🐝 Multi-Agent Architecture Patterns

Esta habilidad permite diseñar y coordinar sistemas compuestos por múltiples instancias de modelos de lenguaje (agentes), cada uno con su propia ventana de contexto. La arquitectura multi-agente es la solución definitiva para tareas cuya complejidad excede la capacidad de razonamiento de un solo contexto saturado.

Mental Model: Los sub-agentes no son solo roles ("investigador", "escritor"); son unidades de aislamiento de contexto. Su propósito principal es particionar el conocimiento para mantener una alta densidad de señal en cada paso del proceso.

🚩 Fragilidad y Autonomía

Fragilidad: Alta. La coordinación mal diseñada introduce latencia masiva y pérdida de información (efecto "teléfono descompuesto").
Libertad: Muy Alta en la elección del patrón de orquestación según la naturaleza de la tarea.

🚀 Cuándo Activar

Cuando una tarea requiere manejar múltiples dominios técnicos simultáneamente.
Para paralelizar sub-tareas independientes (ej. investigar 5 librerías a la vez).
Al notar que el agente principal se distrae o "alucina" debido al ruido del contexto acumulado.
Para implementar procesos de revisión y crítica adversarial (Debate Pattern).

🧠 Patrones de Arquitectura

1. Supervisor / Orchestrator

Un agente central controla el flujo, descompone la tarea y delega a especialistas.

Uso: Tareas con pasos secuenciales claros y necesidad de supervisión humana.
Riesgo: El supervisor se convierte en un cuello de botella de contexto.

2. Peer-to-Peer / Swarm

Los agentes se pasan el control directamente entre sí mediante protocolos de "handoff".

Uso: Exploración flexible, soporte al cliente, flujos de trabajo dinámicos.
Ventaja: Elimina el sesgo de paráfrasis del supervisor.

3. Hierarchical (Jerárquico)

Estructura de capas: Estratégica -> Planificación -> Ejecución.

Uso: Proyectos masivos, migraciones de código a gran escala, gestión de monorepos.

🛠️ Implementación en Gemini Elite Core

Patrón: The Direct Pass-Through (Fixing the Telephone Game)

Evita que el supervisor resuma la salida del trabajador. Usa una herramienta forward_to_user para que el especialista hable directamente.

<TOOL_CALL: forward_to_user>
{
  "message": "[Contenido técnico crudo y preciso generado por el especialista]",
  "reason": "Evitar pérdida de fidelidad en la síntesis del supervisor."
}
</TOOL_CALL>

Patrón: Parallel Research Swarm

Dispara N agentes en paralelo y consolida sus hallazgos en un archivo de "findings".

Planner: Crea N tareas de investigación.
Workers: Ejecutan en paralelo sobre sandboxes aislados.
Consolidator: Lee todos los resultados y genera el informe final.

🔗 Integraciones

context-optimization: El particionamiento multi-agente es la forma más pura de optimización.
memory-systems: Uso de memorias compartidas (Durable Objects, Disk) para la coordinación.
evaluation: Validación de la calidad de la síntesis entre agentes.

📚 Referencias Internas

references/frameworks.md: Detalles técnicos de implementación para LangGraph, AutoGen y CrewAI. Patrones de consenso y recuperación de fallos.

multi-agent-patterns