Ingeniería de grafos: Un tutorial completo para principiantes de 0 a 1

Ya habrás aprendido a hacer que la IA trabaje por pasos: entender la tarea, ejecutar, verificar y luego corregir.

Esto se llama Loop Engineering.

Pero últimamente, algunos en el círculo de la IA están diciendo: el Loop ha muerto.

No es que el Loop sea inútil.

Es que, cuando las tareas se vuelven lo suficientemente complejas, un solo Loop no puede sostenerlas.

Necesitas una colaboración de múltiples Loops.

Esto es Graph Engineering.

Puedes entenderlo así:

En lugar de dejar que una sola IA trabaje en un ciclo, diseñas un diagrama de flujo donde varias IAs gestionan diferentes segmentos y se pasan el trabajo en secuencia.

1. Por qué necesitas entender Graph Engineering

En la madrugada del 18 de julio de 2026, Peter Steinberger publicó un tuit en X:

https://x.com/steipete/status/2078277297791189132

Solo esa frase, nueve palabras, fue vista 3 millones de veces.

Sí, es la misma persona que hablaba del Loop no hace mucho.

Cuatro horas y media después, el experto en evaluación de IA Hamel Husain publicó un artículo largo con un título de solo dos frases:

https://x.com/HamelHusain/status/2078346425621237935

Curiosamente, el término Loop Engineering solo existió 41 días desde que se nombró hasta que se declaró muerto.

Pensarás: es solo el círculo de la IA inventando nuevos términos otra vez.

Pero esta vez es diferente.

Porque el problema es real: cuando tu tarea de IA pasa de "escribir un artículo" a "construir un producto", un solo Loop no es suficiente.

Loop Engineering resuelve: cómo una sola IA trabaja de forma continua.

Graph Engineering resuelve: cómo un grupo de IAs colaboran.

2. ¿Qué es exactamente Graph Engineering?

Graph se refiere a un diagrama de flujo.

Engineering se refiere a la sistematización del proceso.

Graph Engineering consiste en dividir una tarea compleja en múltiples nodos y definir las relaciones entre ellos mediante un diagrama de flujo.

Puedes imaginarlo como una cocina profesional.

Loop es un chef que lo hace todo

——Cortar, saltear, sazonar, emplatar, verificar cada paso y empezar de nuevo si no está bien.

Graph es todo un equipo de cocina

——Hay pinches, cocineros, ayudantes y camareros. Cada puesto hace solo una cosa y pasa el plato a lo largo del proceso.

Un Graph consta de tres elementos:

Nodos — Una unidad de trabajo. Puede ser una IA, una llamada a una herramienta, o incluso una aprobación humana.

Aristas — Deciden qué ejecutar a continuación. Pueden ser secuenciales, paralelas, o seguir diferentes ramas según el resultado del paso anterior.

Estado — Información que fluye entre los nodos. Cada nodo lee de él y escribe en él.

¿Suena abstracto? Veamos un ejemplo concreto.

Si quieres que una IA escriba un artículo en profundidad, el enfoque Graph sería así:

• Primer nodo: Investigación — Buscar materiales, organizar puntos clave.
• Segundo nodo: Redacción — Escribir el cuerpo basado en los resultados de la investigación.
• Tercer nodo: Revisión — Verificar la calidad; si falla, devolverlo.

Tres nodos, dos aristas y un estado compartido. Este es el Graph más pequeño.

Loop es una persona dando vueltas en círculos; Graph es un grupo de personas en una carrera de relevos.

3. Por qué el Loop ya no es suficiente

No todas las tareas necesitan un Graph.

Si solo quieres que la IA traduzca una frase, escriba 10 titulares o explique un concepto, un Loop es suficiente.

Pero cuando una tarea presenta estas tres situaciones, el Loop empieza a fallar.

1. Necesidad de diferentes roles

Por ejemplo, producir un episodio de podcast.

El investigador, el guionista, el editor y el diseñador de portada usan prompts diferentes, tienen enfoques distintos e incluso pueden necesitar modelos distintos.

Meterlos todos en un solo Loop confunde a la IA sobre su rol. Se le mezcla investigar, escribir y verificar.

2. Necesidad de ramificación condicional

Por ejemplo, escribir código.

Si la prueba pasa, pasa al siguiente paso; si falla, vuelve a corregirlo. A veces arreglar una parte afecta a otras, lo que requiere una reevaluación.

Esta lógica de "si A entonces B, si C entonces D" es incómoda de escribir en un Loop. En un Graph, es solo una arista condicional.

3. Necesidad de paralelismo

Por ejemplo, realizar una investigación de la industria.

Necesitas buscar información en 5 direcciones simultáneamente y luego resumir.

Los Loops son secuenciales: una cosa a la vez. Los Graphs permiten que 5 nodos se ejecuten a la vez y luego agreguen.

El criterio es simple: cuando una tarea no se puede resolver después de tres rondas de un Loop, es hora de considerar un Graph.

4. ¿Cuál es la relación entre Loop y Graph?

Esta es la frase más importante del artículo:

Un Loop es en realidad un caso especial de un Graph.

¿Qué significa eso?

El ciclo que escribías antes:

La IA piensa → ejecuta → verifica → repite si no es válido

Representado como un graph, es un nodo con una arista que apunta de vuelta a sí mismo.

1[Trabajo de IA]
2  ↑    ↓
3  └────┘  (Arista de auto-bucle)

Así que el Loop no ha muerto. El Loop se ha convertido en una estructura básica dentro de un Graph.

Graph Engineering no reemplaza al Loop, sino que:

1. Conecta Loops individuales entre sí.
2. Gestiona la coordinación entre ellos.

Puedes entenderlo así:

• Loop resuelve "cómo trabaja una IA".
• Graph resuelve "cómo colaboran un grupo de IAs".

Es como pasar de ser un "colaborador individual" a la "gestión de equipos".

5. Lo que realmente cambió no es el Graph, sino los nodos

Dirás: diagramas de flujo, máquinas de estado, planificación de tareas... ¿no son conceptos de la informática de hace décadas?

Correcto.

Airflow lleva diez años dibujando grafos de tareas. El artículo de Anthropic de 2024 "Building Effective Agents" también ilustraba todos estos patrones.

Entonces, ¿por qué tanto revuelo ahora?

Porque lo que realmente ha cambiado no es la estructura del graph, sino los nodos que lo componen.

Antes, los nodos eran máquinas. Escribías reglas y ellas las seguían. La entrada y salida eran completamente deterministas.

Ahora, los nodos son IAs. Les das una tarea y ellas entienden, juzgan y ejecutan por sí mismas. Si entienden bien, genial; si se desvían, todos los nodos siguientes se desvían con ellas.

Este cambio trae tres problemas completamente nuevos:

• Degradación del estado: Si una IA comete un error, las siguientes lo arrastran.
• Deriva de ruta: La misma tarea puede tomar dos caminos diferentes en dos ejecuciones.
• Fallo en la validación: Una IA revisando a otra, solo se asienten mutuamente.

De esto trata realmente Graph Engineering. No se trata de cómo dibujar un diagrama, sino de cómo gestionar un grupo de nodos que pueden pensar por sí mismos.

6. Los 4 módulos centrales de Graph Engineering

1. Módulo de Nodo: ¿Por qué existe cada nodo?

El error más común es dividir una tarea simple en un montón de nodos. Para "resumir un PDF", creas cinco nodos: obtener, fragmentar, resumir, revisar, formatear. El resultado son solo tokens desperdiciados sin sinergia real.

Un nodo merece su lugar solo si representa una especialidad genuina:

• Un modelo diferente (usar GPT-5 para investigar, Claude para revisar).
• Un conjunto de herramientas diferente (uno puede buscar en la web, otro puede ejecutar código).
• Un rol verdaderamente diferente (un revisor de solo lectura).

Prueba: Si dos nodos se pueden fusionar en uno sin perder nada, es que nunca debieron estar separados.

2. Módulo de Estado: Cómo fluye la información entre los nodos

En un Loop, el fallo se llama "podredumbre del contexto". En un Graph, la misma enfermedad se traslada al estado compartido. Un error del segundo nodo se convierte en entrada del quinto.

Prácticas de ingeniería:

• Define una estructura de datos clara para el estado: no dejes que las cadenas se mezclen donde debería haber listas.
• Estipula que cada nodo solo puede escribir en sus campos responsables.
• Establece puntos de control entre nodos: así puedes reproducir una ejecución para ver dónde falló.

3. Módulo de Enrutamiento: Qué camino tomar a continuación

Cada arista es una decisión. La cuestión es quién la toma. Dejar que la IA decida la ruta aporta flexibilidad, pero también inestabilidad.

Principio: Codifica de forma rígida cuando las condiciones son claras (if/else), y solo deja que la IA decida cuando realmente se necesita interpretación.

4. Módulo de Revisión: Evitar que la IA se limite a asentir

Varias IAs de la misma fuente, leyendo el mismo contexto problemático, se pondrán felizmente de acuerdo entre sí.

Cómo romper esto:

• Usa un modelo base diferente para el nodo de revisión.
• Dale un contexto fresco, no todo el historial de diálogo, para forzar el pensamiento independiente.
• Ancla las conclusiones a evidencia externa (como código que realmente compila).

7. 3 Plantillas de Graph que los principiantes pueden copiar

1. Graph de redacción de artículos

• Nodo 1: Investigación (Buscar, organizar 5 puntos).
• Nodo 2: Redacción (Escribir borrador basado en la investigación).
• Nodo 3: Revisión (Verificar ejemplos, relleno y CTA). Volver al Nodo 2 si falla.

2. Graph de programación

• Nodo 1: Entender (Leer estructura, encontrar archivos).
• Nodo 2: Ejecutar (Modificar código).
• Nodo 3: Probar (Ejecutar pruebas, leer errores).
• Nodo 4: Corregir (Nodo condicional basado en errores, volver al Nodo 3).

3. Graph de investigación

• Nodos 1-5: Búsqueda paralela (Tamaño del mercado, actores, puntos débiles, tendencias, brechas).
• Nodo 6: Agregar (Fusionar, deduplicar).
• Nodo 7: Verificar datos (Confirmar fuentes de datos).

8. Ruta de aprendizaje de principiante a avanzado

Fase 1: Domina un solo Loop (1-3 días). Asegúrate de tener condiciones de parada y validación.

Fase 2: Dibuja en papel (3-7 días). Obliga a cada nodo a justificar su existencia.

Fase 3: Define la estructura del Estado (7-14 días). Decide qué lee y escribe cada nodo antes de ejecutar.

Fase 4: Combina múltiples Graphs (14-30 días). Divide una tarea enorme en una secuencia de Graphs pequeños.

9. 5 Errores comunes para principiantes

1. Hacer un Graph por hacerlo: No uses un Graph si un Loop funciona.
2. Estado indefinido: Provoca fallos de tipo de datos entre nodos.
3. Enrutamiento solo por IA: Hace que la depuración sea imposible por caminos no deterministas.
4. Revisión con el mismo modelo: Los revisores se convierten en sellos de goma.
5. Sin límite de presupuesto: Los nodos en paralelo pueden quemar tokens rápidamente. Establece límites de reintentos.

10. Práctica que puedes empezar hoy

No te limites a la teoría. Elige una tarea real (escribir un artículo, investigación de competidores, desarrollo de funcionalidades) y dibuja un diagrama en papel:

1. Escribe el nombre de la tarea.
2. Dibuja nodos (Qué hacer, qué modelo/herramienta).
3. Dibuja aristas (Flujo y lógica de reintento).
4. Define el estado (Qué información fluye).
5. Define condiciones de parada.

El núcleo de Graph Engineering es: Cambiar de "espero que la IA lo resuelva" a "le estoy diciendo a un grupo de IAs cómo dividir el trabajo, pasarse las tareas y terminar".

Sobre el autor