Qué es un agente de IA y cómo probar uno sin programar

Ollama es el programa que ejecuta modelos de lenguaje en tu equipo. Descargalo desde su sitio oficial e instalalo. Después, desde la Terminal:

ollama pull llama3.2:3b

ollama pull qwen2.5:7b

Son 2,0 GB y 4,7 GB. Bajamos los dos a propósito: más adelante vas a ver que el agente se comporta distinto según cuál uses, y esa comparación es media clase.

n8n es una herramienta para conectar cosas entre sí. Se instala con un comando:

npx n8n

La primera vez descarga bastante y tarda unos minutos. Cuando termina, deja el programa escuchando en http://localhost:5678. Abrí esa dirección en el navegador.

La primera pantalla te va a pedir crear una cuenta de propietario con un correo y una contraseña. Es una cuenta de tu propia instalación, que vive en tu computadora: no se registra en ningún servicio.

Un flujo en n8n arranca siempre por un disparador: lo que decide cuándo se ejecuta. Al crear uno nuevo, n8n pregunta “What triggers this workflow?”.

Elegí “Trigger manually”. Es el más simple: el flujo corre cuando vos apretás un botón, que es justo lo que querés mientras probás.

Para agregar cualquier otra caja, abrís el panel de nodos y buscás por nombre en “Search nodes...”.

Buscá y agregá el nodo “AI Agent”, y conectalo a la salida del disparador.

Adentro tiene un campo llamado “Source for Prompt (User Message)” con tres opciones: “Connected Chat Trigger Node”, “Connected Guardrails Node” y “Define below”. Elegí la última: te habilita un campo “Prompt (User Message)” donde escribís la pregunta a mano.

Escribí esta, que es la que usamos en la prueba:

Si tengo 17 cajas a 24 cada una y resto 39, ¿cuánto queda?

La respuesta correcta es 369. Anotala, porque el punto de todo esto es verificar.

El nodo del agente tiene, por debajo, puntos de conexión para piezas auxiliares. Uno es para el modelo de lenguaje. Agregá ahí el nodo “Ollama Chat Model”.

Ese nodo pide una credencial llamada “Ollama”. Tiene un solo campo que importa: “Base URL”, y ya viene con el valor correcto, http://localhost:11434. La casilla de API Key se deja vacía: un Ollama local no pide clave.

Después, en el campo “Model” del nodo, elegí llama3.2:3b. El desplegable lee los modelos que ya descargaste.

En el punto de conexión de herramientas del mismo nodo agente, agregá “Calculator”. n8n la describe así: “Make it easier for AI agents to perform arithmetic”.

No tiene ningún campo para configurar. Se conecta y listo. Elegimos esta a propósito: hace una sola cosa, el resultado se verifica de memoria, y no sale de tu equipo.

Con esto el flujo queda armado:

• Trigger manually le dice al agente cuándo arrancar.
• AI Agent es el que decide: recibe la pregunta y elige si responder solo o pedirle algo a una herramienta.
• Ollama Chat Model es el que piensa: el modelo que corre en tu máquina.
• Calculator es la herramienta: hace la cuenta cuando el agente se la pide.

Apretá “Execute workflow”. El flujo corre y devuelve una respuesta.

Y acá viene la parte que importa. La respuesta sola no te dice si la herramienta se usó: para eso está el panel “Logs”, que cuando no hay nada muestra el texto “Nothing to display yet. Execute the workflow to see execution logs.”. Ahí ves, ejecución por ejecución, qué nodo corrió y cuántas veces. También queda registrado en “Executions”, en el menú lateral.

Lo que tenés que buscar son dos señales:

• Que Calculator aparezca en el registro. Si no está, el agente contestó de memoria.
• Que el modelo haya corrido dos veces y no una. Dos pasadas es la firma del agente: la primera para decidir y pedir la herramienta, la segunda para redactar con lo que la herramienta devolvió.

En nuestra corrida con llama3.2:3b eso fue exactamente lo que pasó: el modelo corrió dos veces, la calculadora se llamó una, recibió **17*24-39 y devolvió 369**. El agente respondió “La respuesta a tu pregunta es: 369”. Tres segundos y medio.

Ahora, sin tocar nada más, andá al nodo “Ollama Chat Model” y cambiá “Model” a qwen2.5:7b. Misma pregunta, mismo flujo, misma herramienta.

Esto es lo que nos pasó, y es el motivo por el que este tutorial existe:

• El modelo corrió cinco veces y llamó a la calculadora cuatro.
• Las cuatro veces le pasó el dato con el nombre equivocado: mandó expression donde la herramienta espera input. La expresión era correcta —**17*24-39**— pero llegaba en el envoltorio incorrecto.
• Las cuatro veces la calculadora respondió “I don't know how to do that.”.
• La respuesta final salió rota: mezcló el texto con la sintaxis interna de la llamada a la herramienta.

Y en una corrida anterior con ese mismo modelo, ante la misma pregunta, la calculadora falló igual pero el agente hizo la cuenta por su cuenta y respondió 405. La respuesta correcta es 369. No dio ningún aviso de que la herramienta había fallado.

Última prueba, y sirve para desarmar una idea equivocada. Cambiá la pregunta por:

¿Cuál es la capital de Uruguay?

Con qwen2.5:7b pasó lo esperable: el modelo corrió una sola vez, la calculadora no apareció en el registro, y contestó “La capital de Uruguay es Montevideo”. El agente evaluó que no le hacía falta la herramienta y no la tocó. Esa es la decisión, y ahí se ve.

Con llama3.2:3b, en cambio, sí llamó a la calculadora, y le pasó la palabra “Montevideo”. La herramienta devolvió el mismo error de siempre. La respuesta final fue correcta igual, pero el agente había hecho una llamada que no tenía ningún sentido.

O sea: que un agente tenga herramientas no garantiza que las use cuando corresponde ni que se abstenga cuando no corresponde. Es una decisión del modelo, y los modelos se equivocan en las dos direcciones.