Recientemente completamos el curso intensivo 5-Day AI Agents Intensive Course con Google y Kaggle y ha sido una experiencia transformadora para nuestro equipo en Q2BSTUDIO. Antes del curso veía los modelos de lenguaje como generadores de texto poderosos. Ahora los entiendo como el cerebro de sistemas autónomos capaces de razonar, planificar y ejecutar tareas complejas.

Un cambio clave en nuestra forma de pensar fue pasar del modelo solicitud-respuesta de los chatbots a una arquitectura basada en bucles donde el agente observa, razona, actúa y reflexiona de forma continua. Conceptos que impactaron profundamente nuestro enfoque incluyen herramientas que dan manos al modelo, trazas de razonamiento para visibilidad del pensamiento, el patrón ReAct que combina razonamiento y acción y otros patrones de diseño agente como enrutamiento para delegar a subagentes especializados, evaluador-optimizador para que un agente critique a otro y arquitecturas orquestador-trabajadores para gestionar tareas en paralelo.

Como proyecto final desarrollamos un Agente de Calendario de IA para resolver la pesadilla del scheduling en entornos empresariales. Lo que parece simple encontrar una hora para Alice Bob y Charlie se complica por la necesidad de comprobar múltiples calendarios y zonas horarias coordinar salas con capacidad adecuada respetar festivos y horarios laborales y atender restricciones blandas como preferencia de mañanas.

Arquitectura del sistema: usamos Google Agent Development Kit ADK junto con Gemini 2.5-Flash y optamos por una arquitectura jerárquica de múltiples agentes. Un agente coordinador delega a cuatro subagentes especializados Availability Checker que consulta en paralelo datos FreeBusy desde la API de Google Calendar reduciendo tiempos de comprobación dramaticamente Facility Manager que busca salas por capacidad y servicios Event Validator que aplica políticas y verifica festivos y Event Creator que es el ejecutor que crea eventos usando la API de calendario.

Aspectos técnicos destacados y momentos aha: optimización de contexto y tokens fue crítico debido a respuestas JSON largas de la API; implementamos una estrategia de truncamiento de contexto que resume inteligentemente interacciones antiguas manteniendo las más recientes lo que redujo el uso de tokens en aproximadamente 70 por ciento. Para depurar el razonamiento construimos un ReasoningEngine que registra la monologación interna del agente con marcas como [PLANNING] [DECISION] [VALIDATION] haciendo transparente la caja negra. Para persistencia usamos la capa de persistencia de ADK con SQLite lo que permite reanudar sesiones y recordar preferencias como que Alice trabaja desde casa los viernes.

Desafíos y reflexiones: al principio los agentes a veces caían en bucles infinitos comprobando disponibilidad aprendimos a definir condiciones de parada estrictas y lógicas de desistimiento. La definición de herramientas es un arte el nombre y la descripción importan tanto como el código porque si el LLM no entiende cuándo usar una herramienta no sirve. El debugging de agentes es más difícil que el de código tradicional porque hay que entender el pensamiento del modelo. Además formar un equipo compatible trabajando de forma remota entre husos horarios distintos requiere comunicación clara y honestidad radical sobre el progreso.

En Q2BSTUDIO como empresa de desarrollo de software y aplicaciones a medida ofrecemos soluciones a medida que integran inteligencia artificial ciberseguridad y servicios cloud aws y azure para empresas de todo tamaño. Somos especialistas en aplicaciones a medida y software a medida y trabajamos en proyectos de inteligencia artificial para empresas incluyendo agentes IA y capacidades de power bi para inteligencia de negocio. Si buscas un socio para desarrollo de soluciones podemos ayudarte con desarrollo de aplicaciones y software a medida y con servicios de inteligencia artificial para empresas integrados con seguridad y nube.

Conclusión y hoja de ruta: este curso nos dio la base para construir sistemas reales y mejorables. Para el Agente de Calendario los siguientes pasos son fase 2 añadir búsqueda difusa para nombres de equipos salas y festivos y fase 3 implementar autorizaciones y permisos granulares. El código del proyecto está disponible en GitHub bajo TheCapstoneTeam slash calendar_agent. Agradecemos a Google y Kaggle por esta oportunidad de aprendizaje y en Q2BSTUDIO seguimos comprometiéndonos a llevar agentes IA soluciones de automatización servicios cloud aws y azure ciberseguridad y business intelligence al siguiente nivel.