EXP_002 / AGENT SYSTEMS
Cuando los agentes colaboran.
Qué cambia de verdad cuando la IA deja de ser un asistente y se convierte en un equipo.
01 La pregunta
¿Qué pasa cuando la IA deja de ser un único asistente y se convierte en un equipo?
Planificadores, constructores, revisores, modelos especializados, herramientas compartidas, ejecución en paralelo. En papel, una idea increíblemente poderosa.
En la práctica aprendí rápido que sumar agentes no crea automáticamente un mejor sistema. A veces solo crea más contexto. Mucho más contexto.
02 La explosión de contexto es real
Más agentes, más contexto.
Uno de mis primeros experimentos de orquestación usó AION con varios agentes especializados. Funcionó, y expuso uno de los mayores problemas de los sistemas agénticos: el contexto crece a una velocidad alarmante.
Los agentes generan planes. Otros agentes los revisan. El agente original reacciona a la revisión. Los resultados de herramientas se acumulan, los archivos se redescubren, las decisiones se repiten. Al poco tiempo, el razonamiento útil queda enterrado bajo millones de tokens de conversación y contexto duplicado.
El contexto no es memoria gratis. Es un recurso que hay que diseñar.
03 El harness define el sistema
El modelo importa. Lo que lo rodea, también.
Un buen harness controla qué ve un agente, qué herramientas puede usar, cómo se delega el trabajo, cómo vuelven los resultados y cuánta historia necesita sobrevivir entre pasos.
Esto quedó especialmente claro con Pi. En lugar de usar la conversación como capa de orquestación, podía mantener enfocado al agente principal y delegar tareas acotadas a subagentes especializados, con un control más simple del contexto, los proveedores, las responsabilidades y la ejecución.
Un gran modelo dentro de un mal harness puede ser caro y poco confiable. Un buen harness puede volver mucho más útiles a modelos más chicos.
04 Determinismo vs. autonomía
Barandas, no instrucciones.
Si el flujo es demasiado determinista, los agentes se vuelven scripts caros. Si tienen libertad total, exploran sin fin, duplican trabajo, reinterpretan objetivos o gastan enormes cantidades de tokens en problemas que ya estaban resueltos.
El punto justo está en el medio: definir el objetivo, acotar los límites importantes, exponer las herramientas correctas, fijar criterios claros de finalización y dejar que el agente decida cómo llegar.
La orquestación no debería dictar cada paso. Debería hacer fáciles las buenas decisiones y caras las malas.
05 Confiar en los agentes. Decidir con datos.
Una afirmación no es evidencia.
Confiar en que el agente ejecute, pero usar evidencia para decidir si la ejecución funcionó: tests, pipelines de CI, análisis estático, benchmarks, agentes revisores, uso de tokens, tiempo de ejecución, diffs, logs.
Cuanta más autonomía le doy a un agente, más importan la observabilidad y la validación objetiva.
Que un agente diga “la tarea está completa” es información útil. Un pipeline en verde es evidencia.
“La tarea está completa.”
SIN VERIFICAR- TESTS
- PIPELINE DE CI
- ANÁLISIS ESTÁTICO
- BENCHMARKS
- AGENTES REVISORES
- USO DE TOKENS
- TIEMPO DE EJECUCIÓN
- DIFFS
- LOGS
06 Los experimentos fallidos también sirvieron
Los frameworks también se vuelven sistemas.
No todos los intentos de orquestación sobrevivieron. Mis experimentos con dsh-workflow nunca se convirtieron en el flujo de producción que había imaginado.
Ese fracaso fue valioso. Mostró lo rápido que los frameworks de orquestación agregan complejidad propia: abstracciones, plugins, configuración, reglas de coordinación y supuestos ocultos que terminan siendo otro sistema que mantener.
La mejor capa de orquestación no es la que tiene más funcionalidades. Es la que no se interpone en el camino del agente.
La pregunta cambió
¿Cómo hago para que varios agentes trabajen juntos?
¿Cuál es la orquestación mínima necesaria para que varios agentes trabajen bien juntos?
Los sistemas agénticos no se tratan de maximizar agentes, prompts, herramientas o llamadas a modelos. Se tratan de mantener bajo control la especialización, la autonomía, el contexto y la verificación, porque cuando los agentes trabajan juntos, la inteligencia no es lo único que escala.
La complejidad también.