22 Preguntas de Práctica de Agentes y flujos de trabajo con Respuestas

1. 1. Un equipo de pagos ejecuta un proceso nocturno de conciliación: extraer los asientos contables del día, normalizarlos, compararlos con el archivo bancario y enviar por correo un informe de variaciones. Los cuatro pasos son siempre los mismos, en el mismo orden, y los auditores exigen que la ejecución sea reproducible. ¿Qué arquitectura encaja mejor?

   • A.Una red multiagente en la que cada paso es un agente par que envía mensajes a los demás
   • B.Un flujo de trabajo en el que tu código orquesta las llamadas al modelo por rutas predefinidas✓ Respuesta
   • C.Una sola llamada al modelo con todo el libro mayor pegado en el prompt y sin herramientas
   • D.Un agente autónomo que decide cada noche qué pasos ejecutar y en qué orden

   Un flujo de trabajo se define como LLM y herramientas orquestados mediante rutas de código predefinidas, mientras que un agente dirige dinámicamente su propio proceso. Como aquí los pasos son conocidos y fijos y el negocio exige determinismo, reproducibilidad y auditabilidad, el control de flujo pertenece al código: delegar esa decisión en el modelo añadiría latencia, coste y no determinismo sin beneficio compensatorio.

   Ref. QB-UBWX88Fuente: Anthropic docs — Building Effective Agents: workflows vs. agentsReportar un problema con esta pregunta

2. 2. ¿Qué tarea justifica más claramente construir un agente en lugar de un flujo de trabajo orquestado por código?

   • A.Convertir una lista fija de facturas en PDF en filas de una hoja de cálculo
   • B.Traducir la descripción de un producto a ocho idiomas
   • C.Arreglar pruebas que fallan en un repositorio desconocido, con pasos imposibles de prever✓ Respuesta
   • D.Reescribir cada correo de soporte entrante con un tono más amable antes de que alguien lo lea

   Los cuatro criterios para recurrir a un agente son: complejidad (la tarea no puede especificarse por completo de antemano), valor (el resultado justifica mayor coste y latencia), viabilidad (el modelo es capaz en ese tipo de tarea) y coste del error (los fallos pueden detectarse y corregirse). Depurar un repositorio desconocido cumple los cuatro: la secuencia de pasos es realmente impredecible y la suite de pruebas aporta una verdad de campo que detecta cambios erróneos. Las otras tres son transformaciones de un solo paso que no requieren ningún ciclo de herramientas.

   Ref. QB-CU35U8Fuente: Anthropic docs — Agent design: should I build an agent?Reportar un problema con esta pregunta

3. 3. Un desarrollador envuelve cada llamada al modelo de la aplicación —incluido un endpoint sencillo de "resume este artículo"— en un bucle while que inspecciona stop_reason y ejecuta herramientas. ¿Cuál es el problema de hacerlo en el endpoint de resumen?

   • A.stop_reason no se rellena en peticiones que no declaran herramientas, por lo que el bucle no puede salir
   • B.El bucle nunca terminará porque el resumen nunca devuelve end_turn
   • C.Los resultados de herramienta deben devolverse incluso sin herramientas definidas, así que el bucle fallará
   • D.El resumen no necesita herramientas, así que el bucle solo añade código y latencia✓ Respuesta

   La guía es encontrar la solución más simple que funcione y añadir complejidad solo cuando mejore demostrablemente los resultados. Resumir, traducir y responder con conocimiento general son tareas de una sola llamada: no hace falta verdad de campo externa, así que no se justifica ningún ciclo de herramientas, y en tareas triviales la sobrecarga del bucle puede superar al propio trabajo. El bucle no está roto —una petición sin herramientas simplemente devuelve end_turn en la primera pasada—, es maquinaria innecesaria.

   Ref. QB-VB9AE9Fuente: Anthropic docs — Agent design: start simpleReportar un problema con esta pregunta

4. 4. Un equipo de marketing genera textos de campaña en tres etapas: redactar el esquema, ampliarlo a texto y luego localizarlo. Entre la etapa uno y la dos, código normal comprueba que el esquema contenga el descargo legal obligatorio y lo devuelve a la etapa uno si falta. ¿Qué patrón es este?

   • A.Orquestador-trabajadores, porque se coordinan tres llamadas al modelo
   • B.Encadenamiento de prompts con una compuerta programática entre pasos✓ Respuesta
   • C.Evaluador-optimizador, porque se ejecuta una comprobación entre generaciones
   • D.Paralelización por votación, porque el esquema puede producirse más de una vez

   El encadenamiento de prompts descompone una tarea en una secuencia fija de pasos donde cada llamada procesa la salida anterior, opcionalmente con compuertas programáticas que validan antes de continuar. Lo distingue del evaluador-optimizador que aquí la comprobación es código determinista que aplica una regla conocida, no un segundo LLM dando feedback cualitativo iterativo; y lo distingue del orquestador-trabajadores que los pasos están predefinidos, no decididos por un modelo en tiempo de ejecución.

   Ref. QB-DUEFZ9Fuente: Anthropic docs — Building Effective Agents: prompt chainingReportar un problema con esta pregunta

5. 5. Una cola de soporte entrante mezcla restablecimientos de contraseña, disputas de facturación y preguntas de integración de API. Cada categoría se atiende mejor con un prompt distinto, y los restablecimientos son lo bastante simples para un modelo más barato y rápido. ¿Qué patrón encaja?

   • A.Evaluador-optimizador
   • B.Agente autónomo con una condición de parada
   • C.Paralelización por secciones: ejecutar los tres prompts especializados a la vez y fusionar
   • D.Enrutamiento: clasificar la entrada y luego despacharla al prompt o modelo especializado correspondiente✓ Respuesta

   El enrutamiento clasifica una entrada en categorías distintas y despacha cada una al prompt o modelo especializado, lo que además permite enviar las categorías fáciles a un modelo más barato o rápido sin degradar las difíciles. Las secciones no sirven aquí porque las tres categorías son mutuamente excluyentes: ejecutar los tres especialistas en cada ticket triplicaría el coste con dos respuestas descartadas, en vez de dividir una tarea en subtareas realmente independientes.

   Ref. QB-WBMMKAFuente: Anthropic docs — Building Effective Agents: routingReportar un problema con esta pregunta

6. 6. El equipo A responde la pregunta de un usuario con una llamada al modelo mientras una segunda llamada concurrente revisa la misma entrada en busca de infracciones de políticas. El equipo B envía el mismo diff de código a cinco llamadas de revisión idénticas y agrega cuántas señalan una vulnerabilidad. ¿Qué variantes de paralelización son, en ese orden?

   • A.Ambas son votación; solo cambia la regla de agregación
   • B.Secciones y luego votación✓ Respuesta
   • C.Ambas son secciones; solo cambia el número de llamadas
   • D.Votación y luego secciones

   Las secciones dividen una tarea en subtareas independientes ejecutadas en paralelo: responder y revisar políticas son trabajos distintos sobre la misma entrada, lo que aporta velocidad y separación de responsabilidades. La votación ejecuta la misma tarea varias veces para obtener salidas diversas que luego se agregan, que es como se gana confianza en un juicio como si un diff contiene una vulnerabilidad. El discriminante es si las llamadas concurrentes hacen trabajos distintos (secciones) o el mismo trabajo repetido (votación).

   Ref. QB-EUSS6BFuente: Anthropic docs — Building Effective Agents: parallelization (sectioning and voting)Reportar un problema con esta pregunta

7. 7. Un sistema de migración de código recibe una petición como "saca este servicio de la librería de autenticación obsoleta". Un modelo central lee el repositorio, decide en tiempo de ejecución qué archivos hay que cambiar y cuántas subtareas implica, despacha esas subtareas y luego sintetiza los resultados. ¿Qué lo distingue de la paralelización?

   • A.Es el único patrón en el que los resultados se agregan al final
   • B.Exige que las subtareas se ejecuten secuencialmente y no en paralelo
   • C.Siempre usa más llamadas al modelo que la paralelización
   • D.El modelo, no tu código, determina las subtareas en tiempo de ejecución✓ Respuesta

   Esto es orquestador-trabajadores. La paralelización también reparte trabajo y lo fusiona, pero sus subtareas las fija el desarrollador antes de la ejecución; en orquestador-trabajadores un modelo central descompone la tarea en tiempo de ejecución, de modo que ni el número ni la forma de las subtareas se conocen de antemano. Esa descomposición en tiempo de ejecución es justo lo que lo convierte en el miembro agéntico del par, y lo que encarece su trazabilidad y auditoría.

   Ref. QB-XBYXRBFuente: Anthropic docs — Building Effective Agents: orchestrator-workersReportar un problema con esta pregunta

8. 8. En un bucle de agente propio sobre la API de Mensajes, el modelo devuelve una respuesta con un bloque de texto corto y dos bloques tool_use. Antes de devolver los resultados de las herramientas, ¿qué debe añadirse a la lista de mensajes?

   • A.Nada: basta con el mensaje de usuario con los tool_result
   • B.Solo el bloque de texto, ya que la API vuelve a derivar los bloques tool_use a partir de los resultados
   • C.El mensaje completo del asistente tal cual se recibió, texto y bloques tool_use juntos✓ Respuesta
   • D.Un resumen de lo que dijo el asistente, para mantener la conversación compacta

   El bucle debe añadir la lista completa de contenido del turno del asistente, no solo su texto. Los bloques tool_result que devuelves se emparejan por id con los bloques tool_use, así que si estos se descartan o se sustituyen por un resumen no hay con qué emparejar los resultados y la petición se rechaza. Conservar el contenido literal también mantiene intactos otros tipos de bloque internos del modelo entre turnos.

   Ref. QB-FU55CCFuente: Anthropic docs — Implement tool use: appending the assistant turnReportar un problema con esta pregunta

9. 9. El bucle de agente de un equipo termina cuando el texto del asistente contiene "I have completed" o tras diez iteraciones, lo que ocurra primero. ¿Por qué se considera un antipatrón?

   • A.Analizar el texto está bien, pero la frase debe compararse sin distinguir mayúsculas
   • B.Diez iteraciones son pocas; el número fijo correcto depende de la tarea
   • C.Los límites de iteraciones nunca son aceptables en bucles de agente en producción
   • D.stop_reason, no el texto, es la señal de terminación, y el límite solo es una salvaguarda✓ Respuesta

   El bucle canónico se ramifica según stop_reason: mientras sea tool_use ejecutas herramientas y reenvías; cualquier otro valor termina el bucle. Comparar la prosa del asistente es frágil porque su redacción no es contractual y cambia entre respuestas, así que un bucle atado a una frase fallará silenciosamente en producción. Un límite de iteraciones sigue siendo útil, pero como salvaguarda contra desbordes sobre la comprobación de stop_reason, no como condición de salida principal.

   Ref. QB-YBBAXCFuente: Anthropic docs — Handling stop reasons in an agent loopReportar un problema con esta pregunta

10. 10. Un agente que declara una herramienta del lado del servidor recibe una respuesta cuyo stop_reason es pause_turn. ¿Cuál es el manejo correcto?

    • A.Añadir la respuesta pausada y reenviar para que el modelo continúe✓ Respuesta
    • B.Descartar la respuesta pausada y reintentar el mensaje original del usuario desde cero
    • C.Tratarlo como end_turn y devolver la respuesta parcial al usuario
    • D.Añadir un nuevo mensaje de usuario que diga "Continue." para empujar al modelo

    Las herramientas del lado del servidor ejecutan su bucle de muestreo en la infraestructura de Anthropic con un límite interno de iteraciones; alcanzarlo produce pause_turn, que significa que el turno está inacabado, no completo. La solución es añadir la respuesta pausada del asistente a la lista de mensajes y reenviar: la API detecta el bloque de herramienta de servidor final y reanuda automáticamente. Añadir un mensaje de usuario sintético "Continue." es innecesario e inyecta texto que el modelo nunca necesitó, y reintentar desde cero descarta trabajo ya pagado.

    Ref. QB-GKRWMMFuente: Anthropic docs — Handling stop reasons: pause_turnReportar un problema con esta pregunta

11. 11. Un turno del asistente contiene tres bloques tool_use, que tu arnés ejecuta en paralelo. ¿Cómo deben devolverse los resultados?

    • A.En cualquier orden y agrupación, ya que la API empareja resultados y llamadas por el nombre de la herramienta
    • B.Como tres mensajes de usuario, uno por herramienta, en el orden en que terminaron
    • C.Como un único mensaje de usuario con tres bloques tool_result, cada uno con su tool_use_id✓ Respuesta
    • D.Como un único mensaje de asistente con los tres resultados concatenados como texto

    Cada bloque tool_use de un turno necesita exactamente un tool_result correspondiente, y todos deben llegar juntos en el único mensaje de usuario que sigue inmediatamente al turno del asistente. El emparejamiento es por tool_use_id, no por nombre de herramienta ni por posición, lo que importa justo cuando la misma herramienta se llama varias veces en un turno. Omitir un resultado produce el error de que se encontraron ids tool_use sin bloques tool_result inmediatamente después.

    Ref. QB-Y3KR2MFuente: Anthropic docs — Messages API tool use: returning tool resultsReportar un problema con esta pregunta

12. 12. Un equipo observa que su agente, que antes pedía varias herramientas a la vez, ahora casi siempre las pide de una en una. Al revisar el arnés, descubren que envía cada tool_result en su propio mensaje de usuario separado. ¿Por qué importa esto?

    • A.Separar los resultados enseña al modelo que sus llamadas paralelas no se respetaron, y deja de hacerlas✓ Respuesta
    • B.Cada mensaje de usuario adicional reinicia el historial, por lo que el modelo olvida las llamadas anteriores
    • C.Los resultados de herramienta solo son válidos en el primer mensaje de usuario; los posteriores se ignoran por completo
    • D.La API rechaza los mensajes separados, así que el agente cae silenciosamente a una llamada por turno

    El historial de conversación es la evidencia que el modelo tiene sobre cómo se comporta el entorno. Cuando los resultados de un turno paralelo se reparten en varios mensajes de usuario, la transcripción deja de parecer un turno cuyas llamadas paralelas se respondieron juntas, y el modelo aprende de esa forma a dejar de emitir llamadas paralelas: una regresión de comportamiento silenciosa, no un error duro. Devolver todos los resultados en un solo mensaje de usuario preserva el patrón paralelo.

    Ref. QB-FKDKFKFuente: Anthropic docs — Messages API tool use: parallel tool useReportar un problema con esta pregunta

13. 13. Durante la ejecución de un agente, una llamada a una API externa falla con un error de límite de tasa. ¿Qué debe devolver el arnés?

    • A.Una excepción lanzada fuera del bucle para abortar la ejecución y poder reiniciarla
    • B.Nada para esa llamada, y solo los resultados de las herramientas que sí funcionaron
    • C.Un tool_result cuyo contenido sea la única palabra "failed"
    • D.Un tool_result con is_error en true y un mensaje instructivo✓ Respuesta

    Los fallos de herramienta se señalan dentro del contrato, no rompiéndolo: devuelve el tool_result con is_error en true para que el modelo sepa que la llamada no tuvo éxito. El contenido del mensaje es sobre lo que el modelo razona para recuperarse, así que un mensaje instructivo que nombre el fallo y el remedio le permite esperar y reintentar o tomar otro camino, mientras que un escueto "failed" no le da nada accionable. Omitir el resultado deja un bloque tool_use sin respuesta y se rechaza, y hacer caer el bucle descarta estado recuperable.

    Ref. QB-X38EVJFuente: Anthropic docs — Implement tool use: error handling with is_errorReportar un problema con esta pregunta

14. 14. Quieres devolver dos resultados de herramienta y además añadir una nota breve propia para que el modelo la lea en el mismo mensaje de usuario. ¿Cómo debe ordenarse ese mensaje?

    • A.Primero ambos bloques tool_result y después el bloque de texto✓ Respuesta
    • B.No se permite texto en ningún mensaje que contenga bloques tool_result
    • C.Intercalados: texto, resultado, texto, resultado
    • D.Primero el bloque de texto y luego ambos bloques tool_result

    Dentro de un mensaje de usuario que responde a un turno de uso de herramientas, todos los bloques tool_result deben ir primero y cualquier texto después; poner texto antes de un tool_result es un error de petición. Ese orden mantiene los resultados inmediatamente contiguos al turno del asistente al que responden. Ten en cuenta la restricción relacionada: si el turno del asistente además dejó sin resolver una llamada a herramienta de servidor, la respuesta debe contener solo bloques tool_result; añadir texto ahí termina el turno antes de tiempo y se rechaza.

    Ref. QB-JKFKYPFuente: Anthropic docs — Messages API tool use: tool_result block orderingReportar un problema con esta pregunta

15. 15. Un equipo de plataforma elige entre un helper tipo tool-runner del SDK que conduce el bucle sobre las herramientas que tú defines, y un SDK completo de agente de codificación que trae sus propias herramientas de archivos y shell. ¿Qué afirmación es correcta?

    • A.El tool runner ofrece alojamiento gestionado, mientras que el SDK de agente de codificación debe autoalojarse
    • B.Ambos aportan solo el arnés y tú los alojas, a diferencia de la oferta gestionada aparte✓ Respuesta
    • C.Son la misma librería con dos nombres, así que la elección es puramente estilística
    • D.El SDK de agente de codificación no puede ampliarse con herramientas propias

    Dos preguntas independientes separan estas opciones: quién aporta el arnés (bucle más gestión de contexto) y quién aporta el despliegue. El tool runner y el SDK de agente de codificación aportan solo arnés y difieren en su alcance —el tool runner itera sobre las herramientas que defines, sin herramientas integradas, mientras que el SDK de codificación trae lectura, escritura, edición, shell y búsqueda—, pero en ambos casos tú alojas y despliegas. Solo una oferta de agentes gestionados añade despliegue, ejecutando el bucle y un sandbox por sesión del lado del proveedor.

    Ref. QB-24AEDPFuente: Anthropic docs — Agent development: building an agent, approaches comparedReportar un problema con esta pregunta

16. 16. Un requisito de cumplimiento establece que el agente nunca debe ejecutar un comando de shell con un borrado destructivo, sin excepciones. El equipo escribió una regla contundente en el prompt del sistema y suele funcionar. ¿Cuál es la forma correcta de hacerlo determinista?

    • A.Bajar el nivel de esfuerzo del modelo para que tome menos acciones arriesgadas
    • B.Añadir en cada mensaje de usuario una instrucción que recuerde la regla al modelo
    • C.Bloquearla fuera del modelo con un hook previo a la ejecución o una regla de permisos✓ Respuesta
    • D.Repetir la regla al inicio y al final del prompt del sistema y ponerla en mayúsculas

    Una instrucción en el prompt del sistema es un fuerte sesgo previo, no una garantía: tiene una tasa de fallo distinta de cero, así que no puede satisfacer un requisito formulado como "nunca, sin excepciones". Las reglas que deben cumplirse de forma determinista pertenecen al arnés: un hook previo al uso de la herramienta o una regla de permisos se ejecuta en tu proceso, inspecciona la entrada concreta y corta la llamada antes de ejecutarla. Reformular, repetir o gritar el prompt cambia la probabilidad, no la garantía.

    Ref. QB-HK49TNFuente: Anthropic docs — Agent design: harness-level enforcement vs. promptingReportar un problema con esta pregunta

17. 17. Un agente coordinador delega una auditoría de documentación en un subagente diciendo solo "audita los docs del módulo que comentamos". El subagente pregunta qué módulo. ¿Por qué?

    • A.El contexto del subagente se truncó porque el historial del padre era demasiado largo
    • B.El conjunto de herramientas del subagente excluye la que le permitiría leer la conversación
    • C.El subagente arranca con un contexto nuevo y no ve la conversación del padre✓ Respuesta
    • D.Los subagentes no pueden leer referencias a turnos anteriores salvo que el padre active el uso compartido del historial

    El aislamiento de contexto es la propiedad definitoria de un subagente: inicia una conversación nueva, carga su propio prompt de sistema y contexto de proyecto, y nunca hereda los turnos del padre. Ese aislamiento es el beneficio —el contexto del padre crece con un resumen breve en vez de la transcripción completa de la subtarea—, pero conlleva una obligación: el prompt de delegación debe ser autocontenido. Pronombres y referencias como "el módulo que comentamos" no resuelven a nada al otro lado.

    Ref. QB-Z3X38NFuente: CCDV-F Exam Guide — Agent Patterns and Frameworks: subagent context isolationReportar un problema con esta pregunta

18. 18. ¿Qué tarea es mejor candidata para delegar en subagentes en lugar de hacerla directamente en el bucle principal?

    • A.Aplicar una migración cuyo segundo paso depende de la salida exacta del primero
    • B.Revisar de nuevo una respuesta que el agente principal ya produjo
    • C.Leer un archivo, editar dos líneas y ejecutar su prueba
    • D.Investigar cuarenta módulos independientes en busca de un paquete obsoleto✓ Respuesta

    Delegar no es gratis: cada subagente restablece su propio contexto, vuelve a explorar e informa, y el coordinador luego lee ese informe, así que el beneficio debe superar esa sobrecarga. El reparto amplio y realmente independiente es donde compensa, porque el trabajo se paraleliza de verdad y el contexto del padre solo crece con los resúmenes. El trabajo que acabarías en unas pocas llamadas, el trabajo estrictamente secuencial cuyo siguiente paso depende del anterior, y verificar tu propia salida son más baratos y fiables en el bucle principal.

    Ref. QB-MK69BSFuente: Anthropic docs — Agent design: delegation cost and fan-outReportar un problema con esta pregunta

19. 19. A un agente se le da una regla de formato importante en su primer mensaje de usuario. Horas después, en una sesión larga y tras la compactación automática que resumió el historial antiguo, el agente deja de respetar la regla. ¿Cuál es la solución duradera?

    • A.Mover la regla al contexto de proyecto que se reinyecta en cada petición✓ Respuesta
    • B.Desactivar la compactación para que la sesión nunca pierda historial
    • C.Reformular la regla en un prompt inicial más largo y enfático
    • D.Pedirle al agente que repita la regla al principio para memorizarla

    La ventana de contexto no se reinicia entre turnos dentro de una sesión —prompt del sistema, definiciones de herramientas, historial, entradas y salidas de herramientas se acumulan— y al acercarse al límite el historial antiguo se resume. Por eso las instrucciones dadas al principio son precisamente las que más riesgo corren de perderse en ese resumen, por enfáticas que fueran. Las reglas que deben persistir pertenecen al contexto de proyecto reinyectado en cada petición, para que su supervivencia no dependa de la transcripción.

    Ref. QB-44Z3RRFuente: CCDV-F Exam Guide — Agent Patterns and Frameworks: context window management and compactionReportar un problema con esta pregunta

20. 20. Un equipo añade una herramienta de búsqueda propia a su arnés. Solo lee un índice y no tiene efectos secundarios, pero el arnés la sigue ejecutando secuencialmente junto con las demás. ¿Cuál es la causa probable?

    • A.La concurrencia la decide el modelo, no el arnés, así que ninguna configuración puede cambiarla
    • B.La herramienta no se marcó como de solo lectura y las propias van en serie por defecto✓ Respuesta
    • C.Las herramientas propias nunca pueden ejecutarse en paralelo; solo las integradas
    • D.Las herramientas de búsqueda siempre se tratan como modificadoras de estado porque tocan un índice

    Las operaciones de solo lectura como leer, hacer glob o grep pueden ejecutarse en paralelo con seguridad, mientras que las que modifican estado como editar, escribir o ejecutar comandos de shell deben serializarse. Una herramienta propia es opaca para el arnés, así que por defecto es secuencial salvo que la declares de solo lectura: por la misma razón por la que una herramienta de shell genérica fuerza la serialización, ya que el arnés no puede distinguir un grep seguro de un push inseguro dentro de una cadena de comando arbitraria.

    Ref. QB-NQFF66Fuente: Anthropic docs — Agent design: parallel-safe tools and schedulingReportar un problema con esta pregunta

21. 21. Un arquitecto debe elegir un framework de agentes de terceros. Requisito A: el flujo de control debe escribirse explícitamente como un grafo con aristas condicionales, y una ejecución larga debe poder reanudarse desde un punto de control tras un fallo. Requisito B: otro servicio debe garantizar que la salida del modelo cumpla un tipo declarado, reintentando automáticamente si falla la validación. ¿Qué identidades de framework encajan?

    • A.Ambos requisitos solo los cumple un bucle ligero dirigido por el modelo, ya que el modelo lo planifica todo
    • B.A: un framework de validación con tipos seguros. B: un framework de grafo con estado
    • C.A: un framework de grafo con estado y puntos de control. B: uno de validación con tipos seguros✓ Respuesta
    • D.Ningún framework cumple los requisitos; ambos deben programarse a mano contra la API cruda

    Estos frameworks se distinguen por identidad y compromiso, no por sintaxis. La familia orientada a grafos convierte el flujo de control en una máquina de estados explícita de nodos y aristas condicionales y persiste puntos de control, que es lo que da capacidad de reanudación tras un fallo. La familia con tipos seguros se centra en salida estructurada validada con inyección de dependencias, reintentando cuando la respuesta no cumple el esquema declarado. Un bucle ligero dirigido por el modelo es el compromiso opuesto: el modelo planifica, así que el flujo no está escrito y no hay grafo que reanudar.

    Ref. QB-68NMR6Fuente: CCDV-F Exam Guide — Agent Patterns and Frameworks: framework identities and tradeoffsReportar un problema con esta pregunta

22. 22. Un agente hace todo a través de una única herramienta de shell genérica. Producto quiere un diálogo de confirmación antes de enviar cualquier correo a clientes, y un registro de auditoría de cada envío. ¿Cuál es el cambio correcto en la superficie de herramientas?

    • A.Envolver la herramienta de shell para que devuelva is_error cuando el comando mencione correo
    • B.Promover el envío de correo a una herramienta tipada propia que el arnés pueda controlar y auditar✓ Respuesta
    • C.Eliminar por completo la herramienta de shell para que el agente no pueda hacer nada sin revisión
    • D.Mantener la herramienta de shell y añadir una instrucción en el prompt para preguntar siempre antes de enviar correo

    Una herramienta de shell genérica aporta amplitud pero solo entrega al arnés una cadena de comando opaca —la misma forma para cada acción—, así que no puede controlar, auditar, renderizar ni paralelizar ninguna en concreto de forma fiable. Promover una acción a una herramienta dedicada con argumentos tipados da al arnés un punto de enganche específico. La reversibilidad es el criterio para decidir qué acciones lo merecen: enviar un correo a un cliente es difícil de deshacer, así que es candidata natural, mientras que buscar la palabra correo en la cadena del comando es justo la comprobación frágil que esta promoción viene a sustituir.

    Ref. QB-MQ45Z4Fuente: Anthropic docs — Agent design: designing your tool surfaceReportar un problema con esta pregunta

Preguntas de práctica basadas en la guía oficial del examen Claude Certified Developer – Foundations (CCDV-F) y la documentación pública de Anthropic. Es una herramienta de estudio independiente, no afiliada ni respaldada por Anthropic, y no otorga certificación. Lo administra Pearson VUE; Anthropic publica el número de preguntas, el límite de tiempo, la puntuación de aprobación y la tarifa vigentes en la guía oficial del examen CCDV-F. Página oficial de la certificación →