Definiendo Roles, Objetivos, Historias y Delegación

Domina los atributos de agente, rol, objetivo, historia, delegación, modo verbose y memoria, para colaboración multi-agente especializada.

Un agente bien definido es la base de un sistema CrewAI confiable. Cada atributo, rol, objetivo, historia, configuración de delegación, moldea cómo el agente se comporta, colabora y delega tareas. Acertar estos atributos es la diferencia entre un sistema que produce texto genérico y uno que entrega resultados de nivel experto.

Rol, Objetivo e Historia

Estos tres atributos forman la identidad del agente. Juntos definen la personalidad, el objetivo y la experiencia que el LLM usa para razonar:

python

from crewai import Agent

analista = Agent(
    role="Analista de Datos Senior",
    goal="Identificar tendencias de ingresos a partir de datos trimestrales de ventas",
    backstory=(
        "Tienes 10 años de experiencia en análisis financiero "
        "y has trabajado en las mejores consultoras. Explicas "
        "datos complejos en términos simples."
    ),
)

Atributo	Propósito	Impacto
`role`	Cargo / función	Guía la personalidad y el tono del LLM
`goal`	Objetivo que el agente debe lograr	Enfoca el razonamiento y la planificación
`backstory`	Contexto narrativo y experiencia	Añade profundidad a la toma de decisiones

📌Importante

El parámetro role es la señal más fuerte para el comportamiento del LLM. Un agente con role="Ingeniero de Seguridad Senior" priorizará seguridad y modelado de amenazas. El mismo agente con role="Gerente de Producto" priorizará necesidades del usuario y plazos. Elige roles que codifiquen la experiencia que necesitas.

python

# Compara cómo el role cambia el enfoque de la salida
agente_seguridad = Agent(
    role="Ingeniero de Seguridad Senior",
    goal="Revisar el diseño del nuevo sistema de autenticación",
    backstory="Eres especialista en OAuth, SAML y arquitecturas zero-trust.",
)

agente_pm = Agent(
    role="Gerente de Producto",
    goal="Revisar el diseño del nuevo sistema de autenticación",
    backstory="Te enfocas en la experiencia del usuario y el tiempo de mercado.",
)
# Mismo goal, pero los agentes enfatizarán aspectos completamente diferentes

⚠️Advertencia

Evita historias genéricas como "Eres un asistente útil." Cuanto más específica sea la historia, mejor será la calidad de la salida del agente. Incluye experiencia de dominio, años de trayectoria y estilo de comunicación. Un buen modelo de historia: "Eres un [senioridad] [rol] con [X] años de experiencia en [dominio]. [Estilo de comunicación]."

Colaboración de Agentes mediante Delegación

Los agentes de CrewAI pueden delegarse tareas entre sí. Habilita la delegación con allow_delegation=True:

python

gerente = Agent(
    role="Gerente de Proyecto",
    goal="Coordinar la investigación y entregar un informe final",
    backstory="Gestionas equipos multifuncionales y delegas trabajo.",
    allow_delegation=True,  # puede pedir ayuda a otros agentes
)

investigador = Agent(
    role="Especialista en Investigación",
    goal="Recopilar datos sobre los temas asignados",
    backstory="Eres un investigador online hábil.",
    allow_delegation=False,  # enfocado en ejecución, no delegación
)

redactor = Agent(
    role="Redactor de Informes",
    goal="Compilar hallazgos en un informe pulido",
    backstory="Escribes informes claros y profesionales.",
    allow_delegation=False,
)

Cuando allow_delegation=True, el agente puede pedir a otro agente que asuma una tarea, creando un flujo de colaboración dinámico. El agente delegante evalúa si puede completar la tarea; si no, redirige el trabajo a un colega más apropiado.

💡Consejo

Activa allow_delegation solo en agentes que actúan como gerentes o coordinadores. Los agentes trabajadores (investigadores, redactores, programadores) deben mantenerlo False. Esto evita el ping-pong de delegación donde los agentes se pasan el trabajo unos a otros.

python

# Mejor práctica: un gerente delega, trabajadores ejecutan
gerente = Agent(
    role="Director de Investigación",
    goal="Producir un informe completo de análisis de mercado",
    backstory="Lideras un equipo de analistas y redactores.",
    allow_delegation=True,  # orquestador
)
analista = Agent(
    role="Analista de Mercado",
    goal="Analizar datos de mercado e identificar tendencias",
    backstory="Eres un analista certificado CFA.",
    allow_delegation=False,  # ejecutor
)
redactor = Agent(
    role="Redactor de Informes",
    goal="Escribir informes profesionales",
    backstory="Eres un redactor de negocios.",
    allow_delegation=False,  # ejecutor
)

Flujo de Delegación

💡 Tip: Use Ctrl + Mouse Wheel to zoom, or click the fullscreen icon

Modo Verbose

El registro verbose muestra cada paso de razonamiento, llamada a herramienta y delegación:

python

agent = Agent(
    role="Agente de Soporte",
    goal="Resolver consultas de clientes",
    backstory="Eres un representante de soporte de primera línea.",
    verbose=True,  # imprime pensamientos, acciones, observaciones
)

Tres niveles de verbosidad:

False; sin salida (por defecto)
True: registros detallados paso a paso
Un enum Verbose con control granular (disponible en versiones recientes)

python

from crewai import Verbose

# Control granular de verbosidad
agent = Agent(
    role="Agente de Depuración",
    goal="Depurar el sistema",
    backstory="Eres un ingeniero de sistemas.",
    verbose=Verbose.INFO,  # muestra razonamiento pero omite detalles de herramientas
)

Memoria en Agentes

Los agentes pueden retener contexto entre múltiples ejecuciones de tareas:

python

agente_con_memoria = Agent(
    role="Chatbot",
    goal="Mantener conversaciones coherentes de múltiples turnos",
    backstory="Eres un asistente de atención amigable.",
    memory=True,  # activa memoria a corto plazo dentro de una ejecución
)

Configuración de Memoria	Comportamiento
`memory=False` (por defecto)	Sin memoria; cada tarea comienza desde cero
`memory=True`	El agente recuerda interacciones previas en la misma ejecución

ℹ️Nota

La memoria a nivel de agente (memory=True) es separada de la configuración de memoria a nivel de crew. La memoria del agente es a corto plazo (en proceso) y se pierde después de que kickoff() termina. Para memoria persistente entre ejecuciones, usa memory_config del crew con un backend LongTermMemory (cubierto en la lección 5).

Secuencia de Colaboración de Agentes

💡 Tip: Use Ctrl + Mouse Wheel to zoom, or click the fullscreen icon

Agentes Especializados con Delegación: Ejemplo Completo

python

from crewai import Agent, Task, Crew

# --- Agentes ---
gerente = Agent(
    role="Gerente de Investigación",
    goal="Supervisar la investigación y compilar el informe final",
    backstory="Lideras un equipo de investigación y delegas tareas eficazmente.",
    allow_delegation=True,
    verbose=True,
)

recolector = Agent(
    role="Recolector de Datos",
    goal="Encontrar estadísticas y hechos relevantes",
    backstory="Eres experto en buscar en bases de datos y la web.",
    allow_delegation=False,
)

analista = Agent(
    role="Analista",
    goal="Interpretar datos y generar insights",
    backstory="Conviertes datos brutos en insights accionables.",
    allow_delegation=False,
)

# --- Tareas ---
tarea_recoleccion = Task(
    description="Recopila estadísticas de adopción de IA 2025 de fuentes confiables.",
    expected_output="Tabla de estadísticas con fuentes.",
    agent=recolector,
)

tarea_analisis = Task(
    description="Analiza las estadísticas recopiladas e identifica las 3 tendencias principales.",
    expected_output="3 declaraciones de tendencias con datos de soporte.",
    agent=analista,
)

tarea_informe = Task(
    description="Escribe un resumen ejecutivo final basado en el análisis.",
    expected_output="Resumen ejecutivo de 1 página.",
    agent=gerente,
)

# --- Crew ---
crew = Crew(
    agents=[gerente, recolector, analista],
    tasks=[tarea_recoleccion, tarea_analisis, tarea_informe],
    verbose=True,
)

resultado = crew.kickoff()
print(resultado)

Compartir Contexto Entre Agentes Delegados

Las tareas pueden compartir contexto explícitamente para crear transiciones suaves entre agentes delegados:

python

from crewai import Agent, Task, Crew

# Agentes
gerente = Agent(
    role="Gerente de Investigación",
    goal="Producir un informe de investigación completo",
    backstory="Coordinas proyectos de investigación.",
    allow_delegation=True,
)

recolector = Agent(
    role="Recolector de Datos",
    goal="Recopilar datos exhaustivos",
    backstory="Eres un investigador experto.",
    allow_delegation=False,
)

redactor = Agent(
    role="Redactor de Informes",
    goal="Escribir informes claros a partir de datos",
    backstory="Eres un redactor profesional.",
    allow_delegation=False,
)

# Tareas con paso de contexto
recoleccion = Task(
    description="Recopila datos sobre tasas de adopción de energía renovable a nivel global.",
    expected_output="Tabla de datos con tasas de adopción por país.",
    agent=recolector,
)

analisis = Task(
    description=(
        "Analiza los datos de energía renovable e identifica los 5 principales adoptantes.\n\n"
        "Fuente de datos:\n{context}"
    ),
    expected_output="Informe de análisis listando los top 5 países con tasas de crecimiento.",
    agent=recolector,
    context=[recoleccion],
)

redaccion = Task(
    description=(
        "Escribe un resumen ejecutivo basado en este análisis:\n\n{context}"
    ),
    expected_output="Resumen ejecutivo de una página adecuado para la dirección.",
    agent=redactor,
    context=[analisis],
)

crew = Crew(
    agents=[gerente, recolector, redactor],
    tasks=[recoleccion, analisis, redaccion],
    verbose=True,
)

resultado = crew.kickoff()

Comparación de Atributos del Agente

Atributo	Tipo	Por Defecto	Efecto
`role`	`str`	: (obligatorio)	Define la personalidad del agente
`goal`	`str`	: (obligatorio)	Define el objetivo
`backstory`	`str`	`""`	Añade contexto narrativo
`allow_delegation`	`bool`	`False`	Activa delegación entre agentes
`verbose`	`bool` / `Verbose`	`False`	Activa registro paso a paso
`memory`	`bool`	`False`	Preserva contexto entre tareas
`tools`	`List[BaseTool]`	`[]`	Adjunta capacidades personalizadas

Impacto de los Atributos en el Comportamiento

Configuración	Efecto en la Salida	Impacto en Rendimiento
Rol específico + historia detallada	Alta calidad, consciente del dominio	Ligeramente más tokens por llamada
Rol genérico + sin historia	Respuestas genéricas y superficiales	Más rápido, menos tokens
`allow_delegation=True`	Colaborativo, dinámico	Más llamadas LLM para decisiones de delegación
`verbose=True`	Transparencia total	Sin impacto en rendimiento (solo consola)
`memory=True`	Consciente del contexto, coherente	Más tokens para retención de contexto