Un estudio revela que la descripción de habilidades influye en la elección de los agentes de IA
Un caso de estudio con el sistema de video Tinycloud demuestra que la representación de las habilidades afecta cómo los agentes de IA las descubren y seleccionan.
Kevin Dela Rosa publicó la investigación “Representation Affects Retrieval: A Case Study of Skill Discovery and Routing in a Multimodal Agent Harness” en arXiv (2608.20389), donde analiza el descubrimiento y enrutamiento de habilidades (Skill Discovery and Routing) en sistemas de agentes multimodales en entornos de producción.
El desafío clave surge cuando el catálogo de habilidades del agente crece: ¿cómo representar cada habilidad para que el modelo elija la herramienta adecuada para la tarea del usuario? En sistemas pequeños, los modelos de lenguaje pueden evaluar la lista de habilidades dentro del System Prompt y decidir directamente a partir del contexto. Sin embargo, a mayor escala, suelen requerir recuperación basada en embeddings (Embedding-based Retrieval) para preseleccionar las habilidades pertinentes.
La investigación utiliza como caso de estudio a Tinycloud, un sistema de agentes para video multimodal, dividiendo las habilidades en dos tipos principales: Tool-skill, que encapsula una API externa o herramienta del sistema y actúa como vocabulario básico del agente; y Workflow-skill, que coordina varias Tool-skills para ejecutar tareas de múltiples pasos.
El hallazgo principal es que la representación (el formato y la descripción de los datos) influye directamente en la capacidad del modelo para descubrir, clasificar y seleccionar las habilidades adecuadas para cada instrucción, tanto mediante prompts en sistemas pequeños como a través de embeddings a gran escala. No obstante, al ser un caso de estudio sobre un único sistema, los resultados no deben extrapolarse automáticamente a todo tipo de agentes.
El artículo fue aceptado para presentarse en el taller AgentSearch ’26 durante la conferencia SIGIR 2026 en Melbourne, Australia, el 24 de julio de 2026, lo que refleja que el diseño de descripciones de habilidades ya forma parte de los desafíos de recuperación de información (Information Retrieval) y no es solo una cuestión de diseño de prompts.
Los desarrolladores de agentes no deben fijarse únicamente en la cantidad de herramientas o la capacidad del modelo: la forma de nombrar, delimitar y describir las habilidades determina con qué precisión la IA las utilizará. Esto resulta clave para las organizaciones que crean agentes conectados a múltiples sistemas o APIs.