AI CodeOps

Patrones multiagente: pipelines, revisiones paralelas y debate

Última actualización

Las formas habituales de repartir el trabajo de software entre agentes de IA (pipelines, revisiones paralelas, debate, orquestadores, bucles de verificación) y cómo falla cada patrón.

Los patrones multiagente son las formas de repartir un trabajo de software entre varios agentes de IA con roles distintos. Los habituales son un pipeline de roles en orden, las perspectivas paralelas, que miran el mismo trabajo desde ángulos distintos y después se fusionan, el debate, en el que los agentes proponen y critican alternativas, un orquestador que reparte subtareas y los bucles de generar y verificar. Cada uno cambia costo y complejidad por foco y comprobación independiente. El patrón importa menos que dos cosas: si los agentes que comprueban ven evidencias reales y si sus bucles tienen límites.

Esta página amplía la sección sobre un solo agente frente a varios de ¿Cómo encajan los agentes de IA en el ciclo de vida del software?.

Por qué repartir el trabajo entre agentes

Un único agente capaz puede planificar, escribir y probar un cambio por sí solo. Repartir el trabajo tiene tres ventajas principales:

  • Foco. Cada agente recibe un rol acotado y solo el contexto que necesita. Un revisor al que se le indica que busque solo problemas de seguridad tiende a buscarlos con más empeño que un agente generalista al que se le pide que «también compruebe la seguridad».
  • Independencia. La salida de un agente la comprueba otro que no la produjo y que no tiene interés en defenderla.
  • Trazabilidad. Cada paso produce su propio registro, así que es más fácil ver dónde se torció un plan.

También tiene costos. Más llamadas al modelo cuestan más. Cada traspaso entre agentes pierde algo de contexto. Y la propia coordinación puede fallar: los agentes pueden malinterpretar la salida de los demás o repetir su trabajo.

Pipeline

Los agentes se ejecutan uno tras otro, cada uno con un rol fijo: por ejemplo planificar, desarrollar, revisar y probar. Cada paso lee la tarea y todo lo que escribieron los pasos anteriores.

  • Útil para: la mayor parte del trabajo de funcionalidades y de corrección de errores, en el que las etapas se conocen bien.
  • Cuidado con: los errores que se propagan. Un plan equivocado produce una implementación fiel de lo equivocado. Un paso de revisión que solo lee el plan, y no el código, no puede detectar errores de implementación.

Perspectivas paralelas

Varios agentes examinan lo mismo desde ángulos distintos, como la corrección, la seguridad y la cobertura de pruebas, y un paso final fusiona sus hallazgos en un solo resultado. Los agentes pueden ejecutarse realmente a la vez, o uno tras otro; lo que define el patrón es que cada uno mira el trabajo de forma independiente.

  • Útil para: la revisión y la inspección, en las que especialidades distintas detectan problemas distintos.
  • Cuidado con: los hallazgos duplicados y un paso de fusión que descarta preocupaciones válidas al resumir. Si las perspectivas se ejecutan en secuencia, los revisores posteriores pueden anclarse en los anteriores en lugar de mirar de forma independiente.

Debate

Dos o más agentes proponen enfoques distintos para el mismo problema, un crítico los evalúa y un paso final elige uno o los combina.

  • Útil para: decisiones de diseño con compensaciones reales, como la elección de arquitectura, los modelos de datos o las estrategias de migración, en las que ver las alternativas una al lado de otra es justo lo que se busca.
  • Cuidado con: propuestas que solo se diferencian en la superficie. Los agentes basados en el mismo modelo pueden converger en la misma idea con otras palabras. Pide de forma explícita enfoques distintos, con sus compensaciones expuestas.

Orquestador y trabajadores

Un agente coordinador divide una tarea grande en subtareas, las asigna a agentes trabajadores y combina los resultados. A diferencia de un pipeline, los pasos se deciden en tiempo de ejecución.

  • Útil para: tareas grandes y divisibles, como cambios en muchos módulos o investigaciones con muchas fuentes.
  • Cuidado con: el costo y la duración impredecibles, ya que el orquestador decide cuánto trabajo crea, y las subtareas que entran en conflicto al combinarlas. Este patrón necesita los límites más estrictos de tiempo, de tokens y de número de trabajadores.

Generar y verificar

Un agente produce algo y otro lo comprueba, y el bucle se repite hasta que la comprobación se supera: escribir código, ejecutar las pruebas, corregir, volver a ejecutar.

  • Útil para: tareas con una comprobación objetiva, como conseguir que las pruebas pasen o satisfacer un linter.
  • Cuidado con: los bucles que nunca convergen y los verificadores que se pueden satisfacer de la forma equivocada. Si la comprobación es «las pruebas pasan», el camino más barato puede ser debilitar las pruebas. Limita el número de rondas, y trata como algo que necesita revisión los cambios en las propias comprobaciones.

Comparación de los patrones

PatrónMás adecuado paraRiesgo principalCosto relativo
PipelineTrabajo habitual de funcionalidades y correccionesLos errores iniciales se arrastran por todas las etapasModerado
Perspectivas paralelasRevisión e inspecciónDuplicados; hallazgos perdidos en la fusiónDe moderado a alto
DebateDecisiones de diseño con compensacionesAlternativas que en realidad no son distintasModerado
Orquestador–trabajadoresTareas grandes y divisiblesTrabajo sin límite; resultados de subtareas en conflictoAlto y variable
Generar y verificarTareas con una comprobación objetivaBucles que no convergen; trampas para superar la comprobaciónVariable; necesita límites

Cómo fallan los sistemas multiagente

Los modos de fallo son en su mayoría los mismos en todos los patrones.

  • Errores correlacionados. Los agentes que comparten modelo e instrucciones parecidas comparten puntos ciegos. Tres revisores que pasan por alto el mismo error no son tres veces más seguros que uno.
  • Comprobar resúmenes en lugar de evidencias. Un revisor que lee la descripción del cambio que hizo el desarrollador, en lugar del diff, está comprobando una afirmación. Pasa artefactos reales entre los agentes: diffs, salidas de pruebas, mensajes de error.
  • Pérdida de contexto en los traspasos. Cada agente solo ve lo que se le da. Las restricciones mencionadas al principio de la tarea pueden desaparecer en el cuarto paso.
  • Confundir acuerdo con corrección. Que varios agentes lleguen a la misma conclusión no demuestra que sea correcta, sobre todo si leen la salida de los demás.
  • Multiplicación del costo. Cada agente vuelve a leer el contexto. Un flujo de trabajo con muchos pasos puede costar muchas veces lo que cuesta la ejecución de un solo agente.

Las mitigaciones también son las mismas: instrucciones distintas para roles distintos, evidencias reales para cada paso de comprobación, límites de rondas, de tiempo y de gasto, y una persona que apruebe el resultado.

Cómo elegir un patrón

Empieza por la disposición más sencilla que incluya una comprobación independiente: un pipeline corto cuyos últimos pasos revisen el cambio real y ejecuten pruebas reales. Añade perspectivas paralelas cuando la calidad de la revisión importe más que el costo, debate cuando lo difícil sea la decisión y no el código, y orquestación solo para tareas que de verdad no caben en el contexto de un agente. Añade un agente cuando compruebe algo que los demás no comprueban.

Cómo lo hace AI CodeOps

Las sesiones de AI CodeOps ejecutan uno de los 16 flujos de trabajo integrados, cada uno una lista fija de pasos que ejecutan agentes con nombre. El predeterminado, Plan, Build, Review & Test, es un pipeline. Parallel Review tiene revisiones de corrección, de seguridad y de cobertura de pruebas seguidas de un paso de fusión. Swarm Inspection da porciones de revisión, de seguridad y de pruebas a pasos separados y las fusiona. En Architecture Debate, dos arquitectos proponen enfoques, un crítico los revisa y una síntesis final cierra el debate.

En todos los flujos de trabajo, los pasos se ejecutan uno tras otro, y cada uno ve lo que escribieron los anteriores. Las etiquetas parallel, debate y swarm describen cómo se reparte el trabajo, no el momento en que se ejecuta. Nada se decide por votación. El cambio se escribe sobre una copia nueva del repositorio después del paso que lo implementa, y tus pruebas se ejecutan en un sandbox. Los pasos siguientes, como Review y Test, se ejecutan después y leen el cambio escrito y el resultado de las pruebas. A continuación, una pasada de hallazgos aparte revisa el diff real. Después aprueba una persona. Todavía no puedes definir tus propios flujos de trabajo.

Consulta Flujos de trabajo para cada flujo de trabajo integrado y sus pasos, y Revisiones multiagente para ver cómo encajan los pasos de revisión y la pasada de hallazgos.

Preguntas frecuentes

¿Los sistemas multiagente escriben mejor código que un solo agente?

No automáticamente. Repartir el trabajo ayuda cuando cada agente recibe una tarea acotada y cuando la salida de un agente la comprueba de verdad otro. También añade costo y traspasos, así que un solo agente puede ser la mejor opción para tareas pequeñas y bien definidas.

¿Deberían ejecutarse en paralelo los agentes de un flujo de trabajo?

Solo cuando su trabajo es independiente. Ejecutarlos en secuencia es más lento, pero permite que cada paso lea todo lo anterior, que es a menudo lo que hace útil una revisión o una decisión final.

¿Deberían usar todos los agentes el mismo modelo?

No necesariamente. Los agentes con el mismo modelo y prompts parecidos pueden compartir los mismos puntos ciegos. Las instrucciones distintas ayudan, y un modelo distinto para los pasos de revisión puede añadir más independencia.

¿Cómo evitas que los agentes coincidan en el mismo error?

Da a los agentes que comprueban evidencias reales, como el diff real y la salida de las pruebas, en lugar de los resúmenes de los otros agentes; pídeles que busquen problemas en lugar de confirmar, y mantén a una persona aprobando el resultado.