Melissa Herrera es Developer Advocate Senior en Temporal, donde antes construyó sistemas multi-agente en DataStax y Langflow. Hoy defiende que la fragilidad de las cadenas complejas de llamadas a herramientas agénticas ya tiene solución: tratar tus herramientas como workflows, no como funciones de disparo y olvido.

Este artículo está adaptado de una entrevista de MCP MVP con Melissa Herrera, Developer Advocate Senior en Temporal.

La mayoría de los workflows agénticos están condenados al fracaso por la inevitable matemática del error compuesto.

Si cada paso de un workflow agéntico tiene 95% de éxito, una cadena de cinco pasos solo logra 77% de éxito. Un workflow de veinte pasos cae al 36%. Y estos fallos son difíciles de detectar porque los agentes producen outputs que parecen correctos pero no lo son, y los pasos siguientes los toman como base, un patrón que los investigadores llaman amplificación de errores. A mayor cadena, más seguro el colapso.

Aplica esto a herramientas MCP en producción. Tu agente llama a una herramienta de reserva de vuelos, que a su vez llama a una API de pagos que expira. La cadena cae. Quedas en un estado irrecuperable: tarjetas a medio cobrar, reservas fantasma, invitaciones de calendario para vuelos sin boleto (historia real).

Melissa Herrera, Developer Advocate Senior en Temporalcree que la respuesta ha estado a la vista todo el tiempo. Los ingenieros de sistemas distribuidos resolvieron este problema antes del boom de AI. El modelo de Ejecución Duradera de Temporal le da a tus herramientas checkpoints, reintentos automáticos y autocorrección, convirtiendo los fallos en cascada en fallos recuperables.

Apoyándose en su vasta experiencia con videojuegos, incluyendo Super Mario Bros., Melissa le explicó a RL Nabors durante una entrevista para la serie MCP MVP de Arcade: “Si te come un Goomba en tu código, Temporal te regresa a tu último punto guardado, no al inicio del juego.”

Qué significa la durabilidad en la práctica

La durabilidad, o Ejecución Duradera, garantiza que tu código termine, aunque ocurran fallos en el camino. Si cualquier parte del proceso se rompe, el sistema retoma desde donde se quedó. Esto preserva el progreso y el estado, y no es un concepto nuevo.

Temporal lleva resolviendo problemas de sistemas distribuidos desde 2019, mucho antes de la ola actual de AI. Pero el patrón cobra nueva relevancia porque los agentes de AI tienen exactamente el mismo perfil de fallos que cualquier otro sistema distribuido: hacen llamadas de red, dependen de APIs externas, encadenan múltiples pasos no deterministas. La única diferencia es que en vez de microservicios llamando a microservicios, tienes un LLM llamando a herramientas que llaman a APIs.

“Todos estos patrones y problemas de sistemas distribuidos están reapareciendo en una forma distinta”, dijo Melissa.

Los tres primitivos de Temporal

La arquitectura de Temporal se compone de tres bloques fundamentales: Workflows, Activities, y Workers.

Un Workflow es el orquestador. Define qué debe suceder de principio a fin. Los Workflows son deterministas: con los mismos inputs producen los mismos outputs. Eso es lo que hace posible la repetición y la recuperación.

Activities son donde ocurre el trabajo no determinista: llamadas a APIs, consultas a bases de datos, inferencias de LLM, ejecución de herramientas. Todo lo que puede fallar vive en una Activity. Cuando una Activity falla, Temporal reintenta automáticamente con estrategias de backoff configurables. El Workflow no necesita saber ni preocuparse por el fallo; simplemente ve que la Activity eventualmente tiene éxito (o reporta un fallo permanente tras agotar los reintentos).

Workers ejecutan tu código. Consultan Temporal en busca de Tasks, corren tus Workflows y Activities, y reportan los resultados. También son stateless. Si un Worker cae, otro retoma desde donde lo dejó.

Escribe tu lógica de negocio como un Workflow, y pon tus efectos secundarios en Activities. Cuando la ejecución de tu código se interrumpe, retoma desde su último checkpoint estable.

Herramientas MCP como Workflows de Temporal

Para mostrar cómo se ve esto con MCP, Melissa hizo una demo de una herramienta de clima conectada a Claude. Al pedirle a Claude el clima en Nueva York, la solicitud pasó por un servidor MCP donde cada herramienta estaba respaldada por un Workflow de Temporal. En la UI de Temporal, podías ver el Workflow iniciarse, la Activity llamar a la API del Servicio Meteorológico Nacional y el resultado regresar a Claude. Para demostrar el comportamiento de reintentos, Melissa pidió el clima en Londres, una ciudad fuera de la región soportada por el Servicio Meteorológico Nacional. Esta distinción importa: Temporal está diseñado para manejar fallos transitorios como cortes de red, timeouts o APIs temporalmente caídas, cosas que podrían funcionar si simplemente lo intentas de nuevo.

Pero este era un fallo permanente: ninguna cantidad de reintentos haría que el Servicio Meteorológico Nacional soportara una ciudad fuera de EE.UU. Temporal no lo sabía de antemano, así que hizo exactamente para lo que fue diseñado: reintentó automáticamente 19 veces antes de concluir que el fallo no iba a desaparecer. Cada intento quedó registrado, visible e inspeccionable en la UI de Temporal.

Cuando finalmente se rindió, falló de forma ordenada con un error claro, en vez de perder contexto silenciosamente o colapsar a mitad del proceso. Así funciona Temporal correctamente. El límite de reintentos es configurable, lo que significa que tú como desarrollador siempre controlas qué tan persistente debe ser tu Workflow antes de detenerse.

Para implementarlo, defines tus herramientas MCP en un servidor MCP y luego envuelves la lógica de la herramienta con los decoradores Workflow y Activity de Temporal. El código del servidor MCP casi no cambia. Estás añadiendo un @workflow decorador y moviendo tus llamadas a APIs a @activity funciones.

Signals, Queries y el humano en el ciclo

Temporal tiene dos primitivos más que se vuelven críticos para agentes de larga duración: Signals y Queries.

Un Signal te permite enviar información a un Workflow en ejecución desde afuera. Para los agentes, este es el mecanismo de humano en el ciclo. Imagina un agente reservando viajes por ti. Encuentra vuelos, elige uno y, antes de cobrar tu tarjeta, envía un Signal pidiendo confirmación. El Workflow se pausa, espera tu aprobación y luego continúa. Si rechazas, retrocede al paso de búsqueda.

Una Query te permite inspeccionar el estado de un Workflow en ejecución sin interrumpirlo. ¿Qué tan avanzado está mi agente? ¿Qué herramientas ha llamado? ¿Cuál es el estado actual de la reserva? Puedes responder estas preguntas en cualquier momento sin afectar la ejecución.

“Estos Workflows de larga duración y agentes de larga duración necesitan algo que los mantenga en orden”, dijo Melissa. “Un Signal nos permite darle más información a nuestro agente y decirle que cambie de rumbo. Así tu agente no sale disparado sin control.”

RL conectó esto con un patrón más amplio: el futuro de la interacción humano-agente no es la microgestión. Se parece más a cuidar a un niño pequeño. El agente corre de forma autónoma, pero de vez en cuando consulta al humano. Signals y Queries lo hacen posible sin romper la continuidad del Workflow.

Agentes como herramientas, herramientas como agentes

Los agentes pueden exponerse como herramientas MCP para que otros agentes los llamen. La especificación MCP los soporta, aunque el patrón todavía no se ha adoptado ampliamente.

Melissa, quien antes construyó sistemas multi-agente en Langflow, ve esto como la arquitectura natural para workflows agénticos complejos. Tienes un agente orquestador con varios sub-agentes especializados en su caja de herramientas: uno para reservar vuelos, uno para gestionar el calendario, uno para el correo. Cada sub-agente es su propia herramienta MCP, respaldada por su propio Workflow de Temporal. Si el agente de reserva de vuelos falla, solo ese Workflow reintenta. El agente orquestador no pierde su estado de conversación.

“La línea entre agentes y herramientas está empezando a difuminarse”, dijo Melissa. “Cualquier agente especializado en algo también puede ser una herramienta. Y cuando pones cada uno en su propio Workflow de Temporal, todos son duraderos por defecto.”

Aquí es donde la arquitectura de Temporal genera dividendos compuestos. En vez de un workflow gigante y frágil, obtienes un árbol de Workflows independientemente duraderos. Los fallos quedan aislados. Los reintentos son precisos. Y todo el sistema es observable desde la UI de Temporal.

Todo lo viejo vuelve a ser nuevo

La conversación tomó un giro filosófico cuando RL trazó un paralelo entre los patrones de sistemas distribuidos que Temporal resuelve y la arquitectura terminal-mainframe de los años 80. La computación en la nube es, en cierto sentido, solo terminales conectándose a la computadora de alguien más. Cuando las demandas de procesamiento superan la capacidad local, el cómputo se mueve fuera del dispositivo, y todos los problemas de redes, confiabilidad y gestión de estado regresan con fuerza.

“Todo lo viejo vuelve a ser nuevo”, dijo RL. “Si partes de un punto y rodeas un árbol, volverás al mismo lugar donde empezaste. Y la tecnología es muy así.”

Melissa coincidió. Los ingenieros de agentes de AI están redescubriendo los mismos retos de sistemas distribuidos que los ingenieros han resuelto durante décadas. La diferencia es que el “sistema distribuido” ahora incluye un LLM que puede hacer algo inesperado. Lo que, si acaso, hace que la durabilidad sea más importante que nunca.

Pruébalo tú mismo

El Temporal AI Cookbook tiene exactamente la demo que mostró Melissa, además de recetas adicionales para construir agentes duraderos con Temporal. Empieza ahí.

Para profundizar en la arquitectura, lee Construyendo Herramientas MCP Interactivas de Larga Duración con Temporal y MCP Durable: Usar Temporal para Dar Superpoderes a los Sistemas Agénticos en el blog de Temporal.

Si estás en San Francisco este mayo, Replay 2026 se celebra del 5 al 7 de mayo en el Moscone Center. Ponentes de Instacart, OpenAI, Alaska Airlines y más. Usa el código MELISSA85 para 85% de descuento en tu boleto.

Los SDKs oficiales de Temporal soportan siete lenguajes de programación. Empieza en temporal.io o regístrate en Temporal Cloud con $1,000 en créditos gratis. Para preguntas y discusiones, únete al #topic-ai canal en Temporal Community Slack.

Sigue a Melissa en LinkedIn y en GitHub.

MCP MVP es una serie de video de Arcade.dev con RL Nabors que destaca a los creadores que dan forma al ecosistema agéntico. Mira la entrevista completa con Melissa Herrera →