Módulo 04 — Multi-Agentes y Orquestación

Las analogías que lo explican todo

Analogía 1 — Pit Crew F1

Cuando un monoplaza entra al pit stop, 21 mecánicos trabajan simultáneamente. En 2.4 segundos el coche sale con todo cambiado. Un solo mecánico en secuencia tomaría ~40 segundos — la carrera estaría perdida.

Eso es multi-agente: asignar a cada agente una pieza de trabajo especializada, ejecutar en paralelo, reunir los resultados. El Team Lead es el jefe de mecánicos que coordina sin tocar la rueda él mismo.

Analogía 2 — Control de Tráfico Aéreo

El controlador ATC no pilota ningún avión. Orquesta: conoce el estado de cada aeronave, asigna altitudes y vectores, detecta conflictos. Cada piloto (agente) ejecuta de forma autónoma en su cockpit (contexto).

Esta es la arquitectura orchestrator-subagent: el orquestador tiene visión global pero no ejecuta código directamente.

Números del mercado

1,445%

Aumento en consultas sobre multi-agente

Q1 2024 → Q2 2025 — Gartner

40%

Apps enterprise con agentes específicos

Proyección fin 2026 (vs <5% en 2025)

150+

Organizaciones en protocolo A2A

Linux Foundation — abr 2026

15×

Tokens vs. chat simple

Costo multi-agente — Anthropic 2025

⚠️ La trampa más común: Multi-agente no siempre es mejor. El 15× en tokens significa que debes justificar el costo. Para tareas simples, un agente único es más eficiente.

Los 5 niveles de paralelismo

Nivel	Mecanismo	Coordinación	Aislamiento
1	Subagentes (Task tool)	Dentro de 1 sesión, reportan al padre	Contexto propio
2	Worktrees manuales	Tú coordinas externamente	Git worktree separado
3	Agent Teams	Automatizada por Team Lead	Contexto propio + directorio compartido
4	Frameworks externos	Según framework (LangGraph, CrewAI…)	Variable
5	Protocolo A2A	Estándar abierto cross-vendor	Por agente (vendor-agnostic)

Los 5 patrones de orquestación

Analogía — El Detective Poirot

Poirot no recoge huellas dactilares él mismo. Envía ayudantes a cada escena. Él formula hipótesis, delega investigación, analiza reportes y llega a la conclusión. Anthropic, Cognition, OpenAI y LangChain convergieron en este patrón como arquitectura de referencia en 2026.

1. Orchestrator-Workers

Orchestrator
├── Worker A (módulo auth)
├── Worker B (módulo API)
└── Worker C (tests)
↓ consolida

Ideal: Features independientes en paralelo

Riesgo: Overhead si las tareas son simples

2. Pipeline Secuencial

Agente A → Agente B → Agente C
(analiza) (escribe) (prueba)

Salida de A es entrada de B

Ideal: Dependencias estrictas entre pasos

Riesgo: Cuello de botella si uno falla

3. Paralelo con Merge

Agente 1 ──┐
Agente 2 ──┼──→ Reducer
Agente 3 ──┘

N investigadores → 1 síntesis

Ideal: Investigación, análisis comparativo

Riesgo: Contexto de merge puede ser grande

4. Swarm Auto-coordinado

Task List compartida
├── Agente 1 (reclama T1)
├── Agente 2 (reclama T2)
└── Agente 3 (reclama T3)
Sin coordinador central

Ideal: Trabajo masivo distribuido

Riesgo: Difícil debuggear — emergente

5. Especialistas + Generalist

Security Expert ──┐
Perf Expert ───┼──→ Generalist
UX Expert ──────┘

Expertos + integrador

Ideal: Proyectos multidisciplinarios

Riesgo: El generalist puede ser bottleneck

Código: Orchestrator-Workers en Python

import anthropic
import asyncio

async def orchestrate_refactor(codebase_path: str):
    # El orquestador NO ejecuta código — solo coordina
    client = anthropic.Anthropic()

    orchestrator_prompt = f"""
    Eres un orquestador de refactorización.
    Codebase: {codebase_path}
    Delega en paralelo:
    1. Agente explore → analiza dependencias
    2. Agente security-reviewer → audita vulnerabilidades
    3. Agente performance-analyzer → identifica bottlenecks
    Cuando todos reporten, consolida y define plan.
    """

    # Cada subagente devuelve UN string resumido
    # El orquestador mantiene su contexto limpio
    response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=8096,
        system=orchestrator_prompt,
        messages=[{"role": "user", "content": "Inicia refactorización"}]
    )
    return response

async def swarm_parallel(topics: list[str]) -> list:
    """Swarm puro: N agentes sin coordinador central"""
    client = anthropic.Anthropic()

    async def research_agent(topic, idx):
        response = await asyncio.to_thread(
            client.messages.create,
            model="claude-haiku-4-5-20251001",  # Haiku → velocidad/costo
            max_tokens=2048,
            messages=[{"role": "user",
                       "content": f"Investiga: {topic}. Devuelve JSON."}]
        )
        return {"agent": idx, "topic": topic,
                "findings": response.content[0].text}

    tasks = [research_agent(t, i) for i, t in enumerate(topics)]
    return await asyncio.gather(*tasks)
  

Anti-patrones vs Correctos

❌ Orquestador que ejecuta directamente

# El orquestador hace el trabajo del worker
import subprocess
result = subprocess.run(["grep", "-r", "TODO", "."])
# ❌ Mezcla responsabilidades

✅ Orquestador que siempre delega

# El orquestador coordina, no ejecuta
agent.task(
    "Encuentra TODOs y clasifícalos por"
    "prioridad. Devuelve JSON."
)
# ✅ Separación de responsabilidades

❌ Archivos compartidos sin coordinación

# Conflicto de merge garantizado
agente_a: src/auth/login.ts
agente_b: src/auth/login.ts  # ❌ MISMO ARCHIVO

✅ Ownership claro + worktrees

# Cada agente dueño de sus archivos
agente_a (worktree-a): src/auth/
agente_b (worktree-b): src/payments/
# ✅ Sin conflictos — merge al final

Agent Teams y Swarm Mode

Analogía — Sala de Guerra del D-Day

El General Eisenhower no disparó un solo tiro. Su cuartel recibía reportes de todos los frentes, emitía órdenes, y los generales de campo ejecutaban con autonomía. La sala de guerra = Team Lead. Los generales = Teammates.

ℹ️ Estado actual (mayo 2026): Agent Teams es research preview. Requiere CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1 y Claude Code v2.1.32+. No usar en producción crítica.

// settings.json — habilitar Agent Teams
{
  "env": {
    "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
  },
  "teammateMode": "in-process"  // "split-panes" | "auto"
}
  

Componentes del equipo

Team Lead

Sesión principal. Spawna teammates y coordina. Visión global. No ejecuta trabajo de worker.

Teammates

Instancias separadas con su propio contexto. Ejecutan de forma autónoma y reportan.

Task List

Lista compartida visible por todos. File locking previene race conditions al reclamar tareas.

Mailbox

Mensajería 1:1 entre agentes. Para broadcast: enviar uno por destinatario.

Subagentes vs Agent Teams

Aspecto	Subagentes	Agent Teams
Comunicación	Solo reportan al padre	Se comunican directamente entre sí
Coordinación	El padre gestiona todo	Task list compartida, auto-coordinación
Costo tokens	Menor — resultados resumidos	Mayor — cada teammate es instancia separada
Debugging	Trazable — árbol de llamadas	Más complejo — múltiples contextos
Escala óptima	1–10 subagentes	3–5 teammates (sweet spot)

Swarm Mode: inteligencia emergente sin coordinador central

Analogía — Colonia de Hormigas

Ninguna hormiga tiene visión global. Cada una sigue reglas locales simples. El comportamiento complejo emerge de interacciones entre miles de agentes. Swarm: inteligencia emergente sin coordinador central. Lanzado con Claude Sonnet 5 en 2026.

Aspecto	Agent Teams	Swarm
Coordinación	Team Lead central	Distribuida / emergente
Comunicación	Mailbox estructurado	Task list compartida
Escalabilidad	3–5 teammates	N agentes (decenas posibles)
Debugging	Relativamente trazable	Complejo — emergente

Hooks para Agent Teams

Hook	Evento	Exit code 2 =
`TeammateIdle`	Teammate a punto de quedar idle	Feedback + mantenerlo trabajando
`TaskCreated`	Tarea siendo creada	Prevenir creación + feedback
`TaskCompleted`	Tarea marcada como completa	Prevenir completar + pedir revisión

Mejores prácticas (Addy Osmani, 2026)

Sweet spot: 3–5 teammates. 5–6 tareas por teammate
Ownership: Cada teammate dueño de archivos DIFERENTES — nunca compartir
Sincronización: Si el líder empieza a implementar solo, decirle "Espera a tus teammates"
Nuevo en el rol: Empezar con tareas que no requieran escribir código
Supervisión: No dejar el equipo sin supervisión más de 10–15 minutos
Contexto al spawnar: Incluir detalles específicos, no solo "revisa el código"

Protocolo A2A: interoperabilidad cross-vendor

Analogía — TCP/IP de los Agentes

Antes de TCP/IP, cada red era una isla. El protocolo A2A hace lo mismo para agentes: Claude puede hablar con un agente de Microsoft, Google o cualquier sistema compatible, sin importar quién lo construyó.

Abr 2025

Anuncio de Google

Apache-2.0 — estándar abierto

Abr 2026

Linux Foundation

Gobernanza transferida

150+

Organizaciones adheridas

En 1 año de vida

Stack de interoperabilidad

APLICACIÓN / USUARIO

El flujo de trabajo que quiere ejecutar

A2A Protocol — Agent ↔ Agent

Delegación entre agentes autónomos de distintos vendors

MCP Protocol — Agent → Tool

Acceso a herramientas pasivas: bases de datos, APIs

HTTP / Server-Sent Events / JSON-RPC 2.0

Transporte estándar — cualquier lenguaje, cualquier plataforma

MCP vs A2A — diferencia fundamental

Aspecto	MCP	A2A
Dirección	Agente → Herramienta	Agente → Agente
El peer es	Pasivo (provee capacidad)	Activo (razona, planifica)
Ejemplo	Claude llama a base de datos	Claude delega a agente Microsoft
Relación	Complementarios — ambos necesarios en sistemas complejos

Componentes técnicos del A2A

Componente	Descripción	Analogía
Agent Card	JSON en `/.well-known/agent.json` — skills, auth, SLAs	Tarjeta de presentación
Task	Unidad de trabajo con estado (submitted/working/completed/failed)	Ticket de soporte
Message	Comunicación durante una tarea (text, file, data)	Comentario en el ticket
Artifact	Output producido por el agente	Entregable del ticket
Push Notifications	Webhook para updates async sin polling	Notificación automática

Agent Card: ejemplo real

// /.well-known/agent.json — el agente se anuncia al mundo
{
  "name": "SecurityAuditAgent",
  "description": "Audits code for OWASP Top 10 vulnerabilities",
  "version": "2.1.0",
  "url": "https://security.mycompany.com/agent",
  "skills": [{
    "id": "owasp-audit",
    "name": "OWASP Security Audit",
    "inputModes": ["text", "file"],
    "outputModes": ["text", "data"]
  }],
  "authentication": { "schemes": ["bearer"] },
  "capabilities": {
    "streaming": true,
    "pushNotifications": true
  }
}
  

Ecosistema de protocolos 2026

Protocolo	Origen	Propósito	Adopción
MCP	Anthropic (nov 2024)	Agent → Tool	>5,000 tools, todos los vendors
A2A	Google (abr 2025)	Agent → Agent	150+ orgs, Linux Foundation
ACP	IBM / BeeAI (2025)	REST-based agent comms	Emergente
UCP	Multi-vendor (2025)	Universal Control Plane	Experimental

Frameworks multi-agente comparados

Analogía — Sistemas Operativos

LangGraph, CrewAI y AutoGen son como Windows, Linux y macOS: todos sirven para ejecutar programas con filosofías diferentes. Claude Code es la aplicación que corre sobre cualquiera de ellos. La elección depende del stack existente.

LangGraph

LangChain · Grafos de estado

Flujos complejos con ciclos y estado explícito

✅ Claude vía LangChain Anthropic

CrewAI

Independiente · Role-based

Equipos de agentes con roles definidos — rápido de implementar

✅ Native support

AutoGen

Microsoft · Conversacional

Diálogo multi-agente, negociación entre agentes

✅ Anthropic adapter

Google ADK

Google · Microservices

Stack Google Cloud, integración A2A nativa

✅ Vía A2A protocol

OpenAI Agents SDK

OpenAI · Handoffs nativos

Si ya usas OpenAI — handoffs entre agentes

❌ Solo modelos OpenAI

Claude Agent SDK

Anthropic · Native

Sistemas Claude-first con Skills y MCP

✅ Nativo

Claude Agent SDK vs OpenAI Agents SDK

Aspecto	OpenAI Agents SDK	Claude Agent SDK
Modelos	GPT-4o, o3, o1	Claude Haiku, Sonnet, Opus
Handoffs	Nativo (patrón central)	Via Task tool o AgentDefinition
Auth providers	Azure OpenAI, OpenAI direct	Anthropic, Bedrock, Vertex, Azure Foundry
Skills estándar	❌ Herramientas como funciones	✅ SKILL.md estándar abierto
Protocolo inter-vendor	En proceso	A2A compatible

Costo de tokens por arquitectura

Escenario	Multiplicador vs. chat	Cuándo justifica
Agente único con tools	3–5×	Siempre — overhead mínimo
Subagentes (1 + 3 workers)	8–12×	>30 min de trabajo manual ahorrado
Agent Teams (5 teammates)	15–25×	>2h de trabajo especializado
Swarm (10+ agentes)	30–50×	Trabajo masivo de días

🧮 Regla de ROI: Justifica multi-agente solo si tiempo ahorrado > costo tokens × precio. Para $0.50 en tokens → necesitas ahorrar 5+ minutos de trabajo humano a $100/hora.

Casos reales en producción

🤖 Cognition Devin — "Devin Managing Devins" (marzo 2026)

B — FlowHunt 2026 ▼

El arco completo de quien primero rechazó y luego abrazó multi-agente:

Fecha	Hito	Resultado
Sep 2024	Devin lanza como agente individual	$1M ARR
Jun 2025	"Don't Build Multi-Agents" — abogando por single-thread	$73M ARR (73× en 9 meses)
Mar 2026	"Devin can now Manage Devins" — orquestador de múltiples Devins	Patrón orchestrator-workers

📐 Arquitectura final: Coordinador (scope + assign) → N Devins en VMs aisladas (ejecutan) → Coordinador (compila). Lección: Incluso quienes rechazaron multi-agente convergieron al patrón orquestador-workers al escalar.

🐜 Isara — 2,000 agentes coordinando en tiempo real

B — VKTR / MLQ.ai 2026 ▼

Financiamiento: $94M liderado por OpenAI a valoración de $650M
Arquitectura: Swarm puro — sin coordinador central, agentes con reglas locales
Demo: ~2,000 agentes coordinándose para forecasting de precios de oro
Caso de uso: Inteligencia emergente de coordinación masiva, no superinteligencia individual

🔐 Wiz — 50,000 líneas Python→Go en ~20 horas con agentes paralelos

B — Múltiples fuentes técnicas ▼

Wiz (adquirida por Google por $32B) migró 50,000 líneas Python a Go con múltiples instancias de Claude Code en paralelo, cada una dueña de módulos distintos. Git worktrees para aislamiento completo.

50K

Líneas migradas

~20h

Tiempo total

vs. semanas manual

🔑 Lección: El aislamiento por worktrees fue crítico. Sin ownership claro de archivos, los agentes paralelos habrían colisionado.

📦 Block (Square) — 100+ skills multi-agente, 3× más rápido en incidentes

B — Anthropic customers 2026 ▼

Un agente generalista de incident response lanza simultáneamente: skill de logs, skill de alertas, skill de runbooks, skill de comunicación. El orquestador consolida y genera el plan de acción.

100+

Skills internas

3×

Reducción tiempo incidentes

🛡️ Trail of Bits — Threat modeling paralelo por vector de ataque

C — Comunidad seguridad ▼

Un agente por vector de ataque simultáneo: injection, authentication, authorization, cryptography, configuration. Un agente consolidador integra hallazgos y prioriza por severidad.

2–3 días

Review manual por expertos

4–6 horas

Con agentes paralelos

Hallazgos comparables

Árbol de decisión

¿Las tareas son secuenciales o paralelas? │ ├─── SECUENCIALES → Agente único con pipeline de herramientas │ └─── PARALELAS → ¿Cuánta coordinación necesitan entre sí? │ ├─── NULA (solo reportan resultado final) │ └─── Subagentes vía Task tool │ ├─── 1–3 agentes → Task tool directo │ └─── 4+ agentes → Agent Teams o Swarm │ ├─── MEDIA (comparten hallazgos, no deciden juntos) │ └─── Agent Teams │ ├─── 3–5 agentes → Agent Teams nativo (experimental) │ └─── 6+ agentes → LangGraph / CrewAI / AutoGen │ └─── ALTA (se desafían, negocian, auto-coordinan) └─── Swarm Mode ├─── Sin interop cross-vendor → Claude Swarm nativo └─── Con interop cross-vendor → Protocolo A2A + Agent Cards

Cuándo SÍ usar

🔀 Módulos independientes en paralelo 🔍 Investigación multi-ángulo 🐛 Debugging con hipótesis competidoras 🧪 Cross-layer (front + back + tests) 👁️ Code review multi-perspectiva

Cuándo NO usar

⛓️ Dependencias secuenciales fuertes 📄 Edición de los mismos archivos 💰 Tokens muy limitados 🔍 Trazabilidad perfecta requerida 📌 Overhead > beneficio para tareas simples

Limitaciones actuales confirmadas

Limitación	Descripción	Workaround
Sin session resumption	`/resume` no restaura teammates	Usar split panes; guardar estado en archivos
Sin anidamiento de subagentes	Subagentes no pueden lanzar subagentes	Orquestador centralizado siempre
Teammates sin historial del líder	Empiezan solo con CLAUDE.md	Contexto explícito en spawn prompt
Skills ignoradas en teammates	Campos `skills` no se aplican cuando corre como teammate	Configurar skills a nivel proyecto

Honestidad epistémica y fuentes

[A] Verificado — Docs oficiales Anthropic [B] Ampliamente reportado — Múltiples fuentes técnicas [C] Heurística comunitaria — Sin estudio controlado

⚙️ Módulo 04: Multi-Agentes y Orquestación