Encadenamiento profundo de agentes
En esta página
Cadenas de agentes ilimitadas
La API de Mistral Agents no impone ningún límite de profundidad al encadenamiento de agentes. Un agente puede transferir la tarea a un segundo, este a un tercero, y así sucesivamente. Esta libertad permite flujos de trabajo complejos y modulares, pero también pone la responsabilidad de la topología en tus manos: tú decides quién puede llamar a quién. Este mapa determina el comportamiento del sistema tanto como las instrucciones de cada agente individual.
Tres topologías y sus implicaciones
La cadena lineal es el patrón más sencillo: cada agente pasa la tarea al siguiente sin ramificaciones.
Agente A → Agente B → Agente C → Respuesta
Este modelo es ideal para procesos cuyo orden se conoce de antemano y nunca cambia. Un ejemplo típico es buscar, luego analizar y finalmente redactar: no se redacta antes de analizar, ni se analiza antes de buscar.
# Agente de investigación
research = client.beta.agents.create(
model="mistral-large-latest",
name="research",
description="Search for factual information.",
tools=[{"type": "web_search"}]
)
# Agente de análisis
analyst = client.beta.agents.create(
model="mistral-large-latest",
name="analyst",
description="Analyze data and extract insights.",
tools=[{"type": "code_interpreter"}]
)
# Agente de redacción
writer = client.beta.agents.create(
model="mistral-large-latest",
name="writer",
description="Draft professional reports.",
instructions="Write a structured report based on the analyzed data."
)
# Cadena: research → analyst → writer
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
Cada agente conoce solo a su sucesor inmediato: research ignora por completo la existencia de writer. La cadena existe únicamente en las llamadas a update, en ningún otro sitio.
La cadena en estrella responde a la necesidad opuesta: un enrutador central distribuye tareas a especialistas que no se comunican entre sí.
┌→ Agente de búsqueda web
Enrutador ──┼→ Agente calculadora
└→ Agente de redacción
router = client.beta.agents.create(
model="mistral-large-latest",
name="router",
description="Orchestrate requests.",
handoffs=[research.id, analyst.id, writer.id]
)
Aquí, el orden no está predeterminado; es la propia solicitud la que decide el destino. Esta forma encaja con asistentes versátiles donde cada petición pertenece a una competencia específica.
La topología híbrida combina ambas: el enrutador distribuye y los especialistas también pueden transferirse la tarea entre ellos.
┌→ Agente de investigación ──→ Agente de análisis
Enrutador ──┤ │
└→ Agente de redacción ←───────────┘
# Research puede transferir a Analyst
research = client.beta.agents.update(
agent_id=research.id,
handoffs=[analyst.id]
)
# Analyst puede transferir a Writer
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id]
)
# Router puede acceder a todos
router = client.beta.agents.update(
agent_id=router.id,
handoffs=[research.id, analyst.id, writer.id]
)
Esta es la forma más potente, pero también la más difícil de depurar. La misma solicitud puede seguir rutas diferentes en cada ejecución, por lo que el registro de transferencias resulta esencial una vez que sales del entorno de pruebas (sandbox).
Dos pipelines de producción
El procesamiento de datos ilustra el uso natural de la cadena lineal: recopilar, limpiar y visualizar. Los dos últimos pasos emplean la misma herramienta, pero separarlos mantiene limpio cada conjunto de instrucciones: limpiar y representar son tareas distintas.
# Paso 1: Recopilación
collector = client.beta.agents.create(
model="mistral-large-latest",
name="data-collector",
description="Collect data from the internet.",
tools=[{"type": "web_search"}]
)
# Paso 2: Limpieza y transformación
transformer = client.beta.agents.create(
model="mistral-large-latest",
name="data-transformer",
description="Clean and transform raw data.",
tools=[{"type": "code_interpreter"}]
)
# Paso 3: Análisis y visualización
visualizer = client.beta.agents.create(
model="mistral-large-latest",
name="data-visualizer",
description="Create visualizations and charts.",
tools=[{"type": "code_interpreter"}]
)
# Cadena
collector = client.beta.agents.update(agent_id=collector.id, handoffs=[transformer.id])
transformer = client.beta.agents.update(agent_id=transformer.id, handoffs=[visualizer.id])
Un asistente de investigación académica sigue la misma estructura, pero con un tipo de eslabón intermedio diferente. El sintetizador no tiene herramientas: su valor reside enteramente en sus instrucciones, que le piden confrontar fuentes —puntos comunes, divergencias, lagunas— en lugar de simplemente apilarlas.
# Buscador
searcher = client.beta.agents.create(
model="mistral-large-latest",
name="academic-searcher",
description="Search for academic articles and publications.",
tools=[{"type": "web_search"}]
)
# Sintetizador
synthesizer = client.beta.agents.create(
model="mistral-large-latest",
name="synthesizer",
description="Synthesize and compare multiple sources.",
instructions="Identify common points, divergences, and gaps."
)
# Redactor académico
academic_writer = client.beta.agents.create(
model="mistral-large-latest",
name="academic-writer",
description="Structured academic writing with citations.",
instructions="Write in academic format with introduction, methodology, results, discussion."
)
# Pipeline: searcher → synthesizer → writer
searcher = client.beta.agents.update(agent_id=searcher.id, handoffs=[synthesizer.id])
synthesizer = client.beta.agents.update(agent_id=synthesizer.id, handoffs=[academic_writer.id])
Mantener la profundidad bajo control
La ausencia de un límite técnico no es una invitación a excederse. En la práctica, encadenar entre dos y cuatro agentes cubre la gran mayoría de las necesidades. Más allá de cinco, tanto la latencia como el coste aumentan drásticamente. La razón es mecánica: cada agente añade sus propios tokens de contexto, incluidas las instrucciones, sobre un historial de conversación que solo ha crecido desde la primera transferencia. Un quinto agente no trabaja sobre la solicitud inicial, sino sobre todo lo producido por los cuatro anteriores.
Antes de alargar una cadena, pregúntate si ese paso extra merece un agente dedicado o si encaja dentro de las instrucciones de un agente existente. Una directriz de formato, por ejemplo, casi nunca justifica un eslabón adicional.
Ten también en cuenta que un agente no está restringido a un único destino. Puede declarar varios objetivos y elegir en función del contexto.
analyst = client.beta.agents.update(
agent_id=analyst.id,
handoffs=[writer.id, visualizer.id, calculator.id]
)
Este analista derivará la tarea al redactor si el resultado está listo para comunicarse, al visualizador si los datos requieren un gráfico, o a la calculadora si aún falta alguna cifra. La elección depende, como siempre, de las descripciones de los tres destinos: la única información disponible para tomar la decisión.
Puntos clave
- No hay límite de profundidad para el encadenamiento de agentes
- Tres patrones: lineal (A→B→C), en estrella (enrutador→especialistas) e híbrido (grafo)
- Cada agente puede tener múltiples destinos de transferencia
- En producción, limita las cadenas a 2–4 agentes para controlar la latencia y los costes
- Las descripciones de los agentes son cruciales para un enrutamiento eficaz