greenai.guide

Inicio › ¿Cómo puedo…? › ¿Cómo evito que los agentes de IA desperdicien tokens?

¿Cómo puedo…?

¿Cómo evito que los agentes de IA desperdicien tokens?

Actualizado · 2 min de lectura

En resumen

Dé a cada agente un objetivo comprobable que termine la ejecución, límites estrictos de pasos, tokens, tiempo y gasto, y una detección de bucles que lo detenga cuando se repita. Recorte el contexto que lleva cada paso, use código sencillo para las decisiones que puede tomar una regla y envíe las subtareas sencillas a modelos pequeños. Los agentes pueden usar muchas veces los tokens de un chat, así que estos límites compensan enseguida.

Pasos

  1. Defina una comprobación de éxito que termine la ejecución en cuanto se cumpla el objetivo.
  2. Fije topes estrictos de pasos, tokens, tiempo y gasto, y registre cuándo una ejecución alcanza alguno.
  3. Detecte acciones repetidas o mensajes casi idénticos y detenga la ejecución.
  4. Resuma o descarte el historial antiguo para que cada llamada lea menos.
  5. Use código sencillo para las decisiones basadas en reglas y modelos pequeños para las subtareas sencillas.
  6. Registre los tokens por tarea completada, incluidos los reintentos y las ejecuciones fallidas.

Ponga límites y una condición de parada a cada agente antes de que llegue a producción. Los agentes llaman a un modelo una y otra vez, y cada llamada suele llevar el historial creciente de la tarea.

¿Por qué importa?

Anthropic informó de que sus agentes solían usar unas cuatro veces los tokens de un chat, y los sistemas multiagente, unas quince veces. Cemri y sus colegas analizaron más de 1.600 trazas de siete marcos multiagente y hallaron 14 modos de fallo distintos, desde una mala especificación de la tarea hasta agentes que no verificaban su trabajo. Cada uno es una forma de gastar tokens sin obtener un resultado.

¿Qué salvaguardas funcionan?

  • Una condición de parada. El patrón de la Green Software Foundation sobre la orquestación de agentes aconseja detener los bucles de los agentes cuando se cumplen los objetivos, en lugar de ejecutar un número fijo de iteraciones.
  • Límites estrictos. La mayoría de los marcos los admiten; el OpenAI Agents SDK, por ejemplo, tiene un ajuste max_turns que detiene una ejecución cuando se supera. Los límites deben fallar de forma segura: parar e informar, no reintentar en silencio.
  • Detección de bucles. Señale las llamadas repetidas a herramientas o los mensajes casi idénticos entre agentes.
  • Recorte del contexto. Pase resúmenes, no documentos ni registros enteros. Consulte cómo evitar reenviar toda la conversación.
  • Caché. No haga dos veces la misma pregunta: consulte cómo usar la caché.

¿Qué marca la mayor diferencia?

Usar el diseño menos complejo que funcione. Un script fijo o una sola llamada a un modelo con un buen prompt y una herramienta suele hacer el trabajo. Añada después un único agente con un límite de pasos, y varios agentes solo para tareas amplias, valiosas y realmente paralelas. Un sandpit británico de IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, señaló los enjambres de agentes que quedan atrapados en bucles como una fuente de desperdicio real y poco estudiada.

Lea la IA agéntica y el desperdicio de tokens para ver las pruebas.

Fuentes

  1. How we built our multi-agent research system, Anthropic (2025)
  2. Why do multi-agent LLM systems fail?, Cemri et al. (2025)
  3. Running agents (max_turns), OpenAI Agents SDK documentation (2025)
  4. Optimize agent orchestration to reduce unnecessary model calls, Green Software Foundation, Green Software Patterns (2025)

Únase a nosotros

Ayude a reducir el impacto de la IA en el planeta

Reciba por correo electrónico nuevas guías, convocatorias de financiación y fichas de los directorios, aproximadamente una vez al mes. O añada su producto, curso, doctorado o investigación a los directorios.

Sin seguimiento. Cancele la suscripción con un clic. Otras formas de unirse · Privacidad