Estrategias de diseño para sistemas multiagente: lecciones de cuatro implementaciones
Palabras clave:
sistemas multiagente, RAG, MCP, ingeniería de prompts, agentes SDKResumen
La orquestación de sistemas multiagente exige decisiones de diseño. Componentes como la generación aumentada por recuperación (RAG), herramientas externas, memorias heterogéneas, políticas de seguridad y protocolos como Model Context Protocol (MCP) deben integrarse de forma coherente. Esto plantea interrogantes concretas: qué base de datos vectorial utilizar, cuándo delegar tareas entre agentes y cuándo exponer un agente como herramienta de otro. Este trabajo presenta un análisis retrospectivo de cuatro sistemas implementados en distintos entornos: NeuroHire, Doki, MateApp y Ciruelito. En estos sistemas se exploraron distintas formas de orquestación con el OpenAI Agents SDK y el framework LangChain. A partir del análisis se observaron diez estrategias de diseño, entre las que se destacan: la delegación jerárquica entre agentes, RAG con umbralización y conversión explícita de distancia a similitud en FAISS, Quota-Driven Degradation con degradación a un modelo más económico tras superar el límite de uso, y MCP Tool Filter para reducir la superficie de ataque. Estas estrategias abordan problemas observados durante el desarrollo: contexto irrelevante en RAG, gestión de costos en entornos multi-tenant, seguridad en la integración de herramientas, aislamiento de datos y mejora de la mantenibilidad mediante encapsulación y guardrails técnicos.
Descargas
Referencias
Althaf, A. M., Mohammed, M. A., Milanova, M., Talburt, J., & Cakmak, M. C. (2025). Multi-Agent RAG Framework for Entity Resolution: Advancing Beyond SingleLLM Approaches with Specialized Agent Coordination. Computers, 14(12), 525. https://doi.org/10.3390/computers14120525
Anthropic. (2024). Model Context Protocol specification. https://modelcontextprotocol.io/specification/
Guo, T., Chen, X., Wang, Y., Chang, R., Pei, S., Chawla, N. V., Wiest, O., & Zhang, X. (2024). Large Language Model Based Multi-agents: A Survey of Progress and Challenges. En K. Larson (Ed.), Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence (pp. 8048-8057). International Joint Conferences on Artificial Intelligence Organization. https://doi.org/10.24963/ijcai.2024/890
Hong, S., Zhuge, M., Chen, J., Zheng, X., Cheng, Y., Zhang, C., Wang, J., Wang, Z., Yau, S. K. S., Lin, Z., Zhou, L., Ran, C., Xiao, L., Wu, C., & Schmidhuber, J. (2024). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. The Twelfth International Conference on Learning Representations. https://doi.org/10.48550/arXiv.2308.00352
Johnson, J., Douze, M., & Jégou, H. (2021). Billion-scale similarity search with GPUs. IEEE Transactions on Big Data, 7(3), 535-547. https://doi.org/10.1109/TBDATA.2019.2921572
Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-t., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). RetrievalAugmented Generation for Knowledge-Intensive NLP Tasks. Advances in Neural Information Processing Systems, 33, 9459-9474. https://proceedings.neurips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html
Li, X., Wang, S., Zeng, S., Wu, Y., & Yang, Y. (2024). A survey on LLM-based multiagent systems: Workflow, infrastructure, and challenges. Vicinagearth, 1, Artículo 9. https://doi.org/10.1007/s44336-024-00009-2
OpenAI. (2025). OpenAI Agents SDK. https://openai.github.io/openai-agents-python/
Russell, S. J., & Norvig, P. (2004). Inteligencia artificial: un enfoque moderno (J. M. Corchado Rodríguez, Trad.; 2.a ed.). Pearson Educación. https://books.google.com/books/about/Inteligencia_artificial.html?id=yZCVPwAACAAJ
Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Hambro, E., Zettlemoyer, L., Cancedda, N., & Scialom, T. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools. Advances in Neural Information Processing Systems, 36, 68539-68551. https://doi.org/10.52202/075280-2997
White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., SpencerSmith, J., & Schmidt, D. C. (2023). A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. arXiv. https://doi.org/10.48550/arXiv.2302. 11382
Wooldridge, M. (2009). An Introduction to Multiagent Systems (2.a ed.). John Wiley & Sons. https://books.google.com/books/about/An_Introduction_to_MultiAgent_Systems.html?id=X3ZQ7yeDn2IC
Wu, Q., Bansal, G., Zhang, J., Wu, Y., Li, B., Zhu, E., Jiang, L., Zhang, X., Zhang, S., Liu, J., Awadallah, A. H., White, R. W., Burger, D., & Wang, C. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv. https://doi.org/10.48550/arXiv.2308.08155
Xi, Z., Chen, W., Guo, X., He, W., Ding, Y., Hong, B., Zhang, M., Wang, J., Jin, S., Zhou, E., Zheng, R., Fan, X., Wang, X., Xiong, L., Zhou, Y., Wang, W., Jiang, C., Zou, Y., Liu, X., . . . Gui, T. (2025). The Rise and Potential of Large Language Model Based Agents: A Survey. Science China Information Sciences, 68(2). https://doi.org/10.1007/s11432-024-4222-0
Xie, Y., Jiang, B., Mallick, T., Bergerson, J., Hutchison, J. K., Verner, D. R., Branham, J., Alexander, M. R., Ross, R. B., Feng, Y., Levy, L.-A., Su, W. J., & Taylor, C. J. (2025). MARSHA: Multi-agent RAG system for hazard adaptation. npj Climate Action, 4, Artículo 70. https://doi.org/10.1038/s44168-025-00254-1
Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. The Eleventh International Conference on Learning Representations. https://doi.org/10.48550/arXiv.2210.03629
Yin, R. K. (2018). Case Study Research and Applications: Design and Methods (6.a ed.). SAGE Publications. https://www.sagepub.com/shop/buy-a-book/case-studyresearch-and-applications-6-250150
Zheng, L., Chiang, W.-L., Sheng, Y., Zhuang, S., Wu, Z., Zhuang, Y., Lin, Z., Li, Z., Li, D., Xing, E. P., Zhang, H., Gonzalez, J. E., & Stoica, I. (2023). Judging LLM-asa-Judge with MT-Bench and Chatbot Arena. Advances in Neural Information Processing Systems, 36, 46595-46623. https://doi.org/10.52202/075280-2020
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Lucía Covarrubias, Tomás Rivero, Ignacio Bosch
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
