Una vez intenté ejecutar tres agentes de IA simultáneamente. El agente de investigación encontró información. El agente de redacción redactó contenido basado en esa información. El agente de revisión revisó el borrador en busca de precisión. En teoría: un hermoso pipeline. En la práctica: el agente de investigación encontró información irrelevante, el agente de redacción la convirtió en un artículo confiado pero incorrecto, y el agente de revisión lo aprobó porque las afirmaciones eran internamente consistentes — solo desconectadas de la realidad.
Eso fue hace seis meses. Desde entonces he construido flujos de trabajo de múltiples agentes que realmente funcionan. La diferencia no es la tecnología — es entender cuándo varios agentes ayudan y cuándo empeoran las cosas.
Cuándo Tienen Sentido Múltiples Agentes
Los flujos de trabajo de múltiples agentes funcionan cuando tienes tareas genuinamente distintas que se benefician de la especialización y que pueden separarse claramente.
Buen ejemplo: Un pipeline de revisión de código. El Agente 1 analiza el código en busca de vulnerabilidades de seguridad (prompt especializado, enfocado en seguridad). El Agente 2 verifica el estilo del código y las mejores prácticas (prompt especializado diferente). El Agente 3 resume ambas revisiones en un formato legible para humanos. Cada agente tiene un trabajo claro y específico. Las salidas no entran en conflicto porque miran diferentes aspectos.
Mal ejemplo: Tres agentes colaborando en la redacción de un correo electrónico. El Agente 1 redacta. El Agente 2 edita. El Agente 3 revisa. En la práctica, el Agente 2 deshace las elecciones de tono del Agente 1 y el Agente 3 a menudo contradice las ediciones del Agente 2. Terminas con un promedio mediocre de tres estilos de escritura diferentes. Un solo agente con un buen prompt escribe mejores correos electrónicos.
La regla que sigo: usa múltiples agentes cuando las tareas son paralelas (diferentes perspectivas sobre la misma entrada) o claramente secuenciales con puntos de entrega bien definidos (la salida del Agente 1 es un artefacto completo que el Agente 2 puede evaluar de forma independiente). No uses múltiples agentes cuando las tareas se superponen o cuando “colaboración” significa “discutir sobre el estilo”.
Mis Configuraciones de Múltiples Agentes en Función
Investigación → Resumir → Distribuir. El Agente 1 busca en la web información sobre un tema y compila hallazgos en bruto. El Agente 2 toma esos hallazgos y crea un resumen estructurado. El Agente 3 formatea el resumen para diferentes plataformas (publicación en Slack, boletín de correo electrónico, página de wiki interna). Cada agente tiene una entrada y salida claramente definidas, y no necesitan interactuar entre ellos — son un pipeline, no un comité.
Monitorear → Analizar → Alertar. El Agente 1 monitorea sistemas y recopila métricas cada 5 minutos. El Agente 2 recibe las métricas y las analiza en busca de anomalías (comparando con líneas base históricas). El Agente 3 toma cualquier anomalía y redacta mensajes de alerta con contexto y acciones recomendadas. Esto funciona porque cada paso produce una salida claramente definida que el siguiente paso puede consumir sin ambigüedad.
Código → Probar → Revisar. Cuando genero un sub-agente de codificación para implementar una función, un segundo agente revisa la salida — verificando errores, problemas de estilo y corrección. La clave: el agente de revisión solo ve el código final, no el razonamiento del agente de codificación. Esto evita que el agente de revisión se vea influenciado por las explicaciones del primer agente y lo obliga a evaluar el código por sus propios méritos.
Los Patrones de Orquestación
Pipelining secuencial. Agente A → Agente B → Agente C. Cada agente toma la salida del agente anterior como entrada. Es el más simple de construir, el más fácil de depurar y el más predecible. Aquí es donde deberías comenzar.
Fan-out / fan-in. Una tarea se envía a múltiples agentes simultáneamente (fan-out), luego sus salidas se combinan (fan-in). Bueno para obtener múltiples perspectivas: envía el mismo código a un agente de seguridad, un agente de rendimiento y un agente de estilo, luego combina sus revisiones.
Patrón de enrutador. Un agente orquestador observa la solicitud entrante, decide qué agente especializado debe manejarla y enruta en consecuencia. “¿Es esto una pregunta técnica? Enrútala al agente técnico. ¿Es una pregunta de facturación? Enrútala al agente de facturación.” Bueno para sistemas orientados al cliente con diversos tipos de solicitudes.
Humano en el circuito. El agente realiza el trabajo → humano revisa → el agente continúa o revisa. Esto no es “múltiple-agente” en el sentido tradicional, pero es el patrón más confiable. El humano proporciona el juicio y la supervisión que a los agentes les falta.
Los Modos de Fallo
Errores acumulativos. El Agente A comete un pequeño error. El Agente B se basa en la salida del Agente A sin cuestionarla. El Agente C amplifica aún más el error. Al final del pipeline, la salida está incorrectamente segura. Solución: añade pasos de validación entre agentes, o ten un agente de revisión final que verifique la salida contra la entrada original.
Contexto perdido. Cuando el Agente A pasa un resumen al Agente B, se pierde información. El Agente B trabaja con una imagen incompleta y toma decisiones que el contexto completo del Agente A habría evitado. Solución: pasa datos estructurados (hechos clave, no resúmenes) entre los agentes, e incluye la entrada original junto con la salida procesada.
Conflictos entre agentes. Dos agentes que modifican la misma salida pueden entrar en conflicto — uno agrega una sección, el otro la elimina. Solución: define claramente qué agente es responsable de qué aspectos de la salida. No dejes que múltiples agentes editen el mismo artefacto.
Dificultad de depuración. Cuando un flujo de trabajo de múltiples agentes produce una salida incorrecta, averiguar qué agente cometió el error es difícil. La salida de cada agente parece razonable de forma aislada. Solución: registra cada comunicación entre agentes con marcas de tiempo y contenido. Cuando algo sale mal, rastrea el pipeline paso a paso.
Comienza Simple
Si no has construido un flujo de trabajo de múltiples agentes antes, comienza con un pipeline secuencial de dos agentes. El Agente 1 realiza el trabajo, el Agente 2 lo revisa. Eso es todo. Familiarízate con la orquestación, las entregas y la depuración antes de agregar más agentes.
Los mejores flujos de trabajo de múltiples agentes que he construido tienen 2-3 agentes. Los peores tenían 5. Más agentes significan más sobrecargas de coordinación, más puntos de fallo y más complejidad de depuración. El objetivo no es tener la mayor cantidad de agentes — es tener el número correcto de agentes para la tarea.
🕒 Published: