos más altos y la posibilidad de errores acumulados). Agregue condiciones de parada, guardrails y aprobación humana para acciones que modifiquen datos o gasten dinero.
- Paralelismo. Varios agentes implican varias solicitudes en curso. El límite de concurrencia de su proveedor decide cuántas pueden ejecutarse a la vez. El costo de los sistemas multiagente compara precios por token y de tarifa plana para ese caso.
En BroadNet Inference
Cualquier framework de agentes que acepte una URL base compatible con OpenAI puede llamar a BroadNet; la guía del OpenAI Agents SDK muestra la configuración. La documentación de BroadNet indica llamadas a herramientas para GLM 5.3 y Qwen3.8 27B, y fija para una clave de pago por uso 30 solicitudes por minuto y 4 en curso.
Los planes de tarifa plana, Luna Llena (Full Moon), Órbita (Orbit) y Meteoro (Meteor), cubren DeepSeek V4.1 Flash sin medidor de tokens. Una sesión ejecuta una solicitud a la vez, igual que trabaja un solo agente, así que se compra una sesión por cada agente que ejecute en paralelo. La documentación de BroadNet no indica llamadas a herramientas para DeepSeek V4.1 Flash, así que pruebe las llamadas a herramientas de su agente con ese modelo antes de depender de un plan; las llamadas a herramientas documentadas implican GLM 5.3 o Qwen3.8 27B con pago por uso.