Sistemas multi-agente: cuando uno no es suficiente

🔄 En las lecciones anteriores trabajamos con agentes individuales. Pero hay tareas donde un solo agente no alcanza — necesitas un equipo.

Cuándo un agente no es suficiente

Un agente con 3-5 herramientas funciona perfecto para tareas enfocadas. Pero mira este caso:

Tarea: “Analiza los 20 currículums que recibimos, selecciona los 5 mejores candidatos para el puesto de desarrollador Python, envía emails de rechazo a los demás, y agenda entrevistas para los seleccionados.”

Un solo agente podría hacerlo, pero tendría que:

• Leer y analizar documentos (PDFs)
• Evaluar habilidades técnicas contra requisitos
• Redactar emails personalizados
• Usar la API de calendario
• Tomar decisiones subjetivas sobre calidad

Demasiadas responsabilidades. Demasiadas herramientas. La calidad de cada subtarea baja cuando un solo agente hace todo.

La solución: agentes especializados que colaboran.

Los 4 patrones multi-agente

1. Orquestador (Orchestrator)

Un agente central decide qué agente trabaja y cuándo.

           ┌─────────────┐
           │ Orquestador  │
           │ (decide quién│
           │  trabaja)    │
           └──────┬───────┘
          ┌───────┼───────┐
          ↓       ↓       ↓
    ┌──────┐ ┌──────┐ ┌──────┐
    │Invest│ │Redact│ │Revis │
    │igador│ │or    │ │or    │
    └──────┘ └──────┘ └──────┘

El orquestador recibe la tarea, la descompone, asigna subtareas y recoge resultados. Puede cambiar el plan dinámicamente si un agente falla.

Cuándo usarlo: Tareas complejas donde el orden de ejecución depende de los resultados intermedios.

2. Pipeline (secuencial)

Los agentes se ejecutan en un orden fijo, como una línea de producción.

Agente A → Agente B → Agente C → Resultado
(investigar) (redactar) (revisar)

La salida de un agente es la entrada del siguiente. Simple y predecible.

Cuándo usarlo: Tareas con flujo lineal claro — investigar → escribir → revisar → publicar.

3. Supervisor

Similar al orquestador, pero con una diferencia: el supervisor evalúa la calidad del trabajo y puede pedir correcciones.

Agente Redactor → Supervisor → "Insuficiente, reescribe el párrafo 3"
                             → Agente Redactor → Supervisor → "Aprobado"

Cuándo usarlo: Cuando la calidad es crítica y necesitas un “control de calidad” automatizado.

4. Peer-to-peer

Los agentes se comunican directamente entre ellos, sin coordinador central.

Cuándo usarlo: Debates o evaluaciones donde múltiples perspectivas importan — por ejemplo, un agente “a favor” y otro “en contra” analizan una decisión de negocio.

✅ Quick Check: Si necesitas un flujo de “investigar → escribir → revisar” donde cada paso siempre ocurre en ese orden, ¿qué patrón usarías? (Pipeline — el orden es fijo y la salida de cada agente alimenta al siguiente.)

Caso real: selección de personal

Volvamos al ejemplo de los 20 currículums. Con multi-agente:

Agente 1 — Analizador de CV:

• Rol: Leer PDFs, extraer datos, evaluar experiencia
• Herramientas: lector de documentos, regex
• Output: tabla con candidatos y puntuación

Agente 2 — Evaluador técnico:

• Rol: Comparar habilidades contra requisitos del puesto
• Herramientas: acceso a la descripción del puesto
• Output: ranking de los 5 mejores

Agente 3 — Comunicador:

• Rol: Redactar emails personalizados y agendar entrevistas
• Herramientas: email API, calendar API
• Output: emails enviados + entrevistas agendadas

El orquestador coordina: primero el analizador, después el evaluador, finalmente el comunicador. Si el evaluador necesita más datos, el orquestador puede volver al analizador.

Frameworks: CrewAI y LangGraph

CrewAI

Framework Python donde defines agentes con roles humanos. Muy intuitivo para equipos:

from crewai import Agent, Task, Crew

investigador = Agent(
    role="Investigador de Mercado",
    goal="Encontrar datos actualizados sobre el mercado de hosting en LATAM",
    backstory="Eres un analista senior con 10 años de experiencia..."
)

redactor = Agent(
    role="Redactor de Contenido",
    goal="Escribir un reporte claro basado en la investigación",
    backstory="Eres un redactor técnico..."
)

tarea_investigar = Task(
    description="Investiga los 5 proveedores de hosting más usados en Colombia",
    agent=investigador
)

tarea_redactar = Task(
    description="Escribe un reporte comparativo basado en la investigación",
    agent=redactor
)

crew = Crew(
    agents=[investigador, redactor],
    tasks=[tarea_investigar, tarea_redactar],
    process="sequential"  # o "hierarchical"
)

resultado = crew.kickoff()

Procesos en CrewAI:

• sequential: Pipeline fijo (A → B → C)
• hierarchical: Un agente manager distribuye tareas dinámicamente

LangGraph

Framework de LangChain para flujos más complejos con estado. Define nodos (agentes) y aristas (transiciones) como un grafo.

LangGraph es más potente pero más complejo. CrewAI es más simple de aprender y tiene más tutoriales en español.

✅ Quick Check: ¿Cuál es la diferencia principal entre CrewAI y LangGraph? (CrewAI usa roles y tareas — más intuitivo, como asignar trabajo a un equipo. LangGraph define grafos de estado — más flexible pero más complejo. Para empezar, CrewAI es más accesible.)

Cuándo NO usar multi-agente

Más agentes no es automáticamente mejor:

• Tarea simple con pocas herramientas: Un solo agente es más eficiente
• Presupuesto limitado: Cada agente usa tokens — N agentes ≈ N veces el costo
• Debugging complejo: Rastrear errores entre 5 agentes es difícil
• Latencia: Más agentes = más llamadas al modelo = más tiempo

Regla práctica: Empieza con un solo agente. Divide en multi-agente solo cuando la calidad del resultado baje porque el agente tiene demasiadas responsabilidades.

Puntos clave

• Multi-agente: agentes especializados que colaboran en una tarea compleja
• 4 patrones: orquestador (dinámico), pipeline (secuencial), supervisor (calidad), peer-to-peer (debate)
• CrewAI: roles + tareas + proceso — intuitivo, popular en la comunidad hispanohablante
• LangGraph: grafos de estado — más potente, más complejo
• No uses multi-agente si un solo agente resuelve el problema — más agentes = más costo y complejidad

Siguiente lección

Ya entiendes la teoría. En la lección 7 vas a construir tu primer agente — con dos caminos: sin código (n8n) y con código (Python). Tú eliges.