Un agente resuelve una tarea paso a paso. Un sistema multiagente divide la tarea y ejecuta las piezas a la vez.
Cómo funciona
Anthropic describe su función Research como un “orchestrator-worker pattern, where a lead agent coordinates the process while delegating to specialized subagents.” (traducción: patrón orquestador-trabajador, en el que un agente líder coordina el proceso mientras delega en subagentes especializados.) El líder lee la pregunta, planifica, lanza varios subagentes que buscan en paralelo y redacta la respuesta final a partir de sus resúmenes.
Existen otros diseños. El artículo de AutoGen (Wu et al., 2023) describe un framework en el que agentes “customizable, conversable” (traducción: personalizables y conversacionales) hablan entre sí, con personas y con herramientas, y los desarrolladores programan el patrón de conversación en lenguaje natural o en código.
Un ejemplo práctico de una ejecución orquestador-trabajador:
Lead: plan -> start 3 workers
Worker 1: search docs for topic A -> 1,500-token summary
Worker 2: search docs for topic B -> 1,500-token summary
Worker 3: search docs for topic C -> 1,500-token summary
Lead: read 3 summaries -> final answer
Cada trabajador gasta sus propios tokens en buscar y leer. El líder solo ve los resúmenes.
Por qué importa
- Calidad en tareas amplias. Anthropic reporta que una configuración multiagente con un líder Claude Opus 4 y trabajadores Sonnet 4 “outperformed single-agent Claude Opus 4 by 90.2%” (traducción: superó en un 90.2 % a Claude Opus 4 como agente único) en su evaluación interna de investigación.
- Coste en tokens. El mismo artículo dice que los agentes usan unas cuatro veces los tokens de un chat, y los sistemas multiagente “about 15× more tokens than chats.” (traducción: unas 15 veces más tokens que los chats.) También reporta que el uso de tokens por sí solo explicó el 80 % de la varianza del rendimiento en BrowseComp. Más agentes suele significar una factura mayor. El artículo sobre el coste de los sistemas multiagente compara la facturación por token y la tarifa plana.
- Encaje. Anthropic señala que la programación encaja peor, ya que “most coding tasks involve fewer truly parallelizable tasks than research,” (traducción: la mayoría de las tareas de programación implican menos tareas realmente paralelizables que la investigación), y que las tareas con mucho contexto compartido o con dependencias entre agentes se adaptan mal.
- Concurrencia. Los trabajadores en paralelo son solicitudes en paralelo, así que su límite de concurrencia pone techo a la aceleración.
En BroadNet Inference
BroadNet sirve los modelos; la orquestación se ejecuta en su framework. Hay guías para CrewAI y el OpenAI Agents SDK con una URL base de BroadNet.
Una clave de pago por uso permite 30 solicitudes por minuto y 4 en curso. En los planes de tarifa plana para DeepSeek V4.1 Flash no hay medidor de tokens, lo que elimina el multiplicador de tokens de la factura, pero cada sesión ejecuta una solicitud a la vez. Compre una sesión por cada solicitud al modelo que pueda estar en curso al mismo tiempo: tres trabajadores funcionando a la vez necesitan tres sesiones, y cuatro si el líder sigue llamando al modelo mientras ellos trabajan. Ejecutar agentes de programación en paralelo con una API de tarifa plana repasa los patrones habituales.