Sistemas Multi-Agente
Arquitecturas donde múltiples agentes de IA especializados colaboran, compiten o se coordinan para resolver problemas complejos que exceden la capacidad de un solo agente.
¿Qué es?
Un sistema multi-agente es una arquitectura donde múltiples agentes de IA especializados trabajan juntos para resolver problemas complejos. Cada agente tiene un rol, herramientas y conocimiento específico, y se coordinan mediante patrones de comunicación definidos.
La idea no es nueva — viene de la investigación en sistemas distribuidos de los 90s — pero los LLMs la han revitalizado al hacer posible agentes que se comunican en lenguaje natural.
Topologías de coordinación
Orquestador centralizado
Un agente principal delega tareas a agentes especializados:
Orquestador
├── Agente de investigación
├── Agente de código
└── Agente de revisión
Ventaja: control claro. Desventaja: cuello de botella en el orquestador.
Swarm (enjambre)
Agentes autónomos que se pasan el control entre sí según reglas:
Agente A → (condición) → Agente B → (condición) → Agente C
Ventaja: flexible, descentralizado. Desventaja: difícil de debuggear.
Debate/Competencia
Múltiples agentes proponen soluciones y un juez selecciona la mejor:
Agente 1 → Propuesta
Agente 2 → Propuesta → Juez → Mejor solución
Agente 3 → Propuesta
Grafo de agentes
Agentes conectados en un grafo dirigido con flujos condicionales:
Entrada → Clasificador → [Ruta A: Agente 1 → Agente 2]
→ [Ruta B: Agente 3]
→ Sintetizador → Salida
Frameworks
| Framework | Enfoque |
|---|---|
| Strands Agents | Agents-as-tools, graph, swarm |
| CrewAI | Roles y tareas estructuradas |
| AutoGen | Conversaciones multi-agente |
| LangGraph | Grafos de estado con agentes |
Desafíos
- Coordinación: evitar que agentes se contradigan o dupliquen trabajo
- Costo: N agentes × M iteraciones = muchos tokens
- Debugging: rastrear decisiones a través de múltiples agentes
- Consistencia: mantener contexto compartido entre agentes
- Evaluación: medir el rendimiento del sistema, no solo de agentes individuales
¿Cuándo usar multi-agente?
- La tarea requiere expertise en múltiples dominios
- Un solo agente no puede mantener todo el contexto necesario
- Se necesitan checks and balances (un agente revisa a otro)
- El problema se descompone naturalmente en subtareas independientes
¿Por qué importa?
Los sistemas multi-agente permiten descomponer tareas complejas en subtareas especializadas, donde cada agente tiene su propio contexto, herramientas y modelo. Es el patrón que escala las capacidades de IA más allá de lo que un solo agente puede manejar.
Referencias
- Communicative Agents for Software Development — Qian et al., 2023. ChatDev: agentes que colaboran para desarrollar software.
- Agent-to-Agent Protocol — Google, 2025. Protocolo abierto para comunicación entre agentes.
- AutoGen: Enabling Next-Gen LLM Applications — Wu et al., 2023. Framework de Microsoft para sistemas multi-agente.