Multi-Agent Systems

Resumen

En lugar de un solo agente que hace todo, un sistema multi-agente asigna roles especializados: un agente investiga, otro escribe, otro revisa, otro ejecuta código. Cada agente tiene su propio prompt, herramientas y personalidad. Se comunican entre sí —típicamente mediante mensajes estructurados— y colaboran hacia un objetivo común.

Frameworks como CrewAI, AutoGen (Microsoft) y LangGraph permiten definir topologías de agentes: secuencial (A → B → C), jerárquica (un manager asigna tareas), o peer-to-peer (agentes dialogan libremente). El desafío principal es la coherencia: evitar que los agentes se contradigan o den vueltas sin converger.

Alcance y supuestos

Cubre multi-agent systems, topologías y frameworks. Asume familiaridad con agentes IA y tool calling.

Modelo mental

Un equipo de desarrollo: el product manager define qué hacer, el arquitecto diseña, el developer implementa, el QA testea. Cada uno tiene habilidades distintas y se comunican entre sí. Un sistema multi-agente replica esta estructura con agentes IA en cada rol.

Uso práctico

• ✅ Tareas complejas que se benefician de especialización, code review automatizado, investigación + escritura.
• ❌ Tareas simples: un solo agente bien prompteado alcanza.

Ejemplo trabajado: CrewAI para escribir un artículo

Agente Investigador busca fuentes. Agente Escritor redacta basado en la investigación. Agente Editor revisa gramática y coherencia. El artículo final pasa por tres pares de ojos especializados.

Evidencia

• CrewAI, AutoGen (Microsoft) y LangGraph son los frameworks principales de agentes multi-agente.