Ir al contenido principal
Español— Elegir un idioma
Menú

Agentes frente a chatbots: ¿cuándo necesitas un agente?

Lección 2 de 18 Actualizado el 2 de noviembre de 2026 Desarrollador
En esta página
  1. Un chatbot no siempre es suficiente
  2. Chat Completions: el modelo clásico
  3. API de Agents: el modelo autónomo
  4. ¿Cuándo cambiar a agentes?
  5. El espectro de complejidad
  6. Ejemplo comparativo
  7. Coste y latencia
  8. Puntos clave

Un chatbot no siempre es suficiente

Es probable que ya hayas utilizado la API de Mistral Chat Completions para crear asistentes conversacionales. Para muchos casos de uso, esto es más que suficiente. La tentación de migrar todo a agentes simplemente porque la tecnología es más nueva puede resultar costosa tanto en latencia como en consumo de tokens. Sin embargo, algunas tareas requieren algo más que una simple respuesta de texto. Esta lección te ofrece los criterios de decisión: cómo identificar situaciones en las que una llamada a chat.complete() resuelve el problema y aquellas que justifican realmente el paso a la API de Agents.

Chat Completions: el modelo clásico

Con chat.complete(), envías una lista de mensajes y recibes una respuesta. El mecanismo es sin estado: el modelo no tiene memoria entre llamadas y debes reconstruir el historial en cada solicitud.

from mistralai.client import Mistral

client = Mistral(api_key="your-key")

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {"role": "user", "content": "What is the capital of France?"}
    ]
)
print(response.choices[0].message.content)

Este patrón sigue siendo la opción correcta para preguntas y respuestas sencillas, generación de texto general (resúmenes, traducciones, redacción), clasificación, extracción de información y llamadas a funciones puntuales. Estas tareas comparten una característica común: son transformaciones de texto a texto que se resuelven en un único paso de razonamiento, sin que el modelo necesite obtener nada del exterior.

API de Agents: el modelo autónomo

Con la API de Agents, creas un agente persistente equipado con instrucciones, herramientas y un comportamiento definidos de una vez por todas. El agente mantiene su estado a lo largo de las conversaciones y puede actuar de forma autónoma.

agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Research Assistant",
    instructions="You are a research assistant. Use web search to answer with sources.",
    tools=[{"type": "web_search"}]
)

¿Cuándo cambiar a agentes?

Cualquiera de las siguientes señales justifica el cambio. La más frecuente es la necesidad de herramientas: en cuanto tu asistente deba buscar en la web, ejecutar código o consultar un corpus documental, Chat Completions te obliga a cablear tú mismo la ejecución. A continuación está la persistencia del estado: si quieres que el modelo recuerde intercambios anteriores sin que tengas que reenviar todo el hilo en cada solicitud, el agente lo gestiona de forma nativa. El número de pasos también importa: una respuesta que requiera una cadena de razonamiento con acciones intermedias implica un bucle, y la API de Agents implementa precisamente ese bucle. Múltiples especialidades empujan en la misma dirección: un agente financiero que delega en un agente de búsqueda web y luego en un agente de cálculo entra en el ámbito de la orquestación multiagente. Por último, considera el entorno de ejecución: con los agentes, las herramientas se ejecutan en la nube de Mistral, no en tu infraestructura.

Por el contrario, mantén un chatbot clásico si la tarea es una simple transformación de texto a texto, si ya gestionas el historial en el lado del cliente a tu gusto, si no se requieren herramientas integradas y si un único paso de razonamiento basta para producir la respuesta esperada.

El espectro de complejidad

Ayuda ver estas opciones como un continuo y no como una alternativa binaria. En el primer nivel, chat sencillo: una pregunta, una respuesta, mediante Chat Completions. En el segundo, chat con herramientas: la pregunta desencadena una llamada a función antes de la respuesta, usando aún Chat Completions y llamadas a funciones. En el tercero, agente único: la solicitud conduce a planificación, luego a múltiples acciones y finalmente a una respuesta; este es el dominio de la API de Agents. En el cuarto, multiagentes: un agente enrutador distribuye la solicitud a agentes especializados cuyas salidas se sintetizan después, lo que requiere la API de Agents y transferencias (handoffs).

La regla que se deriva de este espectro es simple: usa el nivel de complejidad más bajo que satisfaga tu necesidad. No despliegues un sistema multiagente para responder preguntas frecuentes.

Ejemplo comparativo

La diferencia queda más clara con un ejemplo concreto. Con Chat Completions, lo gestionas todo manualmente y el modelo permanece confinado a su conocimiento de entrenamiento.

# You manage everything manually
messages = [{"role": "user", "content": "What is the weather in Paris?"}]
response = client.chat.complete(model="mistral-large-latest", messages=messages)
# The model CANNOT search the web—it hallucinates or says it doesn't know

Con un agente equipado con búsqueda web, la misma pregunta desencadena una búsqueda real y una respuesta con fuentes, sin que escribas ni una línea de código de orquestación.

# The agent has access to web search
agent = client.beta.agents.create(
    model="mistral-large-latest",
    name="Weather Agent",
    instructions="Answer weather questions using web search.",
    tools=[{"type": "web_search"}]
)

response = client.beta.conversations.start(
    agent_id=agent.id,
    inputs="What is the weather in Paris?"
)
# The agent automatically searches the web and cites its sources

Coste y latencia

Esta potencia tiene un precio que debes anticipar antes de pasar a producción. La latencia aumenta porque el agente puede realizar múltiples turnos internos (búsqueda, luego razonamiento, luego redacción), mientras que Chat Completions solo realiza uno. El consumo de tokens también sube, ya que las instrucciones del sistema y el contexto de la conversación se envían de vuelta al modelo en cada turno. Por último, las conversaciones persisten en el lado de Mistral, un comportamiento que puedes desactivar con store=False si tus restricciones de privacidad lo exigen.

Esta sobrecarga está perfectamente justificada cuando la tarea lo demanda. Para un chatbot de preguntas frecuentes sencillo, no lo está: quédate con Chat Completions.

Puntos clave

  • Chat Completions es sin estado y suficiente para tareas sencillas
  • La API de Agents añade persistencia, herramientas integradas y orquestación multiagente
  • Usa siempre el nivel de complejidad más bajo que satisfaga tu necesidad
  • El cambio a agentes está justificado cuando necesitas herramientas, persistencia o multiagentes