Tutoriales, comparativas y patrones de diseño para construir agentes autónomos que se autofinancian, llaman a 345+ modelos y orquestan MCP Tools.
Los agentes de IA empresariales fallan no porque no puedan hablar, sino porque recuerdan lo incorrecto, olvidan lo importante o retienen lo que deberían eliminar. Oracle Agent Memory 26.6, lanzado el 10 de julio de 2026, introduce capacidades CRUD completas para hilos, mensajes, memorias y perfiles—construido sobre una arquitectura en base de datos que elimina los viajes de ida y vuelta a bases de datos vectoriales.
Darktrace informa que el 92% de los profesionales de seguridad están preocupados por el impacto de los agentes de IA. Gravitee encuentra que el 48% de los agentes en producción corren sin protección. Mastercard lanza Agent Pay for Machines con 40+ socios incluyendo Aave, Coinbase, Polygon y Solana. Open USD (OUSD) lanza el 30 de junio con 140+ socios, desafiando a Circle y Tether. MiCA comienza a aplicarse el 1 de julio en Europa. La infraestructura para pagos de agentes autónomos se está construyendo en tiempo real.
MCP 2026-07-28 es el cambio arquitectónico más grande del protocolo desde su lanzamiento. Volverse sin estado elimina el handshake de inicialización, habilita escalado horizontal e introduce Multi Round-Trip Requests. Este post explica los cambios y lo que significan para LLM4Agents e infraestructura de agentes autónomos.
Un eval de prompt plano deja de medir tu agente en el momento exacto en que el agente empieza a hacer su trabajo: la primera tool call. Este tutorial envuelve el conversation loop de LLM4Agents en un custom provider de Promptfoo — unas cuarenta líneas de TypeScript — para que el eval ejercite lo real: system prompt, MCP allowlist, tool rounds y costo liquidado. Cubre los tres asserts que atrapan regresiones reales de agentes (usó la tool, respetó su presupuesto de rounds, se repitió), integra la suite en GitHub Actions para que una edición de prompt que rompe el retrieval haga fallar el PR, y aborda el elefante en el runner: Promptfoo ahora es de OpenAI, y por qué eso es aceptable para este stack.
Todo el pipeline de retrieval — almacenamiento de archivos, parsing de PDF, embedding, búsqueda vectorial y el loop de conversación — vive detrás de un endpoint y un balance. Este tutorial construye un RAG agent funcional sobre tus propios PDFs en menos de 50 líneas de TypeScript y unas 30 de Python: ingest con workspace_upload, pdf_parse y vector_upsert, y después le das al modelo una allowlist de una sola tool y dejas que llame vector_query por su cuenta. Más un golden eval de tres queries, un deploy con Workers Cron mientras Agent Cron sigue en desarrollo, un desglose honesto de costos (unos 65 centavos por ingestar un handbook de 120 páginas) y una comparación componente por componente con el stack RAG de LangChain.
Cada llamada paga del gateway acepta dos modos de pago: Bearer contra un balance prepago, o x402 walk-up con una autorización en stablecoin firmada, con precio 10 por ciento menor. El descuento no es la decisión. Bearer liquida el uso real y reembolsa el delta; walk-up liquida la cotización de peor caso, final, sin refund — lo que significa que la disciplina de max_tokens decide qué modo es realmente más barato para inferencia. Este post recorre el árbol de decisión real: quién financia la llamada, qué modelo de facturación vendes, cuándo gana el modo mixto, cómo encajan los mandates de AP2 cuando el agente gasta dinero ajeno, y por qué el nuevo esquema upto de x402 cambia el trade.
Una llamada LLM es output medido: solo sabes lo que costó después del último token. Este es el tour interno del patrón de facturación que hace funcionar un balance prepago de todos modos — reservar el peor caso antes de que salga el request, hacer proxy del stream sin tocarlo, settlear el costo real desde el chunk final de usage, reembolsar el delta. Más la razón por la que max_tokens es tu perilla de reserva, por qué las respuestas en streaming reportan el costo en el último evento SSE en vez de un header, cómo la misma reserva se convierte en la cotización x402 walk-up, y los tres edge cases que deciden si un diseño de facturación es honesto: streams caídos, fallbacks a mitad de chain y rate limits upstream.
La mayoría de los usuarios del API de LLM4Agents nunca se entera de que el MCP server en mcp.llm4agents.com expone 67 tools documentadas en doce familias: scraping headless con tiers de proxy y sesiones persistentes, búsqueda de Google en batches de 100, generación y análisis de imágenes, ocho primitivas de Workers AI, un workspace de archivos sobre R2 con tokens de descarga de un solo uso, un vector store de 768 dimensiones, memoria key-value, notificaciones con webhook protegido contra SSRF, once utilidades de datos, lecturas web3 read-only en cuatro chains y parsing de documentos. Cada tool paga responde a una Bearer key contra tu balance, y casi todas responden también a un pago firmado x402 con 10 por ciento de descuento — hacemos curl al endpoint sin credenciales y decodificamos la cotización HTTP 402 en vivo para mostrar exactamente cómo. Más los anchors de pricing, las tres excepciones balance-only, cuándo pasar de scrapes one-shot a sesiones, y la disciplina de allowlist que evita que 67 tools se conviertan en 67 superficies de ataque.