Cuándo un agente debe detenerse (y quién lo decide)

Porque su tarea es completar el trabajo. No decidir cuándo es suficiente.
En esta página
  1. Por qué un agente no se detiene solo
  2. Cuándo esto se vuelve un problema
  3. Condiciones de detención (Stop Conditions)
  4. Quién define las condiciones de detención
  5. Qué pasa después de detenerse
  6. En código se ve así
  7. 1) Tenemos acciones simples del agente
  8. 2) Definimos stop conditions
  9. 3) El agente ejecuta pasos en bucle
  10. 4) Después de cada paso comprobamos condiciones de detención
  11. 5) Devolvemos un final controlado
  12. Analogía de la vida real
  13. En resumen
  14. FAQ
  15. Qué sigue

Un agente que no se detiene es peligroso.

Incluso si actúa correctamente, puede:

  • Gastar recursos sin fin
  • Quedarse en un bucle
  • O avanzar hacia un objetivo que ya no es relevante

Porque su tarea es completar el trabajo.

No decidir cuándo es suficiente.

Por qué un agente no se detiene solo

Agente de IA: Cuándo un agente debe detenerse (y quién lo decide)

Un agente ve solo el objetivo.

No siente cansancio.
No ve el costo de sus acciones.
No entiende cuándo "es suficiente".


Si la tarea no está terminada, seguirá intentando.

Diagram

Un paso más.
Una herramienta más.
Una solicitud más.


Incluso si:

  • No ayuda
  • Cuesta dinero
  • O repite lo mismo otra vez

Cuándo esto se vuelve un problema

Imagina: un agente intenta obtener datos de una API.

La API no responde.

El agente lo intenta otra vez.
Y otra vez.
Y otra vez.


100 solicitudes.
1000 solicitudes.

Cada una cuesta dinero.
Ninguna da resultado.


Porque desde su punto de vista, el trabajo aún no está terminado.

Y la mejor acción es intentar una vez más.

Condiciones de detención (Stop Conditions)

CondiciónQué limita
Objetivo alcanzadoTarea completada
Límite de pasosCantidad de acciones
Límite de tiempoDuración de ejecución
PresupuestoTokens o dinero
Sin progresoCalidad del resultado

Para que el agente no trabaje sin fin, se le definen condiciones de detención.

Son reglas que definen:

  • Cuándo continuar trabajando
  • Y cuándo finalizar la tarea

El agente se detiene si:

  • Se alcanza el objetivo — hay resultado
  • Se agota el límite de pasos — se hizo la cantidad máxima de acciones
  • Se agota el límite de tiempo — la tarea no se completa antes del límite
  • Se gasta el presupuesto — se alcanza el límite de tokens, dinero o llamadas API
  • No hay progreso — el resultado no mejora
  • Todas las opciones llevan a error — no hay por dónde seguir

Es decir, aunque la tarea no esté completa, el agente debe detener el trabajo.

Quién define las condiciones de detención

El agente no decide por sí mismo cuándo detenerse.

Solo ejecuta la tarea.


Las condiciones de detención las define una persona o un sistema antes de empezar.

Definen:

  • Cuántos pasos puede dar el agente
  • Cuánto tiempo puede gastar
  • O qué presupuesto puede usar

El agente trabaja dentro de estos límites.

Qué pasa después de detenerse

Cuando se cumple una de las condiciones, el agente detiene el trabajo.

Aunque la tarea todavía no esté completa.


Devuelve el resultado que exista.

Y explica:

  • Por qué se detuvo
  • Y en qué etapa

En código se ve así

Abajo está el mismo principio en formato simple:
después de cada paso, el sistema comprueba si ya es momento de detenerse.

1) Tenemos acciones simples del agente

PYTHON
def try_fetch_data():
    return {"ok": False, "reason": "api_timeout"}


def analyze_data():
    return {"ok": True, "report": "done"}

2) Definimos stop conditions

PYTHON
MAX_STEPS = 5
MAX_ERRORS = 3
GOAL_REACHED = False

3) El agente ejecuta pasos en bucle

PYTHON
step = 0
errors = 0
last_result = None
stop_reason = None

while True:
    step += 1
    last_result = try_fetch_data()

    if last_result["ok"]:
        GOAL_REACHED = True

4) Después de cada paso comprobamos condiciones de detención

PYTHON
    if not last_result["ok"]:
        errors += 1

    if GOAL_REACHED:
        stop_reason = "goal_reached"
        break

    if step >= MAX_STEPS:
        stop_reason = "step_limit"
        break

    if errors >= MAX_ERRORS:
        stop_reason = "too_many_errors"
        break

5) Devolvemos un final controlado

PYTHON
result = {
    "stop_reason": stop_reason,
    "steps": step,
    "errors": errors,
    "last_result": last_result,
}

En este ejemplo, el agente no se detiene "cuando quiere", sino cuando se cumple una condición.

Ejemplo completo de implementación con LLM conectada

PYPython
TSTypeScript · pronto

Analogía de la vida real

Imagina que pones un temporizador en el horno.

El plato puede no estar listo todavía, pero cuando se acaba el tiempo, el horno se apaga.


Porque si no, seguiría funcionando.

Y podría:

  • Sobrecalentarse
  • Gastar electricidad extra
  • O arruinar la comida

Así es exactamente como las condiciones de detención limitan el trabajo del agente.

En resumen

En resumen

El agente intenta completar la tarea.

No sabe cuándo es suficiente.

Por eso se le definen condiciones de detención:

  • Límite de pasos
  • Límite de tiempo
  • Presupuesto
  • O falta de progreso

Cuando se cumple una condición, el agente detiene el trabajo.

FAQ

Q: ¿Puede un agente decidir por sí mismo cuándo detenerse?
A: No. El agente no define por sí mismo cuándo es suficiente: trabaja hasta alcanzar el objetivo o hasta que se cumpla una condición de detención.

Q: ¿Qué son las condiciones de detención?
A: Son reglas que definen cuándo el agente debe detener el trabajo, por ejemplo al alcanzar un límite de tiempo o de pasos.

Q: ¿Quién define las condiciones de detención?
A: Una persona o un sistema antes de empezar la ejecución de la tarea.

Qué sigue

Ahora ya sabes cuándo un agente debe detenerse.

Pero para trabajar en un entorno real, necesita más:

  • Memoria — para no empezar desde cero
  • Límites de acciones — para no hacer de más
  • Condiciones de detención — para no trabajar sin fin
  • Control de ejecución — para saber qué está pasando

¿Cómo convertir un prototipo en un sistema en el que se pueda confiar?

⏱️ 6 min de lecturaActualizado Mar, 2026Dificultad: ★★☆
Continuación práctica

Ejemplos de implementación del patrón

Continúa con la implementación usando proyectos de ejemplo.

Integrado: control en producciónOnceOnly
Guardrails para agentes con tool-calling
Lleva este patrón a producción con gobernanza:
  • Presupuestos (pasos / topes de gasto)
  • Permisos de herramientas (allowlist / blocklist)
  • Kill switch y parada por incidente
  • Idempotencia y dedupe
  • Audit logs y trazabilidad
Mención integrada: OnceOnly es una capa de control para sistemas de agentes en producción.
Autor

Esta documentación está curada y mantenida por ingenieros que despliegan agentes de IA en producción.

El contenido es asistido por IA, con responsabilidad editorial humana sobre la exactitud, la claridad y la relevancia en producción.

Los patrones y las recomendaciones se basan en post-mortems, modos de fallo e incidentes operativos en sistemas desplegados, incluido durante el desarrollo y la operación de infraestructura de gobernanza para agentes en OnceOnly.