(+351) 21 24 10006  ·  info@bconcepts.pt
Carnaxide, Lisboa

AI-901: cómo comprender arquitecturas de agentes en Microsoft Foundry

João Barros 07 de November de 2026 5 min de lectura

Voy a enseñar la competencia de comprender arquitecturas de agentes en Microsoft Foundry — un tema práctico importante en el AI-901 porque muestra cómo coordinar LLMs, herramientas y flujos de trabajo para resolver tareas complejas. Saber esto ayuda tanto en el examen (comprensión conceptual) como en la práctica, al diseñar soluciones de automatización asistida por IA.

Qué necesitas saber

Las arquitecturas de agentes describen cómo varios componentes (uno o más LLMs, módulos de observación o herramientas externas, memoria, orquestación) trabajan en conjunto para ejecutar tareas autónomas o asistidas. Un agente no es solo el modelo; es el patrón que gestiona llamadas al modelo, decide cuándo usar herramientas (ej.: search, APIs, cálculo), guarda contexto y toma decisiones sobre los pasos siguientes.

Ejemplo simple: un agente de soporte al cliente recibe una pregunta sobre facturas. El flujo típico:

  • Recibir la pregunta (input del usuario).
  • Usar un clasificador de intención (o el LLM) para decidir si necesita acceder a datos de la cuenta.
  • Si es así, invocar una herramienta que consulta la base de datos o un servicio externo.
  • Agregar la respuesta con el contexto disponible en la memoria y generar la respuesta final al cliente.

Cómo funciona (paso a paso)

Voy a describir, paso a paso, una arquitectura de agente típica implementada en Microsoft Foundry para un caso práctico: un agente que responde a preguntas sobre documentos internos (FAQ y contratos) y puede ejecutar búsquedas semánticas.

  1. Componentes principales:

    • LLM: motor generativo que genera texto y justifica acciones.
    • Tooling: funciones que el agente puede invocar (ej.: search, calculator, APIs pagas).
    • Memory: almacenamiento de contexto (historial de conversaciones, embeddings).
    • Orchestrator: lógica que determina cuándo llamar a cada componente.
  2. Flujo lógico simplificado:

    1. Recibir input del usuario.
    2. El orquestador envía un prompt al LLM con instrucciones (system prompt) y contexto reducido.
    3. El LLM decide: responder directamente, pedir más información, o invocar una tool (ej.: búsqueda semántica).
    4. Si invoca una tool, el orquestador ejecuta la llamada y devuelve el resultado al LLM.
    5. El LLM produce la respuesta final; el orquestador actualiza la memory y retorna al usuario.
  3. Ejemplo de prompt (esquema) usado por el orquestador:

    System: "Eres un asistente de soporte con acceso a herramientas: SEARCH(documents), GET_ACCOUNT(account_id). Usa herramientas cuando necesites datos factuales." 
    User: "¿Cómo puedo cancelar mi contrato?"
    
    #Instrucciones para el LLM: describe si necesitas usar SEARCH, y qué query."

    El LLM responde con una acción: por ejemplo, "CALL_TOOL: SEARCH(query='cancel contract policy')" o proporciona directamente la respuesta si ya lo sabe.

  4. Implementación práctica en Foundry (visión general):

    • Define los conectores a las fuentes (OneLake, repositorios de documentos) e indexa con embeddings, si es necesario.
    • Crea las tools como microservicios o funciones en Foundry que expongan endpoints seguros.
    • Configura un pipeline de orquestación donde los prompts system/user y la lógica de decisión residan — puedes usar componentes visuales de Foundry para componer el flujo.
    • Prueba con prompts y logs para ajustar cuándo el agente debe llamar herramientas y cómo resumir resultados.

En la práctica: ejemplo mínimo (pseudocódigo)

Este pseudocódigo ilustra la lógica de un orquestador que decide entre respuesta directa y uso de herramienta.

function handleUserInput(userInput, sessionContext) {
  prompt = buildPrompt(systemInstructions, sessionContext, userInput)
  llmResponse = callLLM(prompt)

  if (llmResponse.intent == 'CALL_TOOL') {
    toolResult = callTool(llmResponse.toolName, llmResponse.toolArgs)
    updatedPrompt = buildPrompt(systemInstructions, sessionContext, userInput, toolResult)
    final = callLLM(updatedPrompt)
    updateMemory(sessionContext, userInput, final)
    return final
  } else {
    updateMemory(sessionContext, userInput, llmResponse.answer)
    return llmResponse.answer
  }
}

Errores comunes

1) Confiar en el LLM para todas las decisiones sin definir límites: sin reglas claras, el LLM puede intentar responder de forma factual sin acceder a datos actualizados.

2) Exceso de contexto en el prompt: enviar todo el historial o documentos grandes crea respuestas lentas y puede superar límites de tokens; en lugar de eso, resume y usa retrieval cuando sea necesario.

3) Herramientas inseguras o sin validación: permitir que el agente ejecute acciones (ej.: modificar datos) sin autenticación y logs adecuados puede causar problemas de seguridad y auditoría.

Cómo practicar

Para estudiar esta competencia de forma eficaz: practica la construcción de un agente simple en Microsoft Foundry, indexando documentos con embeddings y creando una tool de búsqueda. Prueba diferentes system prompts y registra decisiones y llamadas de herramientas para diagnóstico.

Recursos oficiales y gratuitos que debes usar: el Practice Assessment OFICIAL de Microsoft (es gratuito) y la study guide de Microsoft para AI-901 (también gratuita). Estos materiales ayudan a validar que has comprendido los conceptos sin recurrir nunca a dumps o preguntas reales del examen.

En resumen

  • Las arquitecturas de agentes combinan LLMs, herramientas, memoria y orquestación para resolver tareas complejas.
  • Un buen orquestador decide cuándo llamar herramientas, reduce el contexto enviado al LLM y mantiene seguridad y logs.
  • Prueba e itera: ajusta prompts, thresholds y políticas de uso de herramientas para evitar respuestas erróneas o inseguras.
  • Usa los recursos oficiales gratuitos de Microsoft (Practice Assessment y study guide) para practicar de forma segura y alineada con el examen.