Si ya armaste tu primer agente en Azure AI Foundry y ahora necesitas que varios agentes se repartan el trabajo -uno investiga, otro redacta, un tercero revisa- AutoGen es el framework de Microsoft que resuelve justo eso. En el taller de Creación de Agentes Inteligentes con Azure lo montamos en cuatro sesiones. Acá va la arquitectura real: cómo coordinar los agentes, dónde entra el RAG y cómo lo despliegas sin dejar huecos de seguridad abiertos.
Por qué un solo agente se queda corto
Un agente con un único prompt termina haciendo de todo a medias: busca, razona y redacta en la misma pasada, y cuando la tarea tiene varios pasos distintos (buscar un dato, validarlo contra una fuente, escribir el resultado) el modelo mezcla responsabilidades y se le escapan errores. Separar eso en agentes con un rol cada uno -y dejar que conversen entre sí hasta llegar a un resultado aceptado- es lo que AutoGen formaliza. No es magia: es ponerle estructura a algo que ya intentabas simular con un prompt gigante.
AutoGen y Semantic Kernel no resuelven lo mismo
Los dos corren sobre Azure OpenAI y los dos aparecen en el taller, pero sirven para cosas distintas. Semantic Kernel está pensado para orquestar funciones y plugins dentro de una sola aplicación -un agente que llama herramientas en orden-. AutoGen está pensado para que varios agentes conversen entre ellos, se corrijan y negocien un resultado. Si tu caso es "un agente con varias herramientas", vas por Semantic Kernel. Si es "varios agentes especializados que necesitan debatir antes de entregar", AutoGen.
- ▸Un proyecto de Azure AI Foundry con un deployment de Azure OpenAI activo
- ▸Un índice en Azure AI Search para que el agente investigador tenga de dónde traer datos reales (RAG)
- ▸Roles bien definidos: orquestador, investigador, redactor y revisor, cada uno con su propio prompt de sistema
- ▸Un criterio de terminación explícito, para que la conversación entre agentes no se quede dando vueltas
Cómo se arma el flujo paso a paso
En la sesión 3 del taller armamos el patrón más común: el orquestador recibe la tarea y se la pasa al investigador, que consulta el índice de AI Search antes de responder (ahí está el RAG). El redactor toma esa respuesta y arma el entregable, y el revisor la contrasta contra un checklist antes de devolverla al usuario. Si el revisor la rechaza, vuelve al redactor con feedback puntual -no se reinicia todo el flujo-. Esa última parte es la que marca la diferencia entre un demo que se ve bien en video y algo que puedes dejar corriendo sin supervisión constante.
Lo que nadie te dice la primera vez que programas un grupo de agentes: el prompt del orquestador importa más que el de cada agente individual. Si no defines bien cuándo termina la conversación, el grupo puede dar vueltas y quemar tokens sin llegar a nada -me ha pasado dejar un flujo corriendo media hora por un criterio de corte mal puesto.
Desplegarlo sin abrir un hueco de seguridad
La sesión 4 es donde la mayoría de tutoriales de YouTube se quedan cortos: te enseñan a correr el multiagente en un notebook, pero no a llevarlo a producción. Para eso usamos Azure Container Apps -más simple que AKS si tu carga son procesos de agentes de duración media- y dejamos los secretos (claves de Azure OpenAI, connection strings) en Key Vault en vez de variables de entorno sueltas. Cada agente corre con su propia identidad administrada y permisos RBAC acotados a lo que necesita: el investigador puede leer AI Search, pero no tiene por qué tener acceso de escritura a nada. Y con AgentOps monitoreas cuánto gasta cada conversación entre agentes en tokens y en latencia, que es justo lo que se te va a disparar si el criterio de terminación falla.
Qué te llevas de las 4 sesiones
El taller dura 11 horas repartidas en 4 sesiones: panorama de Azure AI, fundamentos de agentes, RAG y multiagente con AutoGen, y el bloque de despliegue y observabilidad con un mini-proyecto propio al cierre. Sales con certificado y con un proyecto que puedes mostrar en tu portafolio. Si después de esto quieres ir más a fondo -Azure OpenAI, PromptFlow, Copilot Studio y la preparación completa para la certificación de Azure AI Engineer- la Especialización en IA Generativa en Azure retoma esto mismo y lo extiende a 10 sesiones.
Y si tu meta no es solo Azure sino construir una carrera completa alrededor de agentes -LangGraph, CrewAI, AWS Bedrock Agents y el resto del stack- la ruta de AI Agentic Engineer reúne esos talleres en un solo recorrido, en vez de que los tomes sueltos sin un hilo conductor.
