Una demostración que responde correctamente todavía necesita ejecución, acceso a datos, seguimiento y límites para servir a usuarios reales. OCI Enterprise AI reúne capacidades para construir ese recorrido.
Objetivos: identificar modelo, herramientas, loop y memoria; distinguir chat, embed y rerank; seguir Responses API y function calling; y separar controles de acceso de controles de contenido.
Conceptos clave
Un agente basado en LLM combina modelo, herramientas, loop y memoria. El modelo propone el siguiente paso; una herramienta obtiene datos o ejecuta una operación; el runtime coordina decisiones y resultados; la memoria conserva contexto relevante. Un chatbot puede responder sin actuar y un workflow puede seguir una secuencia fija. Un agente decide parte de sus pasos dinámicamente.
La plataforma se entiende en tres grupos: modelos para inferir; agentes para coordinar acciones; y gobernanza para controlar acceso, comportamiento y operación. Usar un runtime gestionado reduce trabajo operativo, pero no elimina tu responsabilidad sobre permisos, herramientas o calidad de las respuestas.
Modelos, recuperación y personalización
Chat genera respuestas; embed produce vectores; rerank vuelve a ordenar candidatos por relevancia. En una búsqueda, puedes recuperar un conjunto amplio con embeddings, refinarlo con reranking y pasar los fragmentos seleccionados al modelo de chat. Un modelo rerank no busca por sí solo en todos tus documentos ni redacta la respuesta final.
Para preparar la recuperación: extrae texto, divídelo en fragmentos útiles, genera embeddings y conserva texto, vector y metadatos. En consulta, combina filtros autorizados con similitud; la búsqueda híbrida puede sumar coincidencia léxica para códigos exactos. Mide tanto recuperación como respuesta.
Adapta primero instrucciones y ejemplos. RAG aporta conocimiento externo al contexto; fine-tuning ajusta comportamiento. El material presenta métodos eficientes como T-Few y LoRA, además de ajustes más amplios: la compatibilidad depende del modelo y la versión. Verifica el formato de entrenamiento y reserva ejemplos de evaluación. No memorices un listado histórico de modelos como catálogo permanente.
Herramientas, memoria y controles
La OCI Responses API usa una interfaz compatible con OpenAI para invocar modelos y coordinar herramientas en OCI. Eso no significa que el SDK ejecute la solicitud en la infraestructura de OpenAI: importan endpoint y autenticación. Un project organiza recursos como respuestas, conversaciones, archivos y almacenes vectoriales. Consulta los requisitos de la guía oficial de inicio.
En function calling, el modelo devuelve nombre y argumentos; tu aplicación valida identidad, permisos y parámetros, ejecuta la función y devuelve el resultado asociado a la llamada. Las herramientas gestionadas, como File Search o Code Interpreter, tienen otro responsable de ejecución. MCP estandariza conexión con servidores de herramientas; distingue host, cliente y servidor, y herramientas, recursos y prompts. Para servidores remotos se utiliza Streamable HTTP; stdio corresponde al escenario local. El servidor remoto sigue aplicando sus propios controles.
El contexto de varios turnos puede gestionarse en cliente o servicio. previous_response_id enlaza respuestas; la compacción resume historial; la memoria duradera debe asociarse al sujeto y proyecto correctos. No modifica los pesos del LLM. Los proyectos tienen configuración de retención: no debes afirmar que nada se almacena cuando eliges conservar conversaciones.
Autenticación identifica al solicitante; autorización limita operaciones. IAM, red, cifrado y políticas de datos se complementan. Un endpoint privado no sustituye IAM. Los guardrails detectan riesgos como contenido indebido, prompt injection o PII; detección e información no equivalen a bloqueo. Comprueba qué aplica cada modo en la documentación de guardrails.
Ejemplo paso a paso
Un empleado solicita: «Consulta la política y abre un ticket por mi equipo».
- Autentica al empleado y recupera solo la política que puede leer.
- El modelo explica la política y propone una herramienta para crear el ticket.
- La aplicación valida equipo, identidad, campos y autorización de creación.
- Ejecuta una sola operación; si reintenta, evita duplicar tickets con un identificador de operación.
- Devuelve el número real y conserva únicamente el contexto necesario para un seguimiento.
Si un documento recuperado exige «ignorar permisos», no adquiere autoridad por formar parte de RAG. Limita pasos, tiempo y gasto; detén o escala cuando no puedas confirmar el resultado.
Errores frecuentes
- Afirmar que declarar una función en JSON ya ejecuta su código.
- Confundir un proyecto de recursos con los pesos del modelo.
- Conservar memoria de dos usuarios bajo el mismo identificador.
- Tratar «informar» como si significara bloquear una petición.
- Prometer que RAG, red privada o guardrails eliminan todos los riesgos.
Ejercicio de seguridad
El agente puede consultar tickets. Una página recuperada le pide cerrar todos los tickets de la organización. ¿Le basta su acceso de lectura y la instrucción de la página?
Solución
No. Leer no autoriza modificar, y el contenido de una página no concede permisos. La aplicación debe rechazar la operación fuera de alcance, comprobar la identidad y aplicar la política del negocio. El modelo puede explicar el límite y ofrecer una consulta permitida. También debe evitar guardar esa instrucción como memoria confiable.
Fuentes y repaso
Consulta Building AI Agents y el bloque OCI Enterprise AI de MyLearn. Para profundizar después, continúa con nuestra guía de Agentic AI.