Los recientes avances en modelos de lenguaje grandes (LLMs) han provocado un crecimiento rápido en agentes educativos impulsados por IA, sin embargo, los investigadores y profesionales aún carecen de una visión consolidada de cómo se diseñan y validan estos sistemas. Para abordar esta brecha, realizamos una revisión sistemática de la literatura de 82 estudios revisados por pares e industriales publicados desde enero de 2023 hasta febrero de 2025. Utilizando un protocolo de cuatro fases, los extrajimos y codificamos en seis grupos: marcos técnicos y pedagógicos, sistemas de tutoría, evaluación y retroalimentación, diseño curricular, personalización y consideraciones éticas. Sintetizando estos hallazgos, proponemos principios de diseño que vinculan las elecciones técnicas con los objetivos de instrucción y esbozamos salvaguardias para la privacidad, la equidad y la integridad académica. En todos los dominios, la evidencia converge en una idea clave: los flujos de trabajo híbridos humano-IA, en los que los docentes curan y moderan la salida de LLM, superan a los tutores totalmente autónomos al combinar automatización escalable con experiencia pedagógica. Las limitaciones en la literatura actual, incluidos horizontes de estudio cortos, experimentos con muestras pequeñas y un sesgo hacia hallazgos positivos, moderan la generalizabilidad de las ganancias reportadas, destacando la necesidad de evaluaciones rigurosas y a largo plazo.