yuniorglez 🐝 Multi-Agent Architecture Patterns
Esta habilidad permite diseñar y coordinar sistemas compuestos por múltiples instancias de modelos de lenguaje (agentes), cada uno con su propia ventana de contexto. La arquitectura multi-agente es la solución definitiva para tareas cuya complejidad excede la capacidad de razonamiento de un solo contexto saturado.
Mental Model: Los sub-agentes no son solo roles ("investigador", "escritor"); son unidades de aislamiento de contexto. Su propósito principal es particionar el conocimiento para mantener una alta densidad de señal en cada paso del proceso.
🚩 Fragilidad y Autonomía
- Fragilidad: Alta. La coordinación mal diseñada introduce latencia masiva y pérdida de información (efecto "teléfono descompuesto").
- Libertad: Muy Alta en la elección del patrón de orquestación según la naturaleza de la tarea.
🚀 Cuándo Activar
- Cuando una tarea requiere manejar múltiples dominios técnicos simultáneamente.
- Para paralelizar sub-tareas independientes (ej. investigar 5 librerías a la vez).
- Al notar que el agente principal se distrae o "alucina" debido al ruido del contexto acumulado.
- Para implementar procesos de revisión y crítica adversarial (Debate Pattern).
🧠 Patrones de Arquitectura
1. Supervisor / Orchestrator
Un agente central controla el flujo, descompone la tarea y delega a especialistas.
- Uso: Tareas con pasos secuenciales claros y necesidad de supervisión humana.
- Riesgo: El supervisor se convierte en un cuello de botella de contexto.
2. Peer-to-Peer / Swarm
Los agentes se pasan el control directamente entre sí mediante protocolos de "handoff".
- Uso: Exploración flexible, soporte al cliente, flujos de trabajo dinámicos.
- Ventaja: Elimina el sesgo de paráfrasis del supervisor.
3. Hierarchical (Jerárquico)
Estructura de capas: Estratégica -> Planificación -> Ejecución.
- Uso: Proyectos masivos, migraciones de código a gran escala, gestión de monorepos.
🛠️ Implementación en Gemini Elite Core
Patrón: The Direct Pass-Through (Fixing the Telephone Game)
Evita que el supervisor resuma la salida del trabajador. Usa una herramienta forward_to_user para que el especialista hable directamente.
<TOOL_CALL: forward_to_user>
{
"message": "[Contenido técnico crudo y preciso generado por el especialista]",
"reason": "Evitar pérdida de fidelidad en la síntesis del supervisor."
}
</TOOL_CALL>
Patrón: Parallel Research Swarm
Dispara N agentes en paralelo y consolida sus hallazgos en un archivo de "findings".
- Planner: Crea N tareas de investigación.
- Workers: Ejecutan en paralelo sobre sandboxes aislados.
- Consolidator: Lee todos los resultados y genera el informe final.
🔗 Integraciones
context-optimization: El particionamiento multi-agente es la forma más pura de optimización.memory-systems: Uso de memorias compartidas (Durable Objects, Disk) para la coordinación.evaluation: Validación de la calidad de la síntesis entre agentes.
📚 Referencias Internas
references/frameworks.md: Detalles técnicos de implementación para LangGraph, AutoGen y CrewAI. Patrones de consenso y recuperación de fallos.