Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Análisis Frameworks de agentes y automatización

¿Un agente o un equipo? Cómo elegir la arquitectura de un agente de IA, y cuándo más agentes lo empeoran

Por ReviewRamble editors ·

La mayoría de los productos de IA que se presentan como agentes funcionarían mejor, y costarían menos, como un trozo corto de código corriente que llama a un modelo dos o tres veces. Las formas de construir con modelos de lenguaje van desde una receta fija hasta un equipo de modelos que se mandan mensajes entre sí, y cada escalón compra flexibilidad con dinero, velocidad y previsibilidad. Aquí explicamos qué hace cada patrón, cuándo se gana su sitio y qué pruebas hay de que añadir agentes a menudo empeora la respuesta.

Nuestra postura es sencilla. Empieza por el diseño más simple que haga el trabajo. Pasa a un solo agente cuando no puedas escribir los pasos. Pasa a varios agentes solo cuando puedas nombrar el fallo que un agente comete una y otra vez, y demostrar que repartir el trabajo lo corrige.

La primera pregunta: ¿quién elige el siguiente paso?

Cada diseño de esta guía responde de forma distinta a una pregunta: ¿decide tu código lo que pasa después, o lo decide el modelo? La guía de ingeniería de Anthropic, Building effective agents, traza la línea con limpieza. Un flujo de trabajo (workflow) es un sistema en el que los modelos y las herramientas se orquestan "a través de rutas de código predefinidas". Un agente es uno en el que el modelo dirige "sus propios procesos y su uso de herramientas". Nuestra entrada del glosario sobre workflow frente a agente explica la diferencia con más detalle.

Piensa en el servicio de recordatorios de un dentista y en un agente de viajes. El servicio de recordatorios repite los mismos tres pasos cada tarde: buscar las citas de mañana, escribir un mensaje amable, enviarlo. Nadie quiere que ese software improvise. El trabajo del agente de viajes cambia con cada llamada: el vuelo está lleno, así que mira el tren, lo que mueve la reserva del hotel un día. El flujo de trabajo es el servicio de recordatorios. El agente es el agente de viajes, y su criterio se paga en tokens, en tiempo y en algún desvío equivocado.

La guía de Anthropic va más lejos de lo que irían la mayoría de los proveedores. El enfoque más simple, dice, "puede significar no construir sistemas agénticos en absoluto", y para muchas aplicaciones basta con una sola llamada al modelo bien preparada, con recuperación de documentos y unos pocos ejemplos en el prompt.

Cinco flujos de trabajo que cubren la mayoría de los productos

Encadenar prompts: un trabajo pequeño por llamada

Una cadena divide una tarea en pasos, y cada llamada al modelo trabaja sobre la salida de la anterior. La grabación de una llamada de un comercial se convierte en un resumen, el resumen en una lista de seguimientos prometidos y la lista en un borrador de correo. Entre pasos, el código normal puede hacer de control: si el resumen no menciona fecha para la próxima reunión, la cadena se detiene y lo marca en lugar de enviar un correo que se invente una.

El intercambio, en palabras de Anthropic, es latencia a cambio de precisión. Cada llamada tiene un trabajo más fácil, así que se equivoca menos, y el conjunto tarda más. Cuando un único prompt se salta una y otra vez una de seis instrucciones, una cadena suele ser la solución.

Enrutamiento: una recepcionista antes de los especialistas

Un enrutador lee la petición, decide de qué tipo es y la envía por el camino correspondiente. Un buzón de soporte separa reembolsos, cambios de contraseña y quejas en prompts distintos, cada uno ajustado a su trabajo, de modo que mejorar la respuesta sobre reembolsos no puede estropear en silencio la de contraseñas. El mismo truco envía las preguntas fáciles a un modelo pequeño y barato y las difíciles a uno grande, como explica nuestra entrada sobre enrutamiento de LLM.

Todo depende de la clasificación. Un enrutador que archiva un contracargo como una pregunta sobre contraseñas manda a un cliente ya molesto las instrucciones equivocadas con total seguridad, así que mide el clasificador por separado antes de fiarte de lo que hay detrás.

Paralelización: secciones y votación

Hay trabajo que se divide en piezas que no dependen unas de otras, y esas piezas pueden ejecutarse a la vez, con código que une los resultados. Anthropic distingue dos versiones.

Por secciones, cada llamada recibe una parte distinta del trabajo. El contrato de alquiler de un inquilino va a tres llamadas a la vez: una lee la renta y la fianza, otra las obligaciones de reparación, otra la cláusula de rescisión. Cada una lee con toda su atención una sola cosa, y un paso final en código monta el informe. Una combinación habitual pone una llamada a filtrar abusos en la petición mientras otra redacta la respuesta.

Por votación, varias llamadas reciben el mismo trabajo y se comparan sus respuestas. Tres revisiones separadas de un cambio de código en busca de fallos de seguridad, con la regla de que una sola alerta lo envía a una persona, detectan más que una revisión. El umbral lo fijas tú: un voto de tres para un aviso de seguridad, dos de tres antes de ocultar la publicación de un cliente.

Evaluador-optimizador: un autor y un editor

Una llamada escribe; una segunda comprueba el resultado contra criterios explícitos y lo devuelve con notas; el bucle se repite hasta que el revisor queda satisfecho. Un restaurante que traduce su carta al japonés es un buen ejemplo: el evaluador comprueba que cada plato conserva su aviso de alérgenos, que los precios no cambian y que ningún nombre se ha traducido al pie de la letra hasta quedar sin sentido.

Anthropic da dos señales de que el patrón encaja: los comentarios de una persona mejorarían claramente el borrador, y un modelo puede dar ese tipo de comentarios por sí mismo. Donde no se cumple ninguna, el editor lo deja pasar todo o pone pegas sin fin. Fija un límite estricto de rondas, y consulta nuestra entrada sobre LLM como juez para ver cómo se equivoca un modelo que evalúa.

Orquestador y trabajadores: la bisagra

Anthropic clasifica este entre los flujos de trabajo, pero es el punto en que el modelo empieza a escribir el plan. Un modelo principal lee la tarea, decide qué piezas necesita, entrega cada una a una llamada trabajadora y combina lo que vuelve. A diferencia de las secciones, las piezas no están fijadas de antemano: cambiar el nombre de un producto en toda una web puede suponer tocar tres archivos o treinta, y solo leer el código te dice cuántos. Volvemos a él más abajo, porque también es la forma habitual de un sistema multiagente.

El bucle de un solo agente

Cuando no puedes escribir los pasos, le das al modelo herramientas y un objetivo y lo dejas trabajar en un bucle. Anthropic describe a los agentes como "normalmente solo LLM que usan herramientas según la respuesta del entorno, en un bucle". El patrón que siguen casi todos procede de ReAct: Synergizing Reasoning and Acting in Language Models, un artículo de 2022 de Shunyu Yao y colegas de Princeton y Google, publicado en ICLR 2023. El modelo alterna una línea breve de razonamiento con una acción: pensar, llamar a una herramienta, leer lo que vuelve, pensar otra vez.

Imagina un paquete perdido. El agente lee la página de seguimiento y ve el paquete parado en un almacén, busca los avisos de ese almacén, encuentra una suspensión de entregas, comprueba si el pedido puede enviarse de nuevo y redacta una solicitud de reembolso cuando no se puede. Nadie habría podido escribir ese recorrido por adelantado, porque cada paso depende de lo que encontró el anterior. En el artículo, intercalar razonamiento y acciones superó a los métodos de imitación y de aprendizaje por refuerzo en 34 y 10 puntos de tasa de éxito absoluta en dos tareas interactivas, ALFWorld y WebShop, con solo uno o dos ejemplos resueltos en el prompt.

En el bucle está la mayor parte de la ingeniería. Nuestras entradas sobre el bucle del agente, ReAct y el arnés del agente, el software alrededor del modelo que ejecuta las herramientas y hace cumplir las reglas, describen las piezas. Dos importan más que el resto. Una es una condición de parada, como un número máximo de pasos, para que un agente confundido no se pase la noche gastando. La otra son las propias herramientas: el tercer principio de Anthropic es documentarlas y probarlas con el mismo cuidado que el prompt, porque una descripción vaga de una herramienta es una instrucción vaga.

Planificar y ejecutar: primero la lista

Un agente ReAct decide paso a paso, lo que es flexible y a veces errático: puede repetir una búsqueda, irse por un camino lateral o perder de vista el objetivo hacia el paso veinte. Planificar y ejecutar separa el pensar del hacer. Un planificador escribe la lista completa al principio, un ejecutor la recorre punto por punto y, después de cada punto o cuando algo falla, el planificador puede revisar lo que queda.

Es como se muda una persona sensata: escribe la lista (reservar la furgoneta, dar de baja la fibra, redirigir el correo), va tachando y reescribe la lista cuando la empresa de furgonetas no tiene hueco. El plan escrito te da algo que enseñar a un usuario, o que una persona apruebe, antes de que ocurra nada, y el ejecutor puede ser a menudo un modelo más pequeño y barato. El coste es un plan que se queda viejo. Si el planificador no vuelve a mirarlo, el ejecutor completa con diligencia pasos que dejaron de tener sentido tres puntos atrás.

Orquestador y trabajadores, como equipo de agentes

Un sistema multiagente da a varios agentes sus propias instrucciones, herramientas y contexto, y alguna forma de orquestación decide quién trabaja y cuándo. La forma habitual es un agente principal que lanza subagentes, cada uno con una ventana de contexto limpia, y une sus informes breves.

La función de investigación de la propia Anthropic es el caso público más sólido a su favor. En su artículo de junio de 2025, un Claude Opus 4 al mando de subagentes Claude Sonnet 4 superó en un 90,2% a un solo agente Opus 4 en la evaluación interna de investigación de Anthropic. El mismo artículo da la factura: los agentes usan unas cuatro veces los tokens de un chat, y los sistemas multiagente unas 15 veces. En el análisis de Anthropic sobre el benchmark BrowseComp, el uso de tokens explicaba por sí solo el 80% de la varianza en el rendimiento. Buena parte de la ganancia, dicho de otro modo, es la lectura extra que pagan los agentes extra. Anthropic también dice que estos sistemas encajan mal donde los agentes deben compartir el mismo contexto o dependen unos de otros, y que la mayoría de las tareas de programación tienen menos partes realmente paralelas que la investigación.

La investigación se presta al patrón porque es amplitud: diez empresas que estudiar, cada una independiente de las demás, cada una con más páginas de las que caben en una ventana de contexto.

Traspasos: pasar la llamada a un especialista

Todo el mundo conoce la llamada que se tuerce en la transferencia. Explicas el problema a la primera persona, te pasan a facturación y vuelves a empezar desde tu número de cliente. Un traspaso (handoff) es el mismo movimiento entre agentes, y bien hecho se lleva la conversación consigo.

En el OpenAI Agents SDK (4,4), un traspaso aparece ante el modelo como una herramienta: un traspaso a un agente de reembolsos se convierte en una herramienta llamada transfer_to_refund_agent, y llamarla cede el control. Por defecto, el nuevo agente "ve todo el historial anterior de la conversación", según la documentación de traspasos. Un input_filter puede recortar lo que pasa al otro lado, y una función on_handoff puede comprobar el motivo que da el modelo y detener la transferencia. La alternativa es un agente usado como herramienta, en el que el primer agente conserva el control, hace al especialista una pregunta concreta y recibe una respuesta, como un dependiente que llama al almacén en lugar de pasarte el teléfono.

Los traspasos encajan en un mostrador que pasa conversaciones a especialistas, cada uno dueño de sus herramientas: el agente de reembolsos puede emitir reembolsos y el de seguimiento de pedidos no. Esa separación de permisos es una razón real para dividir. El riesgo es la otra cara de llevarse el historial: todo lo que dijo el cliente, y cada resultado de herramienta, viaja con la llamada salvo que lo filtres.

Puntos de aprobación humana

Un agente puede detenerse y preguntar a una persona antes de seguir, y Anthropic lo cuenta como parte del patrón de agente: los agentes "se detienen para recibir comentarios humanos en puntos de control o cuando encuentran un obstáculo". Nuestra entrada sobre human-in-the-loop describe el mecanismo, y LangGraph (4,6) está hecho para agentes que deben pararse, conservar su estado tras un reinicio y esperar a que alguien apruebe.

Pon el punto de control donde una acción no se puede deshacer: antes de que se mueva dinero, antes de que un correo llegue a un cliente, antes de fusionar un cambio. El agente de un equipo de finanzas puede reunir facturas y preparar la remesa de pagos por su cuenta; una persona aprueba la remesa. Pedir aprobación en cada paso enseña a la gente a pulsar sí sin leer, algo que analizamos en quién pulsa sí cuando un agente de IA pregunta. Unos pocos puntos bien situados se leen; docenas al día, no.

Cuándo más agentes empeoran los resultados

La prueba más cuidadosa de la apuesta multiagente hasta ahora viene de Google Research, Google DeepMind y el MIT. En Towards a Science of Scaling Agent Systems, de Yubin Kim, Xin Liu y colegas, publicado por primera vez en diciembre de 2025 y resumido en el blog de Google Research en enero de 2026, los autores compararon un solo agente con cuatro diseños multiagente: agentes independientes cuyas respuestas se unen al final, un orquestador central, pares que debaten y un híbrido de los dos últimos. Mantuvieron iguales las herramientas, los prompts y el presupuesto de tokens, y usaron modelos de OpenAI, Google y Anthropic. La versión actual del artículo cubre 260 configuraciones en seis benchmarks.

Los resultados se dividen según la forma de la tarea.

  • El trabajo paralelo ganó. En Finance Agent, un benchmark de análisis financiero cuyas preguntas se dividen en líneas separadas (noticias, informes regulatorios, operaciones), un orquestador central puntuó un 80,8% mejor que un solo agente, 0,631 frente a 0.349.
  • El trabajo secuencial perdió, siempre. En PlanCraft, un rompecabezas de fabricación ambientado en Minecraft en el que cada paso depende del anterior, todos los diseños multiagente lo hicieron peor que un solo agente: un 39,1% peor el híbrido y hasta un 70,0% los agentes independientes. El agente único sacó 0,568; los agentes independientes, 0.170.
  • Los errores se propagan sin alguien que revise. Los agentes independientes amplificaron los errores 17,2 veces respecto a un solo agente, porque nada detectaba el fallo de un agente antes de que llegara a la respuesta final. Un orquestador central lo contuvo en 4,4 veces al revisar el trabajo antes de combinarlo.
  • Un agente único fuerte deja poco que ganar. Cuando un agente ya acertaba más de alrededor del 45% de las veces, añadir agentes tendía a empeorar los resultados.
  • Los trabajos con muchas herramientas pagan un impuesto. Con el presupuesto de tokens fijo, repartirlo entre agentes dejaba a cada uno con demasiado poco para manejar muchas herramientas. El ejemplo del artículo es un flujo de negocio con 16 herramientas.

El propio ejemplo del artículo es la imagen más clara. Cuando se le pidió fabricar un muro de diorita, el agente único buscó la receta, movió la piedra a la cuadrícula y lo fabricó: tres turnos. Un equipo con coordinación central dividió el mismo trabajo entre un investigador de recetas, un revisor de inventario y un fabricante, dos de ellos redundantes, y gastó su presupuesto en mensajes sobre el trabajo en lugar de en el trabajo. Cuatro cocineros alrededor de una tortilla.

La lección no es que los equipos de agentes fracasen. Ayudan donde el trabajo se divide en piezas independientes y algo revisa las piezas, y perjudican donde el trabajo es una cadena de pasos dependientes. Con rasgos medibles de la tarea, el modelo del artículo eligió el mejor diseño en el 87% de las configuraciones que no había visto, lo que es mejor guía que la demo de cualquier framework.

Un orden para decidir

  1. Prueba una sola llamada al modelo con buena recuperación de documentos y ejemplos. Mídela con 30 a 50 casos reales, como en nuestra guía para probar apps y agentes de IA, antes de construir nada más.
  2. Si se salta pasos, encadénalos. Si las entradas son de tipos distintos, enrútalas. Si las partes son independientes, ejecútalas en paralelo; si un lector se pierde cosas, que voten varios. Si la calidad tiene un estándar comprobable, añade un evaluador con un límite de rondas.
  3. Si los pasos no se pueden escribir, usa un solo bucle de agente con un límite de pasos, herramientas bien descritas y registros que alguien lea.
  4. Si ese agente divaga, haz que escriba primero un plan y que lo revise sobre la marcha.
  5. Añade agentes solo para un fallo que puedas nombrar: el material desborda una ventana de contexto, el trabajo se divide en búsquedas independientes o pasos distintos necesitan permisos distintos. Pon al mando un orquestador que revise los resultados, nunca un montón de agentes independientes.
  6. Donde una acción no se pueda deshacer, detente y pregunta a una persona.

Lo que dan por hecho los frameworks

Un framework te empuja hacia el patrón en torno al que se construyó. LangGraph (4,6) te obliga a dibujar el grafo de forma explícita, lo que encaja con flujos de trabajo y agentes de larga duración con pasos de aprobación, a cambio de más código. El OpenAI Agents SDK (4,4) es pequeño, gira en torno a traspasos y guardarraíles, y envía las trazas a OpenAI salvo que lo desactives. CrewAI (4,1) pone en marcha rápido un equipo de agentes con roles; nuestra reseña vio que los equipos en producción acaban escribiendo sus Flows fijos en lugar de crews libres. Pydantic AI (4,5) lleva salidas tipadas a un solo agente, y el Claude Agent SDK (4,2) te da hechos el bucle y las herramientas de Claude Code. AutoGen (2,6), el influyente framework multiagente de Microsoft, está archivado. Nuestra entrada sobre frameworks de agentes cubre lo que tienen en común.

La guía de Anthropic sugiere empezar directamente con las API de los modelos, porque "muchos patrones se pueden implementar en unas pocas líneas de código", y advierte de que los frameworks pueden ocultar los prompts que necesitas ver al depurar y hacer tentadora la complejidad extra. Una cadena o un enrutador son unas pocas líneas en cualquier lenguaje. Un framework se gana su sitio con lo que hace bien, como el estado duradero o las trazas, no con un patrón que podrías escribir en una tarde.

La pega: las pruebas son más escasas que la seguridad con la que se habla de ellas. El estudio de Google fijó el presupuesto de tokens, así que un equipo que simplemente gaste más puede ver resultados distintos, y sus benchmarks no son tu producto. El 90,2% de Anthropic sale de su propia evaluación interna, y su guía de patrones es de diciembre de 2024, con una nota que dice que las herramientas han cambiado desde entonces. Tómalo todo como un motivo para medir tu propia tarea, no como un veredicto.

Nuestra opinión: construye un sistema de agentes como contrata una pequeña empresa. Nadie abre una panadería nombrando a un director de operaciones, uno de logística y uno de experiencia de cliente; se contrata a un buen panadero y se escriben las recetas. La segunda persona llega cuando la primera está claramente desbordada por trabajo que se puede hacer en paralelo, y alguien revisa las bandejas antes de que salgan. El agente extra debería ser la respuesta a un problema que ya has visto.

Fuentes

El boletín de ReviewRamble

La IA, analizada. Una vez a la semana, en tu bandeja de entrada.

Los veredictos que importan en IA, robótica y tecnología, con qué usar y qué evitar. Sin bombo ni resúmenes de todo.

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo