Objetivos de aprendizaje
- Decidir cuándo merece la pena usar subagentes locales.
- Crear memoria persistente sin convertirla en un cajón caótico.
- Aplicar límites de pasos, herramientas, tiempo y compute.
En cristiano: multi-agente. Es un sistema donde varias unidades con rol propio colaboran: planner, investigador, ejecutor, verificador. Si no comparten estado y límites, se pisan entre sí.
Empieza por roles estrechos
- Planner: decide plan y criterio de éxito, no edita.
- Retriever: busca contexto en archivos, RAG o documentación.
- Executor: aplica cambios acotados.
- Verifier: corre pruebas, revisa diff y detecta regresiones.
Idea clave. Si un solo agente con buen prompt puede resolver la tarea, no metas cuatro. Multi-agente es útil cuando hay separación real de responsabilidades.
task:
goal: "Añadir una validación sin romper API pública"
max_total_steps: 16
max_parallel_agents: 2
memory_file: ".agent/state.md"
agents:
planner:
can_edit: false
max_steps: 3
executor:
can_edit: true
allowed_paths: ["src/", "tests/"]
max_steps: 6
verifier:
can_edit: false
commands: ["npm run lint", "npm test"]
max_steps: 4 Cuidado. En local, el cuello de botella no es solo tokens. También compiten navegador, IDE, Docker, Qdrant, n8n, Ollama y los propios agentes. Dos agentes lentos pueden ser mejor que seis agentes bloqueando la máquina.
Memoria persistente mínima
La memoria debe guardar decisiones y estado, no todo el chat. Si guardas ruido, el agente recuperará ruido.
# .agent/state.md ## Objetivo actual Corregir validación de email sin cambiar contratos públicos. ## Decisiones - No tocar base de datos. - Mantener nombres de funciones exportadas. ## Evidencia - npm run lint: pendiente - npm test: pendiente ## Bloqueos - Falta confirmar comportamiento con emails internacionales.
Cortes contra runaway loops
loop_guards:
repeated_tool_call:
same_tool_same_args: 2
action: stop_and_summarize
no_state_change:
steps_without_new_evidence: 3
action: ask_human
compute_budget:
max_runtime_minutes: 20
max_gpu_memory_percent: 90
action: pause
failed_command:
same_error: 2
action: change_strategy_or_stop Comprueba que funciona. Haz un ensayo con una tarea pequeña y una tool falsa que falla. El sistema debe parar, explicar el bloqueo y no repetir la misma llamada hasta agotar recursos.
Evalúa la trayectoria, no solo la respuesta
En multiagente, una respuesta final correcta puede esconder un proceso caro, frágil o inseguro. Guarda la secuencia de decisiones para saber si el sistema eligió bien las herramientas, evitó pasos inútiles y pidió ayuda cuando tocaba.
trajectory_eval:
task_id: "bugfix-142"
final_result: "pass"
checks:
tool_use_accuracy: "ok"
repeated_steps: 0
unnecessary_agents: 1
human_approval_used: true
tests_run:
- "npm test"
- "npm run lint"
decision: "funciona, pero reducir planner+researcher a un solo rol" Guardar y reabrir el proyecto.
El mejor multi-agente local es pequeño, observable y aburrido: roles estrechos, memoria breve, límites duros y una salida clara cuando no sabe avanzar.
Fuentes oficiales
Siguiente misión recomendada
Si has guardado la evidencia de esta lección, continúa con «Governance MCP». Si no, repite la comprobación antes de avanzar.