AI Agent Orchestration

La orquestación de agentes de IA es la capa de coordinación de un sistema compuesto por varios agentes de IA, modelos y herramientas. Decide qué componente se ocupa de cada parte de una tarea, qué contexto recibe cada uno, en qué orden se ejecutan, cómo se pasan el trabajo y cómo se combinan y verifican sus resultados. El orquestador puede ser código convencional con un flujo de control fijo, un LLM que planifica y delega durante la ejecución, o una combinación de ambos. La orquestación convierte un conjunto de especialistas —como un agente de búsqueda, un agente de programación y un modelo de visión artificial— en un sistema que completa tareas que ninguna llamada individual a un modelo de lenguaje grande (LLM) podría resolver.

Qué hace una capa de orquestación#

• Enrutamiento: Envía cada subtarea al agente o modelo más adecuado, a menudo un modelo pequeño y rápido para los pasos sencillos y un modelo de vanguardia para los complejos.
• Gestión del contexto: Proporciona a cada agente solo las instrucciones, los archivos y los resultados anteriores que necesita. Los subagentes que trabajan en ventanas de contexto independientes pueden explorar a fondo y devolver un resumen breve, en vez de llenar el contexto del agente principal.
• Transferencias estructuradas: Pasa resultados entre agentes como datos validados, por ejemplo, JSON con un esquema fijo, para que el siguiente paso pueda confiar en su formato.
• Gestión de errores: Reintenta los pasos fallidos, impone tiempos de espera y límites de presupuesto, y se detiene para solicitar la aprobación de una persona antes de realizar acciones importantes.
• Observabilidad: Registra una traza de cada llamada, resultado de herramienta y decisión para poder localizar y reproducir los fallos.

Patrones habituales de orquestación#

La mayoría de los sistemas combinan varios patrones de orquestación recurrentes:

• Canalizaciones secuenciales: Cada agente trabaja sobre la salida del agente anterior en un orden fijo, por ejemplo, redactar, revisar y traducir.
• Distribución concurrente: Varios agentes trabajan en paralelo con la misma entrada, y un agregador combina sus resultados o decide por votación.
• Orquestador y trabajadores: Un agente principal divide la tarea en subtareas durante la ejecución, las delega en agentes trabajadores y sintetiza sus respuestas. Este patrón jerárquico es adecuado para tareas abiertas cuyos pasos no se pueden enumerar de antemano.
• Traspaso: Un agente transfiere toda la conversación a un especialista más adecuado; por ejemplo, un agente de triaje puede pasar una consulta de facturación a un agente de facturación.
• Chat grupal y debate: Los agentes intervienen por turnos en un hilo compartido, donde critican y amplían las aportaciones de los demás bajo la supervisión de un moderador.
• Evaluador-optimizador: Un agente genera un resultado y otro lo evalúa según unos criterios; el proceso se repite hasta que el resultado los cumple.

Marcos como LangGraph, OpenAI Agents SDK, Agent Development Kit de Google y Microsoft Agent Framework, sucesor de AutoGen y Semantic Kernel, implementan estos patrones como grafos de agentes y herramientas con un estado compartido. Dos protocolos abiertos conectan sus componentes: el Protocolo de contexto del modelo (MCP) conecta agentes con herramientas y datos, y el protocolo de agente a agente (A2A) permite que agentes creados por distintos proveedores deleguen tareas entre sí.

Orquestación y términos relacionados#

• Flujos de trabajo agénticos: Un flujo de trabajo es una secuencia predefinida de llamadas a LLM y herramientas. La orquestación coordina de forma más amplia muchos agentes y flujos de trabajo, y puede estar dirigida por código o por un LLM que planifica durante la ejecución.
• Mezcla de agentes (MoA): Un patrón concurrente concreto en el que varios modelos responden a la misma instrucción y un modelo agregador redacta una única respuesta mejorada. En la orquestación general, se suelen asignar subtareas distintas a agentes diferentes.
• Sistemas de IA compuestos: Término general para los sistemas que combinan modelos, recuperadores y herramientas. La orquestación es la lógica de control que opera dentro de esos sistemas.
• Kubernetes y orquestación de contenedores: Programan y escalan contenedores en varias máquinas. La orquestación de agentes coordina el razonamiento y los pasos que usan herramientas; las plataformas de agentes suelen ejecutarse sobre orquestadores de contenedores.

Orquestación de modelos de visión#

Los sistemas de visión aplican los mismos patrones utilizando modelos como trabajadores: un detector de objetos rápido procesa cada imagen y decide cuáles requieren un especialista más lento. Ultralytics Platform Agents permite crear estos flujos de trabajo visualmente: conecta un bloque de YOLO26 con bloques Gate que comprueban el número de detecciones o los intervalos de confianza, y después con bloques de modelo de visión y lenguaje, conjuntos de datos, Slack y webhook. Así, un flujo de trabajo «YOLO → VLM Monitor» solicita a un VLM que describa una escena solo cuando YOLO detecta a una persona. En Python, el mismo enrutamiento envía una imagen a un trabajador de estimación de pose solo cuando el detector encuentra personas:

from ultralytics import YOLO

# Worker models: a general detector and a pose specialist
detector = YOLO("yolo26n.pt")
pose_worker = YOLO("yolo26n-pose.pt")
image = "https://ultralytics.com/images/bus.jpg"

# Orchestrator step 1: run the detector and read its findings
detections = detector(image)[0]
people = int((detections.boxes.cls == 0).sum())

# Orchestrator step 2: route to the pose worker only when people are present
if people:
    poses = pose_worker(image)[0]
    print(f"{people} people detected, {len(poses.keypoints)} poses estimated")
else:
    print("No people detected, pose worker skipped")

El resultado del detector determina si el segundo modelo llega a ejecutarse; así es como las canalizaciones con compuertas evitan aplicar modelos costosos a imágenes que no los necesitan.

Aplicaciones en el mundo real#

• Fabricación: Cuando un sensor genera una alerta, un orquestador envía fotogramas de la cámara a un agente de inspección de defectos y pide a un agente LLM que busque en los registros de mantenimiento; después, combina ambos resultados en una orden de reparación.
• Procesamiento de documentos: Las páginas escaneadas se envían a trabajadores de detección de objetos y OCR, que extraen tablas y campos; un modelo de razonamiento contrasta los valores extraídos con las políticas, y las páginas con baja confianza se envían a una persona revisora.
• Programación agéntica: Un agente de programación crea subagentes para buscar en el código base, ejecutar pruebas y revisar el diff, y así mantiene su propio contexto libre para el cambio principal.
• Atención al cliente: Un agente de triaje identifica la solicitud y la deriva a agentes de facturación, asistencia técnica o devoluciones, que disponen de las herramientas y los permisos pertinentes.

Costes y modos de fallo#

La orquestación ofrece más capacidades a cambio de tokens y complejidad. En el sistema de investigación multiagente de Anthropic, un agente principal Claude Opus 4 que dirigía subagentes Claude Sonnet 4 superó en un 90,2 % a un único agente Claude Opus 4 en una evaluación interna de investigación. Sin embargo, las ejecuciones multiagente utilizaron unas 15 veces más tokens que las interacciones de chat, por lo que este patrón resulta rentable sobre todo en tareas amplias que pueden dividirse en partes paralelas. La coordinación también crea nuevas formas de fallar: los agentes pueden interpretar mal sus instrucciones, ocultarse información entre sí o detenerse antes de comprobar la tarea. Un estudio sobre por qué fallan los sistemas LLM multiagente clasificó más de 1.600 trazas anotadas de siete marcos en 14 modos de fallo, agrupados en problemas de diseño del sistema, desalineación entre agentes y verificación de tareas.