01What it isQué es
Agent design patterns describe how an agent turns events into actions: reactive agents fire rules on events with no planning, deliberative agents keep a model of the world and plan toward goals, and hybrid agents layer a fast reactive tier under a slower planning tier.
Los patrones de diseño de agentes describen cómo un agente convierte eventos en acciones: los reactivos disparan reglas ante eventos sin planear, los deliberativos mantienen un modelo del mundo y planean hacia metas, y los híbridos colocan una capa reactiva rápida debajo de una capa de planeación más lenta.
02Why it mattersPor qué importa
The pattern sets the trade-off between speed, cost and decision quality: a pure reactive agent fights fires cheaply but never prevents them, while a pure planner is too slow for a cold chain excursion. Layered reactive control, where higher-priority behaviors suppress lower ones, was introduced for robots that must act safely in real time (Brooks, 1986 — IEEE Journal of Robotics and Automation). Deliberative agents are commonly modeled with beliefs, desires and intentions, and practical systems combine them with reactive layers (Wooldridge, 2009 — Wiley, An Introduction to MultiAgent Systems).
El patrón fija el trade-off entre velocidad, costo y calidad de decisión: un agente reactivo puro apaga incendios a bajo costo pero nunca los previene, mientras que un planeador puro es demasiado lento para una excursión de temperatura en cadena de frío. El control reactivo por capas, en el que los comportamientos de mayor prioridad suprimen a los de menor prioridad, se introdujo para robots que deben actuar con seguridad en tiempo real (Brooks, 1986 — IEEE Journal of Robotics and Automation). Los agentes deliberativos suelen modelarse con creencias, deseos e intenciones, y los sistemas prácticos los combinan con capas reactivas (Wooldridge, 2009 — Wiley, An Introduction to MultiAgent Systems).
03How it is doneCómo se hace
1
Sort decisions by urgency. Classify each decision by the time window it allows — seconds, minutes or days — and by how costly a wrong call is.
2
Assign a layer to each. Put deterministic, time-critical rules in the reactive layer and plan-dependent choices in the deliberative layer.
3
Watch the reactive share. Track how often the emergency layer fires; a rising share means the planning layer is not preventing problems.
1
Ordena decisiones por urgencia. Clasifica cada decisión por la ventana de tiempo que permite —segundos, minutos o días— y por lo costoso que resulta equivocarse.
2
Asigna una capa a cada una. Coloca las reglas determinísticas y críticas en tiempo en la capa reactiva, y las decisiones que dependen del plan en la capa deliberativa.
3
Vigila la proporción reactiva. Mide con qué frecuencia se activa la capa de emergencia; si crece, la capa de planeación no está previniendo problemas.
04The concept in depthEl concepto a fondo
Agent design patterns: reactivity vs. deliberation in supply chain›
Agent design involves a fundamental decision: should the agent act reactively (responding to real-time events without deep planning) or deliberatively (reasoning about the optimal long-term plan before acting)?
The 3 agent design patterns in supply chain›
(1) Reactive Agent: responds to events without internal state or planning. High speed, low complexity. Ideal for automatic reorder, temperature alerts. (2) Deliberative Agent (BDI — Belief-Desire-Intention): maintains a world model, has goals, and forms plans. Ideal for S&OP exceptions, supplier negotiation. (3) Hybrid Agent: reactive component handles urgent real-time events; deliberative reasons about the long-term plan. A common pattern in production supply chain agents.
The subsumption pattern: the layered-priority reactive architecture›
The subsumption architecture (Brooks, 1986) organizes the agent in layers of reactive behaviors where higher-priority layers override lower-priority ones. Layer 1 (highest): emergency alert. Layer 2: urgent PO. Layer 3 (lowest): execute the standard weekly replenishment plan.
Intermediate vs. Advanced›
Intermediate: understands design patterns of available agents; manages reactive agent configuration.
Advanced: designs agent architecture; implements the correct pattern; evaluates the reaction speed vs. decision quality trade-off.
Advanced: designs agent architecture; implements the correct pattern; evaluates the reaction speed vs. decision quality trade-off.
Patrones de diseño de agentes: reactividad vs. deliberación en supply chain›
El diseño de agentes implica una decisión fundamental: ¿el agente debe actuar de forma reactiva (responder a eventos en tiempo real sin planeación profunda) o deliberativa (razonar sobre el plan óptimo de largo plazo antes de actuar)?
Los 3 patrones de diseño de agentes en supply chain›
(1) Agente reactivo: responde a eventos sin estado interno ni planeación. Alta velocidad, baja complejidad. Ideal para reorden automático y alertas de temperatura. (2) Agente deliberativo (BDI — Belief-Desire-Intention, creencias-deseos-intenciones): mantiene un modelo del mundo, tiene metas y forma planes. Ideal para excepciones de S&OP y negociación con proveedores. (3) Agente híbrido: el componente reactivo atiende eventos urgentes en tiempo real; el deliberativo razona sobre el plan de largo plazo. Es un patrón común en agentes de supply chain en producción.
El patrón de subsunción: la arquitectura reactiva por capas de prioridad›
La arquitectura de subsunción (Brooks, 1986) organiza el agente en capas de comportamientos reactivos, donde las capas de mayor prioridad se imponen sobre las de menor prioridad. Capa 1 (la más alta): alerta de emergencia. Capa 2: OC urgente. Capa 3 (la más baja): ejecutar el plan estándar de reabastecimiento semanal.
Intermedio vs. Avanzado›
Intermedio: comprende los patrones de diseño de los agentes disponibles; gestiona la configuración de agentes reactivos.
Avanzado: diseña la arquitectura del agente; implementa el patrón correcto; evalúa el trade-off entre velocidad de reacción y calidad de decisión.
Avanzado: diseña la arquitectura del agente; implementa el patrón correcto; evalúa el trade-off entre velocidad de reacción y calidad de decisión.
05In practiceEn la práctica
The hybrid agent is the correct pattern for most inventory management use cases›
The reactive layer guarantees immediate response to emergencies. The deliberative layer plans proactively to prevent emergencies from occurring.
The pure reactive agent has the speed advantage — use it for simple, high-frequency decision processes›
A reactive agent applying if inventory < ROP then issue PO in 30 seconds has a compute cost orders of magnitude lower than a deliberative LLM agent.
Design the activation conditions of each layer with the operations team — they know the correct thresholds›
The emergency reactive layer thresholds are business parameters the operations team knows better than the technical team.
Audit agent behavior weekly — reactive agents can generate undesired behaviors in unforeseen conditions›
A reactive agent can generate multiple simultaneous POs if the ROP and the inventory update cycle are not synchronized.
El agente híbrido es el patrón correcto para la mayoría de los casos de uso de gestión de inventario›
La capa reactiva garantiza respuesta inmediata ante emergencias. La capa deliberativa planea de forma proactiva para evitar que las emergencias ocurran.
El agente reactivo puro tiene la ventaja de la velocidad: úsalo en procesos de decisión simples y de alta frecuencia›
Un agente reactivo que aplica "si inventario < ROP entonces emite OC" en 30 segundos tiene un costo de cómputo varios órdenes de magnitud menor que un agente LLM deliberativo.
Diseña las condiciones de activación de cada capa con el equipo de operaciones: ellos conocen los umbrales correctos›
Los umbrales de la capa reactiva de emergencia son parámetros de negocio que el equipo de operaciones conoce mejor que el equipo técnico.
Audita el comportamiento del agente cada semana: los agentes reactivos pueden generar conductas no deseadas en condiciones imprevistas›
Un agente reactivo puede generar varias OC simultáneas si el ROP y el ciclo de actualización del inventario no están sincronizados.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Hybrid agent design for CEDIS inventory management — distribution company, 4,200 SKUs
The hybrid agent manages inventory with 3 behavior layers.
The hybrid agent manages inventory with 3 behavior layers.
| Hybrid agent layer | Type of decision | Decision latency |
|---|---|---|
| Emergency reactive layer (highest priority) | If SKU A stock falls to 0 → immediate alert to purchasing team + sales block until urgent replenishment · If temperature exceeds threshold → cold chain alert | <30 seconds · Deterministic decision without reasoning |
| Standard reactive layer | If any SKU inventory falls below ROP → PO draft for the buyer + priority notification based on remaining DIO | <5 minutes · Calculation based on dynamic SS formula |
| Deliberative layer (active daily) | Daily 30-day plan review: are any SKUs going to fall below SS in the next 14 days considering supplier LT? → weekly proactive purchasing plan | <15 minutes · Reasoning over the complete plan + forecast |
Result: The hybrid agent reduced stockout rate from 4.2% to 0.8% (−81%) and buyer time on routine POs from 65% to 15% of the working day.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: Diseño de agente híbrido para gestión de inventario en CEDIS — empresa de distribución, 4,200 SKU
El agente híbrido gestiona el inventario con 3 capas de comportamiento.
El agente híbrido gestiona el inventario con 3 capas de comportamiento.
| Capa del agente híbrido | Tipo de decisión | Latencia de decisión |
|---|---|---|
| Capa reactiva de emergencia (máxima prioridad) | Si el stock de un SKU A cae a 0 → alerta inmediata al equipo de compras + bloqueo de ventas hasta el reabastecimiento urgente · Si la temperatura supera el umbral → alerta de cadena de frío | <30 segundos · Decisión determinística sin razonamiento |
| Capa reactiva estándar | Si el inventario de cualquier SKU cae por debajo del ROP → borrador de OC para el comprador + notificación priorizada según el DIO restante | <5 minutos · Cálculo basado en la fórmula dinámica de SS |
| Capa deliberativa (activa diariamente) | Revisión diaria del plan a 30 días: ¿algún SKU caerá por debajo del SS en los próximos 14 días considerando el LT del proveedor? → plan de compras proactivo semanal | <15 minutos · Razonamiento sobre el plan completo + pronóstico |
Resultado: El agente híbrido redujo la tasa de quiebre de inventario de 4.2% a 0.8% (−81%) y el tiempo del comprador en OC rutinarias de 65% a 15% de la jornada laboral.
07How it is measuredCómo se mide
Reactive Layer Activation Rate %›
Reactive Layer Activation Rate %
(Reactive layer decisions / Total agent decisions) × 100
Benchmark: 20–40% in a well-designed agent · >60% indicates the deliberative component is not preventing enough emergency events
⚠️ An agent with 80% emergency reactive decisions indicates the proactive plan is not working — the agent is fighting fires instead of preventing them.
Agent Decision Quality Score›
Agent Decision Quality Score
Operational impact of agent decisions (fill rate, cost, OTIF) vs. the counterfactual without the agent
Benchmark: Fill rate with agent >98% for SKUs managed by the reactive reorder agent
🔑 The agent decision quality score is the business metric that justifies its existence.
Reactive Layer Activation Rate %›
Reactive Layer Activation Rate % (tasa de activación de la capa reactiva)
(Decisiones de la capa reactiva / Total de decisiones del agente) × 100
Benchmark: 20–40% en un agente bien diseñado · >60% indica que el componente deliberativo no está previniendo suficientes eventos de emergencia
⚠️ Un agente con 80% de decisiones reactivas de emergencia indica que el plan proactivo no funciona: el agente apaga incendios en lugar de prevenirlos.
Agent Decision Quality Score›
Agent Decision Quality Score (calidad de decisión del agente)
Impacto operativo de las decisiones del agente (fill rate, costo, OTIF) vs. el contrafactual sin el agente
Benchmark: Fill rate con agente >98% en los SKU gestionados por el agente reactivo de reorden
🔑 El score de calidad de decisión es la métrica de negocio que justifica la existencia del agente.
08What you would useQué se usa
📌 Agent Design
LangGraph (LangChain)›
Module: Stateful Agent Graph + Reactive/Deliberative Architecture
LangGraph allows designing agents with state graph architectures — ideal for implementing the hybrid reactive/deliberative pattern.
LangGraph allows designing agents with state graph architectures — ideal for implementing the hybrid reactive/deliberative pattern.
Python — Mesa / AgentPy›
Module: Agent-Based Modeling for Supply Chain Simulation
Agent-based modeling libraries for simulating agent behavior before production implementation.
Agent-based modeling libraries for simulating agent behavior before production implementation.
📌 Diseño de agentes
LangGraph (LangChain)›
Módulo: Grafo de agente con estado + arquitectura reactiva/deliberativa
LangGraph permite diseñar agentes con arquitecturas de grafo de estados, ideal para implementar el patrón híbrido reactivo/deliberativo.
LangGraph permite diseñar agentes con arquitecturas de grafo de estados, ideal para implementar el patrón híbrido reactivo/deliberativo.
Python — Mesa / AgentPy›
Módulo: Modelado basado en agentes para simulación de supply chain
Bibliotecas de modelado basado en agentes para simular el comportamiento del agente antes de implementarlo en producción.
Bibliotecas de modelado basado en agentes para simular el comportamiento del agente antes de implementarlo en producción.
The bottom lineEn corto
React in seconds where you must, plan where you can — and measure how often you are forced to react.
Reacciona en segundos donde es obligatorio, planea donde es posible, y mide qué tan seguido te ves obligado a reaccionar.
← PreviousAnteriorLLM-powered agents: tool use, memory & reasoning in supply chain contextsAgentes potenciados por LLM: uso de herramientas, memoria y razonamiento en SCNextSiguiente →Agent evaluation frameworks: testing, red-teaming & performance benchmarkingFrameworks de evaluación de agentes: testing, red-teaming y benchmarks de desempeño
All D13 componentsTodos los componentes de D13D13 artifactsArtifacts de D13SCRA