Glosario
74 términos de «De los bucles a los grafos: ingeniería de orquestación para sistemas de agentes». Pasa el cursor sobre la primera aparición en la lección para ver la definición.
| Término | Definición | Fuente |
|---|---|---|
| flujo de trabajo | Un sistema donde los LLM y las herramientas se orquestan a través de caminos de código predefinidos: los pasos están fijados en duro, y el modelo solo es autónomo dentro de cada paso individual. Es una de las dos mitades de una distinción arquitectónica; los cinco patrones que enseña este curso pertenecen todos a este extremo. | Building Effective AI Agents — Anthropic Engineering |
| agente | Un sistema donde los LLM dirigen dinámicamente sus propios procesos y mantienen el control sobre cómo cumplen las tareas. La implementación suele ser sencilla: típicamente solo LLM que usan herramientas basándose en la retroalimentación del entorno, dentro de un bucle. | Building Effective AI Agents — Anthropic Engineering |
| encadenamiento | Encadenamiento de prompts: descomponer una tarea en una secuencia de pasos donde cada llamada al LLM procesa la salida de la anterior, con comprobaciones programáticas insertables entre pasos. Encaja cuando las tareas se pueden descomponer limpiamente en subtareas fijas. | Building Effective AI Agents — Anthropic Engineering |
| enrutamiento | Clasificar primero una entrada y después despacharla hacia tareas de seguimiento especializadas, a cambio de separación de responsabilidades y prompts más especializados. Prerrequisito: que las categorías sean distintas y que la clasificación misma se pueda resolver con precisión. | Building Effective AI Agents — Anthropic Engineering |
| paralelización | Un flujo de trabajo donde los LLM manejan varias subtareas de forma simultánea y las salidas se agregan programáticamente, con dos variantes: seccionamiento y votación. | Building Effective AI Agents — Anthropic Engineering |
| seccionamiento | Partir una tarea en subtareas mutuamente independientes y ejecutarlas en paralelo, como revisar 12 documentos uno por cada camino. | Building Effective AI Agents — Anthropic Engineering |
| votación | Ejecutar la misma tarea varias veces para obtener salidas diversas, y después agregar por código. | Building Effective AI Agents — Anthropic Engineering |
| orquestador-trabajadores | Un flujo de trabajo donde un LLM central descompone dinámicamente las tareas, las delega a LLM trabajadores y sintetiza sus resultados. La clave es que las subtareas no están predefinidas: las determina el orquestador a partir de la entrada concreta. | Building Effective AI Agents — Anthropic Engineering |
| evaluator-optimizer | Un LLM genera una respuesta mientras otro aporta evaluación y retroalimentación en un bucle, repitiendo hasta que pase o deje de progresar. Encaja cuando los criterios de evaluación son claros y el refinamiento iterativo aporta valor medible. | Building Effective AI Agents — Anthropic Engineering |
| compuerta | Una comprobación programática (no otra llamada al modelo) dentro de una cadena o un bucle, que usa código para hacer chequeos deterministas —la misma entrada da siempre la misma conclusión—, usada para bloquear resultados intermedios que no califican. | Building Effective AI Agents — Anthropic Engineering |
| bucle de arnés | El bucle while guiado por stop_reason: enviar el mensaje, revisar el motivo de parada, si es tool_use ejecutar las herramientas y devolver el resultado, si no devolver el texto. Todo «nodo» de este curso ejecuta este bucle por dentro. | Building Effective AI Agents — Anthropic Engineering |
| stop_reason | El campo de cada respuesta del modelo que declara «por qué se detuvo este turno», del que depende el bucle de arnés para decidir si sigue llamando herramientas o cierra. | Building Effective AI Agents — Anthropic Engineering |
| máximo de rondas | El techo de iteraciones fijado para un bucle, un fusible: garantiza que el código se detenga bajo cualquier circunstancia. Mantiene el control, no juzga la calidad. | Building Effective AI Agents — Anthropic Engineering |
| fusible | La metáfora de este curso para las condiciones de parada de repliegue del tipo «máximo de rondas»: normalmente no debería dispararse, y que se dispare significa que otros mecanismos de parada no lo atraparon. | Building Effective AI Agents — Anthropic Engineering |
| verificador determinista | Un comprobador que puede juzgar correcto o incorrecto por código: si el código lo puede juzgar, no gastes dinero preguntándole al modelo. Este curso lo movió del «estado final» a «entre los eslabones de la cadena». | Building Effective AI Agents — Anthropic Engineering |
| puntuación por capas | Usa código para juzgar lo que el código puede juzgar primero, y entrégale al modelo solo lo que el código no puede. Este curso copió esta disciplina tal cual al ordenamiento de los nodos del bucle (compuerta antes del juez). | Building Effective AI Agents — Anthropic Engineering |
| demostrablemente | Solo considera añadir complejidad cuando mejora demostrablemente los resultados: cada nodo o capa de patrón que agregues tiene que pasar por esta compuerta. | Building Effective AI Agents — Anthropic Engineering |
| quién tiene el plan | El eje para juzgar en qué extremo del espectro de determinismo cae un sistema: ¿el plan está en manos del código (flujo de trabajo) o en manos del modelo (agente)? | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| el script del flujo de trabajo retiene él mismo el bucle, las bifurcaciones y los resultados intermedios | La oración de los materiales primarios que describe el flujo de trabajo, y también el único ancla primaria de la metáfora del «grafo» de este curso: el plan está en el script, y el contexto del modelo retiene solo la respuesta final. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| rastreo incremental | El runtime rastrea incrementalmente el resultado de cada agente a medida que avanza la ejecución. Esto es lo que hace que una ejecución sea reanudable dentro de la misma sesión; la reanudación entre procesos todavía exige que persistas tú mismo el estado a disco. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| revisar-corregir-revisar | La forma de producto del bucle de revisión: ejecutar un verificador, corregir lo que falló, y repetir hasta que pase o deje de haber progreso. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| no hay más progreso | Un mecanismo de parada más inteligente que el máximo de rondas: vigila si esta ronda superó a la anterior (el puntaje no subió, la cantidad de ítems que fallan no bajó); si no mejoró, corta pérdidas. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| revisión cruzada adversarial | Hacer que agentes independientes revisen de forma adversarial los hallazgos de los demás antes de reportar. Es una revisión cruzada única antes de reportar, sin arista de retorno ni iteración; meterla dentro del bucle de revisión es una categorización de esta lección, no que el texto original describa la misma topología. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| componer patrones en un grafo | La metáfora de ingeniería propia de este curso, no terminología oficial: un sistema de visualización usado para aclarar relaciones al combinar los cinco patrones. Su único ancla primaria es «el script del flujo de trabajo retiene él mismo el bucle, las bifurcaciones y los resultados intermedios». | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| nodo | Un punto en la visualización de este curso: por dentro es o bien un bucle runAgent completo o bien un trozo de código puro. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| arista de retorno | La línea de un bucle de revisión que manda la salida de vuelta al nodo de generación. Los primeros cuatro patrones son todos líneas rectas; el bucle de revisión es el primero con una arista de retorno. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| punto de bifurcación | Un punto en la visualización de este curso para el enrutamiento, donde se «recorren aristas distintas según el resultado del juicio»: corresponde a la bifurcación en el código. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| 16 agentes concurrentes | El techo de concurrencia del runtime de flujos de trabajo de Claude Code, menor cuando la CPU está limitada; tope total de 1000 agentes por ejecución. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| 90,2 % | La mejora del sistema multiagente sobre el de agente único, que solo se sostiene con el contexto completo: su evaluación interna de investigación, con un agente principal Opus 4 y subagentes Sonnet 4, destacando especialmente en consultas de amplitud primero. | How we built our multi-agent research system — Anthropic Engineering |
| 4× | Según sus propios datos, los agentes consumen unas 4× los tokens de las interacciones de chat. | How we built our multi-agent research system — Anthropic Engineering |
| 15× | Según sus propios datos, los sistemas multiagente consumen unas 15× los tokens de las interacciones de chat; para ser económicamente viable, el valor de la tarea tiene que ser lo bastante alto como para justificar esa mejora. | How we built our multi-agent research system — Anthropic Engineering |
| 90 % | Tras introducir dos niveles de paralelismo (el agente principal levanta 3 a 5 subagentes en paralelo, los subagentes usan 3 o más herramientas en paralelo), el porcentaje máximo en que se recortó el tiempo de investigación para consultas complejas. Es un número de latencia, no de calidad. | How we built our multi-agent research system — Anthropic Engineering |
| prompts de delegación | La descripción de tarea que el orquestador le entrega a cada trabajador. Los prompts de delegación deben ser autocontenidos, con los cuatro elementos completos; si no, los trabajadores duplican trabajo, dejan huecos o no logran encontrar la información necesaria. | How we built our multi-agent research system — Anthropic Engineering |
| cuatro elementos | Las cuatro secciones que un despacho que califica tiene que escribir completas: objetivo, formato de salida, guía sobre herramientas y fuentes, y límites claros de la tarea. | How we built our multi-agent research system — Anthropic Engineering |
| reglas de cuota | La calibración de escala escrita en el prompt del orquestador: especificar la cantidad de subagentes y el techo de llamadas a herramientas por subagente según la complejidad de la tarea, porque a los agentes les cuesta juzgar por sí mismos el esfuerzo apropiado. | How we built our multi-agent research system — Anthropic Engineering |
| reglas de escalado | Las reglas de escalado de ejemplo que ellos incrustaron en los prompts: búsqueda simple de datos 1 agente 3-10 llamadas; comparaciones directas 2-4 subagentes 10-15 llamadas cada uno; investigación compleja más de 10 subagentes con división clara. | How we built our multi-agent research system — Anthropic Engineering |
| ejecución síncrona | El modo de ejecución donde el orquestador espera a que todos los trabajadores terminen antes de continuar. Cuello de botella: un paso estanca a toda la tanda en espera, y los resultados vuelven todos al orquestador. | How we built our multi-agent research system — Anthropic Engineering |
| pasa referencias, no cargas útiles | Los trabajadores guardan sus salidas en sistemas externos y le pasan al orquestador solo referencias ligeras (ruta de archivo + resumen de una línea), en vez de embutir los resultados detallados de vuelta en la conversación principal. | How we built our multi-agent research system — Anthropic Engineering |
| sistemas de artefactos | Hacer que agentes especializados creen sus salidas como cosas que persisten de forma independiente (archivos, registros externos), en vez de retransmitirlo todo a través del agente principal. «Pasa referencias, no cargas útiles» se apoya en esto. | How we built our multi-agent research system — Anthropic Engineering |
| referencias ligeras | El registro corto que se le pasa de vuelta al orquestador: id, ruta de archivo, resumen de una línea. Quien quiera el texto completo lo lee por la ruta. | How we built our multi-agent research system — Anthropic Engineering |
| comportamiento emergente | En los sistemas multiagente, el comportamiento global que no se puede predecir mirando paso a paso, producido por el apilamiento de las pequeñas decisiones de cada subagente; los cambios diminutos se amplifican a lo largo de la cadena. | How we built our multi-agent research system — Anthropic Engineering |
| separación de responsabilidades | Cada subagente lleva herramientas, prompts y trayectorias de exploración distintas, naturalmente sin contaminarse, lo que además reduce la dependencia del camino. Es lo que compra el fan-out además de la velocidad. | How we built our multi-agent research system — Anthropic Engineering |
| dependencia del camino | Dentro de un mismo bucle, los juicios de los pasos posteriores quedan sesgados por la redacción de los pasos anteriores. Varias trayectorias independientes no comparten el mismo sesgo, y por eso reducen la dependencia del camino. | How we built our multi-agent research system — Anthropic Engineering |
| contexto compartido | Un escenario en el que el multiagente hoy no es bueno: el trabajo que requiere que todos los agentes vean el mismo contexto o con muchas dependencias entre agentes (como la mayoría de las tareas de programación), con menos porciones verdaderamente paralelizables que la investigación. | How we built our multi-agent research system — Anthropic Engineering |
| salvaguardas deterministas | Los mecanismos deterministas que envuelven a los agentes no deterministas: lógica de reintento, puntos de control periódicos. El esqueleto del grafo es determinista, el interior de los nodos es no determinista. | How we built our multi-agent research system — Anthropic Engineering |
| sistemas deterministas | Sistemas que producen la misma salida cada vez ante entradas idénticas. Las compuertas, los verificadores y la agregación escritos en código pertenecen todos a esta categoría. | Writing effective tools for agents — with agents — Anthropic Engineering |
| no determinista | La propiedad de poder dar respuestas distintas incluso con las mismas condiciones iniciales: los agentes son de este tipo. | Writing effective tools for agents — with agents — Anthropic Engineering |
| un bucle por tarea de evaluación | Recomendación oficial para ejecutar evaluaciones: llamar directamente a la API del LLM, usar bucles agénticos while simples, un bucle por tarea de evaluación. Este curso lo toma prestado para ilustrar que «una etapa de la cadena es un bucle completo». | Writing effective tools for agents — with agents — Anthropic Engineering |
| subagente | Un agente despachado desde la conversación principal, que trabaja en su propia ventana de contexto independiente y solo devuelve un resumen. Se usa para mantener la exploración y la implementación fuera de la conversación principal, preservando el contexto. | Create custom subagents — Claude Code official documentation |
| conversación principal | El contexto de la línea principal del orquestador. Cuando los subagentes terminan, los resultados vuelven aquí, así que los retornos tienen que ser ligeros o la protección se vuelve carga. | Create custom subagents — Claude Code official documentation |
| 20 subagentes | El techo de concurrencia por defecto de Claude Code: cuando hay 20 subagentes ejecutándose en una sesión, generar otro falla y le dice explícitamente al modelo que no reintente. | Create custom subagents — Claude Code official documentation |
| subagentes de forma secuencial | La sugerencia de Claude Code para flujos de trabajo de varios pasos: que Claude use subagentes de forma secuencial, cada uno termina y devuelve los resultados, y después se le pasa el contexto relevante al siguiente. Es la forma de producto del encadenamiento. | Create custom subagents — Claude Code official documentation |
| Especialización | Enrutar el trabajo hacia agentes con prompts de sistema y herramientas centrados en un dominio (agente de seguridad, agente de documentación), en vez de embutir todas las capacidades en un solo agente. El nombre del enrutamiento en el vocabulario actual de primera mano. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| Escalamiento | Consultar a un agente o modelo más capaz para un subconjunto de subtareas complejas. Nota que es «consultar» (el coordinador conserva el control), no una entrega completa. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| Parallelization | En la documentación actual de orquestación multiagente de la plataforma Claude: repartir en abanico subtareas independientes a la vez (buscar en varias fuentes, analizar archivos separados), y que el coordinador sintetice los resultados. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| 25 hilos concurrentes | El techo de concurrencia que soporta Managed Agents; el coordinador puede llamar a varias copias del mismo agente, cada una abriendo un hilo. | Multiagent orchestration — Claude API documentation (Managed Agents) |
| pool de concurrencia | Abre N carriles fijos, cada uno termina su ítem actual y toma el siguiente de un cursor compartido, siempre con N en vuelo. Tiene menos efecto cubeta que el agrupamiento en lotes. El script de este curso lo llama runPool. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| techo de concurrencia | El tope duro de tareas simultáneas en vuelo. Tres productos reales (Claude Code 20, runtime de flujos de trabajo 16, Managed Agents 25) fijan todos uno: el fan-out ilimitado es un accidente, no una optimización. | Create custom subagents — Claude Code official documentation |
| agrupamiento en lotes | Un enfoque de regulación de tasa: N por lote, lotes en serie. Funciona pero tiene efecto cubeta: cada lote espera a que termine el más lento de esa tanda antes de arrancar el siguiente. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| Promise.all | El patrón para ejecutar un grupo de tareas asíncronas de forma concurrente, que retorna cuando todas se completan. Temperamento: si un solo camino se rechaza, se rechaza el conjunto, y aunque los demás hayan terminado, no puedes obtener sus resultados. | Building Effective AI Agents — Anthropic Engineering |
| fan-out | Repartir una pieza de trabajo entre varios agentes/nodos para ejecutarla a la vez. Compra velocidad, perspectivas independientes y capacidad de contexto en paralelo; el costo es que los resultados vuelven al orquestador, y los productos reales fijan todos techos. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| fusión | Después de que los resultados del fan-out vuelven, el código hace filtrado, agregación y juicio. Este curso hace que solo lea de vuelta las referencias desde los archivos, sin embutir el texto completo en el contexto. | Building Effective AI Agents — Anthropic Engineering |
| carga útil | El contenido detallado de la salida del trabajador en sí. El reflujo de la carga útil en la fusión explota el contexto, así que pasa referencias, no cargas útiles. | How we built our multi-agent research system — Anthropic Engineering |
| clasificador | El primer paso del enrutamiento: juzgar a qué categoría pertenece la entrada, con la salida apretada a una sola palabra. Puede ser un modelo o un modelo/algoritmo de clasificación tradicional. | Building Effective AI Agents — Anthropic Engineering |
| repliegue | La rama que se recorre cuando la clasificación no encaja en la tabla de etiquetas legales (como caer a «other»). El modelo devuelve ocasionalmente una oración entera en vez de una palabra, y el repliegue contiene ese no determinismo en una sola línea. | Building Effective AI Agents — Anthropic Engineering |
| espectro de determinismo | La formulación propia de este curso, no terminología oficial: tratar ese eje de «quién tiene el plan», del flujo de trabajo al agente, como un rango continuo de determinista a autónomo. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| caída controlada | La práctica del curso 9 de esta serie: detener deliberadamente el proceso en un punto especificado para verificar que el estado de verdad cayó a disco. El STOP_AFTER de este curso es su versión simplificada. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| giro en falso | El estado donde un bucle hace lo mismo durante varias rondas consecutivas sin ningún progreso. La válvula 3 (detección de giro en falso) del curso 7 de esta serie es para bloquear esto. | Building Effective AI Agents — Anthropic Engineering |
| escritura atómica | El método de persistencia a disco de escribir primero un .tmp y después renombrarlo para reemplazar: matado en cualquier momento, en disco está o el estado completo anterior o el nuevo estado completo, nunca medio JSON. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| run-state.json | El archivo de rastreo de ejecución del script de este curso (persistido una vez tras completarse cada nodo, y otra vez tras cada juicio en la revisión), donde la escritura atómica garantiza que es legible en cualquier momento. Registra el progreso de ejecución, no «las variables de estado del grafo». | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| run.jsonl | El log estructurado del script de este curso: un evento JSON por línea, llevando ts y run_id, y registra solo id/categoría/nombre de archivo/contadores, no el cuerpo de la respuesta. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| cliente stub | Un doble de prueba que usa una cola fija de respuestas para hacerse pasar por la API real: client.messages.create() devuelve respuestas preestablecidas en orden, dejando que toda la orquestación corra sin dependencias y de forma reproducible. | Writing effective tools for agents — with agents — Anthropic Engineering |
| STOP_AFTER | El interruptor de caída controlada del script de este curso: fijado en merge, para antes de la revisión, con código de salida 2, usado para verificar que el estado del fan-out/fusión de verdad se persistió. Solo reconoce merge como único valor. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |
| needs_human | El marcador de desenlace cuando el bucle no puede producir una salida calificada: los tickets con código de salida 1 se detienen aquí, entregados a una persona. | Orchestrate subagents at scale with dynamic workflows — Claude Code official documentation |