Con la rápida evolución de las aplicaciones de AI Agent, los desarrolladores están pasando de la “Ingeniería de prompts” a un diseño de sistemas más estructurado. La última guía publicada por Google Cloud Tech presenta cinco patrones de diseño para crear marcos de desarrollo más confiables y reutilizables para las habilidades de AI Agent.
Este artículo, escrito por Shubham Saboo y Lavi Nigam, señala que, con SKILL.md convirtiéndose en el estándar adoptado por más de 30 herramientas, el enfoque de desarrollo ha cambiado de “cómo empaquetar” a “cómo diseñar la lógica interna”, marcando la entrada oficial de la ingeniería en una nueva etapa.
SKILL.md como estándar, habilidades de AI Agent hacia la modularidad
El concepto de Agent Skills fue inicialmente propuesto por Anthropic y ahora se ha convertido en un estándar de código abierto. Su núcleo consiste en una estructura de carpetas modular y archivos SKILL.md que permiten a los AI Agents cargar capacidades según sea necesario.
SKILL.md no solo contiene instrucciones y metadatos, sino que también puede hacer referencia a recursos externos, permitiendo que el Agent adopte un enfoque de “revelación progresiva” durante la ejecución de tareas, evitando la sobrecarga de contexto y mejorando la eficiencia y precisión.
Actualmente, más de 30 herramientas, incluyendo Claude Code, Gemini CLI y Cursor, ya adoptan este estándar, demostrando que se está convirtiendo rápidamente en la infraestructura básica para el desarrollo de AI Agents.
De Prompt Hack a patrones de diseño: análisis de cinco arquitecturas clave
Google Cloud Tech señala que muchos desarrolladores todavía se enfocan demasiado en la estructura YAML y el diseño de directorios, pero la verdadera clave está en la “lógica interna de las habilidades”. Por ello, el equipo propone cinco patrones de diseño reutilizables para ayudar a los desarrolladores a construir sistemas de AI estables y predecibles.
Tool Wrapper: hacer que la AI sea experta en tiempo real
El Tool Wrapper es el patrón más básico, que encapsula herramientas o marcos específicos como habilidades, permitiendo que la AI invoque conocimientos especializados rápidamente cuando sea necesario.
Por ejemplo, al desarrollar con FastAPI, se puede colocar la especificación de la API y las mejores prácticas en el directorio references/, y solo cargarlas cuando se active una tarea relacionada, evitando que el prompt principal se sobrecargue.
Generator: motor clave para estandarizar salidas
El patrón Generator es adecuado para escenarios que requieren salidas consistentes, como documentación de API, mensajes automáticos de commits o generación de plantillas de proyectos.
Su núcleo consiste en colocar las plantillas en assets/ y combinar las guías de estilo en references/, con la responsabilidad de rellenar el contenido en la habilidad. Esto hace que las salidas sean tanto estandarizadas como flexibles.
Reviewer: establecer mecanismos de revisión cuantificables
El patrón Reviewer separa los “estándares de revisión” de la “lógica de ejecución”. Los desarrolladores pueden crear listas de verificación en references/, como calidad del código o normas de seguridad.
La AI evalúa según estos estándares y produce resultados estructurados. Si se reemplazan por las directrices de seguridad OWASP, puede transformarse rápidamente en una herramienta de revisión de vulnerabilidades, ideal para auditorías automáticas de PR.
Inversion: de responder a preguntar
El patrón Inversion invierte el proceso tradicional de que la AI genere respuestas directamente, obligando al Agent a realizar preguntas estructuradas primero.
Mediante la restricción de “no continuar sin completar”, la AI debe recopilar gradualmente todos los requisitos, siendo especialmente útil en planificación de proyectos y otros escenarios que requieren mucho contexto, evitando errores por falta de información.
Pipeline: núcleo de control de procesos complejos
El patrón Pipeline está diseñado para tareas de múltiples pasos, forzando el orden de ejecución y puntos de control, además de permitir confirmaciones por parte del usuario.
Por ejemplo, en un proceso de generación de documentos, primero se debe verificar el docstring antes de proceder a la ensambladura final. Este patrón asegura que cada etapa cumpla con las expectativas, evitando errores por saltarse pasos.
Combinación modular: formas avanzadas de habilidades de AI Agent
Estos cinco patrones no son independientes, sino que pueden combinarse de manera flexible. Por ejemplo:
- Un Pipeline puede integrar Reviewer para autoevaluación.
- Un Generator puede usar Inversion para recopilar parámetros primero.
El Google Agent Development Kit (ADK) ofrece soporte nativo, permitiendo cargar solo los módulos necesarios en tiempo de ejecución mediante SkillToolset, optimizando aún más el uso de tokens.
Además, la plataforma proporciona árboles de decisión para ayudar a los desarrolladores a escoger el patrón adecuado según el escenario, reduciendo significativamente la barrera de entrada.
La era de la ingeniería en el desarrollo de AI: la confiabilidad como clave
Google Cloud Tech enfatiza: “Ya no intentes meter instrucciones complejas y frágiles en un solo system prompt.”
Esta declaración señala un cambio importante en el desarrollo de AI: la evolución desde la dependencia de hacks de prompts y prueba y error, hacia un método de ingeniería con estructura y principios, similar a la evolución temprana del diseño de software.
La comunidad en X (antes Twitter) ha reaccionado con entusiasmo, muchos desarrolladores consideran que esto es “el punto de partida para el diseño de sistemas de AI” y que estos patrones pueden evitar que los Agents se conviertan en “espaguetis” difíciles de mantener.
Actualmente, las normas de Skills de AI están completamente abiertas, y el ADK de Google ofrece documentación y ejemplos completos (google.github.io/adk-docs) para que los desarrolladores puedan comenzar rápidamente.
