Sol agotaba límites con llamadas redundantes a herramientas

Qué se rompió exactamente en Sol

El hecho principal es simple: Sol no gastaba límites por la complejidad de la tarea, sino por llamadas innecesarias a herramientas. El 30 de julio de 2026, en una discusión de usuarios se relató un mensaje de Tibo: el agente realizaba acciones ineficientes, llamando repetidamente a las herramientas, agotando los límites rápidamente, y tras la corrección se aplicó un reinicio.

Esto es el clásico spam de herramientas. El modelo no solo piensa más tiempo, sino que activa acciones externas que cuestan límites, tiempo y, a veces, dinero. Si una llamada no aporta nueva información, se convierte en ruido, pero el contador sigue corriendo.

En este caso, el reinicio en sí no es lo más relevante. Los reinicios curan los síntomas. La causa raíz casi siempre está más abajo: se permitió al agente vagar por las herramientas con demasiada libertad, sin obligarle a demostrar el valor de cada llamada y sin detener el bucle cuando ya no había progreso.

Un buen entorno de ejecución para agentes debe ser aburrido y estricto. Deduplicación de llamadas idénticas (herramienta+args), límites por iteración, topes por herramienta, una política unificada de reintentos, errores estructurados comprensibles en lugar de reintentos ciegos. Esto no es un adorno cosmético alrededor del prompt, son los frenos de un vehículo que, de lo contrario, conduciría feliz en círculos.

Por qué esto importa a los usuarios de agentes de IA

Este error afecta directamente la experiencia de usuario: los límites desaparecen antes, la latencia aumenta y la calidad de la respuesta puede no mejorar en absoluto. Desde fuera, parece la actividad normal de un agente inteligente: llama, verifica, afina. En realidad, podría estar simplemente dando vueltas.

En un incidente similar, mi primer paso no sería leer el texto del prompt del sistema, sino examinar las trazas de ejecución. Cuántas llamadas repetidas hubo, si los resultados cambiaron tras cada paso, si hubo argumentos idénticos, dónde se activaron los reintentos. Si una gran parte de las llamadas no altera el siguiente paso de razonamiento, el agente no es autónomo, es glotón.

Para Sol, una señal positiva es que el problema se reconoció como acciones ineficientes y se corrigió, en lugar de culpar a los usuarios. Pero sin detalles de la corrección, la principal pregunta de ingeniería persiste: ¿fue un parche puntual para un escenario concreto o aparecieron barreras estrictas en la capa de ejecución?

En los productos de agentes, ganará no el que grite más fuerte sobre su autonomía, sino el que sepa cuándo decirle al modelo: basta de llamar a herramientas, ya tienes todo lo necesario. Ahí se oculta la fiabilidad del agente, no en un bonito prompt del sistema.

Anteriormente analizamos cómo los ataques de homoglifos amenazan la seguridad de las llamadas a herramientas en los agentes de IA. Al optimizar dichas llamadas, es importante considerar también este vector de riesgo.