Frameworks multiagente (ES)

Los frameworks multiagente basados en LLM son plataformas de software que permiten a múltiples agentes de IA autónomos, construidos sobre modelos de lenguaje grandes (LLM), interactuar entre sí para resolver conjuntamente tareas complejas. En tales sistemas, se pone énfasis en la diversidad de perfiles de los agentes, su comunicación y la toma de decisiones colectiva. El enfoque utiliza la «inteligencia colectiva» del grupo, donde cada agente desempeña un rol especializado y el intercambio de mensajes entre ellos simula el trabajo colaborativo humano.

Esto permite modelar escenarios complejos del mundo real y resolver problemas que superan las capacidades de un único agente inteligente. Los sistemas multiagente basados en LLM ya están demostrando resultados exitosos en áreas como el desarrollo de software, las simulaciones sociales, los juegos económicos y el modelado de debates políticos.

Frameworks y enfoques clave

El desarrollo de sistemas multiagente ha llevado a la aparición de varios frameworks de código abierto que facilitan su creación e investigación.

MetaGPT (2023)

Uno de los primeros frameworks de código abierto, orientado al trabajo colaborativo según el principio de «línea de ensamblaje» (assembly line). MetaGPT implementa procedimientos operativos estándar (SOPs) en el sistema y asigna a cada agente un rol específico (por ejemplo, gerente de producto, ingeniero, tester). Este enfoque permite descomponer una tarea compleja en subtareas, distribuyéndolas entre agentes especializados, lo que reduce el caos y el riesgo de alucinaciones.

CAMEL (2023)

El framework CAMEL (Communicative Agents for "Mind" Exploration) se centra en la interacción autónoma de agentes a través del diálogo. Propone la técnica de inception prompting para coordinar la conversación entre agentes LLM, guiándolos hacia un objetivo común. A cada agente se le asigna un rol y un contexto, después de lo cual los agentes se comunican en lenguaje natural, desarrollando gradualmente una solución conjunta. CAMEL ha demostrado ser eficaz en escenarios que requieren cooperación sin intervención humana directa.

AutoGen (2023)

Un framework universal y personalizable de los investigadores de Microsoft, diseñado para crear aplicaciones complejas basadas en la comunicación entre múltiples LLM. AutoGen permite programar la lógica de interacción de los agentes tanto con código como en lenguaje natural. Soporta la integración con herramientas externas y API, lo que lo hace adecuado para una amplia gama de tareas, desde el desarrollo de software hasta la creación de sistemas de diálogo.

AgentVerse (2023)

Una plataforma de código abierto desarrollada por la comunidad OpenBMB para estudiar la cooperación dinámica y el comportamiento emergente de los agentes. AgentVerse ofrece dos modos de operación:

1. Resolución de tareas (task-solving): Varios agentes LLM se unen en un equipo para realizar una tarea compleja (por ejemplo, el desarrollo colaborativo de software).
2. Simulación de entorno (simulation): Permite al usuario definir un entorno virtual y observar la interacción de los agentes (por ejemplo, la simulación de un aula o el dilema del prisionero).

La plataforma enfatiza la importancia de un entorno estandarizado y protocolos de comunicación para una interacción controlada.

CrewAI (2024)

Un framework centrado en la integración de agentes LLM en procesos de negocio y análisis de datos. CrewAI implementa el concepto de AI-Based Agents Workflow (AgWf), donde los agentes ejecutan pasos descritos como instrucciones de texto y pueden utilizar herramientas externas (clases/funciones de Python). Esto permite automatizar escenarios analíticos complejos, combinando la flexibilidad de los LLM con código determinista.

LangGraph (2024)

Un framework experimental que utiliza estructuras de grafos para representar el estado y el contexto en diálogos con LLM. La característica clave de LangGraph es el soporte para flujos de trabajo cíclicos. Esto permite a los agentes intercambiar datos a través de un grafo de conocimiento compartido, buscar información de forma iterativa, evaluar su fiabilidad y corregir respuestas, lo que es especialmente útil en tareas de búsqueda de información (QA) con una base de conocimiento aumentada.

Otros proyectos

También han atraído una gran atención los proyectos experimentales AutoGPT y AgentGPT, que demostraron el potencial de agentes de IA completamente autónomos capaces de establecer objetivos, realizar búsquedas web, ejecutar código y gestionar archivos por sí mismos. Aunque estos proyectos no fueron revisados por pares, destacaron la importancia de los componentes de planificación, memoria y herramientas para construir agentes verdaderamente autónomos.

Aplicaciones de los sistemas multiagente

• Automatización del desarrollo de software: Grupos de agentes LLM actúan como gerentes, programadores y testers, planificando e implementando conjuntamente proyectos de software. La investigación de ChatDev demostró que un equipo de cuatro agentes pudo crear una aplicación simple en cuestión de minutos, dialogando en todas las etapas, desde la definición de la tarea hasta las pruebas.
• Asistentes inteligentes: Productos empresariales como Microsoft 365 Copilot e IBM Watsonx Orchestrate utilizan múltiples agentes para realizar tareas complejas, donde un agente procesa la solicitud, otro extrae datos de una base de conocimientos y un tercero redacta un informe.
• Investigación científica: Los agentes se utilizan para generar y criticar hipótesis. En enfoques como Guided Debate o Self-Refine, un agente propone una solución y otro la evalúa y corrige, lo que ayuda a reducir el número de errores.
• Modelado social y mundos virtuales: En el emblemático proyecto Generative Agents, decenas de agentes LLM dotados de personalidades y memoria simularon la vida de un pequeño pueblo virtual, demostrando una interacción social creíble. Tales simulaciones pueden aplicarse en videojuegos (para crear NPC realistas), en la educación y en las ciencias sociales.

Desafíos y perspectivas

A pesar de los éxitos, los sistemas multiagente se enfrentan a varios problemas importantes:

• Alucinaciones y errores en cascada: Un error cometido por un agente puede propagarse en cadena a otros, que lo toman como base para sus razonamientos, lo que lleva a distorsionar el trabajo de todo el grupo.
• Escalabilidad y consumo de recursos: Cada agente basado en un LLM requiere una cantidad significativa de recursos computacionales. Garantizar el funcionamiento simultáneo de decenas de agentes es un desafío técnico complejo.
• Coordinación y gestión: A medida que aumenta el número de agentes, crece el riesgo de caos. Se necesitan mecanismos de "orquestación" bien diseñados para gestionar su interacción.
• Evaluación y pruebas: No existen benchmarks universalmente aceptados para comparar objetivamente los diferentes frameworks multiagente.

En el futuro, se espera la aparición de sistemas multimodales más eficientes y seguros, donde los agentes podrán intercambiar no solo texto, sino también imágenes y otros datos. La implementación del aprendizaje por refuerzo podría enseñar a los grupos de agentes a coordinarse mejor con el tiempo, logrando el efecto de «inteligencia colectiva». En última instancia, los frameworks multiagente son un paso hacia la creación de sistemas de IA más flexibles y potentes, donde múltiples «mentes» especializadas trabajan en conjunto.

Enlaces externos

• Artículo de revisión: Large Language Model based Multi-Agents (2024)
• Artículo de revisión: LLMs Working in Harmony (2025)

Bibliografía

• Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629.
• Hong, S. et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arXiv:2308.00352.
• Li, G. et al. (2023). CAMEL: Communicative Agents for "Mind" Exploration of Large Language Model Society. arXiv:2303.17760.
• Wu, Q. et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155.
• Liu, X. et al. (2023). AgentBench: Evaluating LLMs as Agents. arXiv:2308.03688.
• Yao, S. et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models. arXiv:2305.10601.
• Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. arXiv:2303.11366.
• Chen, W. et al. (2023). AgentVerse: Facilitating Multi-Agent Collaboration and Exploring Emergent Behaviors. arXiv:2308.10848.
• Park, J. S. et al. (2023). Generative Agents: Interactive Simulacra of Human Behavior. arXiv:2304.03442.
• Guo, T. et al. (2024). Large Language Model Based Multi-Agents: A Survey of Progress and Challenges. arXiv:2402.01680.
• Chen, Q. et al. (2024). ChatDev: Communicative Agents for Software Development. arXiv:2307.07924.
• Duan, Z.; Wang, J. (2024). Exploration of LLM Multi-Agent Application Implementation Based on LangGraph + CrewAI. arXiv:2411.18241.
• Aratchige, R. M.; Ilmini, W. M. K. S. (2025). LLMs Working in Harmony: A Survey on the Technological Aspects of Building Effective LLM-Based Multi-Agent Systems. arXiv:2504.01963.