Phase 16: Multi-Agent & Swarms

El modelo primitivo multiagente

Cuatro primitivas, nada más el agente, la entrega, el estado compartido, el orquestrador abarcan un espacio de diseño en cuatro dimensiones, y los principales marcos multi-agentes que se enviarán en 2026 (AutoGen, LangGraph, CrewAI, OpenAI Agents SDK, Microsoft Agent Framework) son puntos en él. Esta lección los construye desde cero, ejecuta un sistema de juguetes en los cuatro, luego mapea cada marco principal en los mismos ejes para que pueda leer cualquier nueva versión en un párrafo.

Type: Learn

Languages: Python (stdlib)

Prerequisites: Phase 14 (Agent Engineering), Phase 16 · 01 (Why Multi-Agent)

Time: ~60 minutes

El problema

Cada seis meses un nuevo marco multi-agente se lanza. AutoGen en 2023. CrewAI en 2024. LangGraph y OpenAI Swarm en 2024. Google ADK en abril de 2025. Microsoft Agent Framework RC en febrero de 2026. Cada comunicado de prensa afirma ser "la abstracción correcta".

Si tratas de aprenderlos uno a la vez, se agotará. Las API se ven diferentes. Los documentos no están de acuerdo sobre lo que es un "agente". Un marco llama su memoria compartida un "tablero de control", otro lo llama un "poll de mensajes", un tercero lo llama un "StateGraph".

No es. Bajo el marketing, las cuatro primitivas son estables. Apréndelos una vez, lea cada nuevo marco en un párrafo.

Concepto

Los cuatro primitivos

Agent un prompt de sistema más una lista de herramientas. Estatal; cada ejecución comienza desde su prompt de sistema y el historial de mensajes actual.
Handoff una transferencia estructurada de control de un agente a otro. Mecánica, una llamada de herramienta que devuelve un nuevo agente o un borde de gráfico que sigue una condición.
Shared state cualquier estructura de datos que más de un agente pueda leer (a veces escribir).
Orchestrator quien decida quién habla después. Opciones: un gráfico explícito (determinista), un selector de altavoces de LLM (suave), la llamada de entrega del último orador (OpenAI Swarm), o un programador sobre una cola (arquitectura de conjuntos).

Todo el espacio de diseño. Cada marco elige los valores predeterminados para cada eje; el resto es la sintaxis de superficie.

Cómo cada marco 2026 se asigna a él

Framework	Agent	Handoff	Shared state	Orchestrator
OpenAI Swarm / Agents SDK	`Agent(instructions, tools)`	tool returns Agent	caller's problem	the LLM's next handoff call
AutoGen v0.4 / AG2	`ConversableAgent`	speaker-selector on GroupChat	message pool	selector function (LLM or round-robin)
CrewAI	`Agent(role, goal, backstory)`	`Process.Sequential / Hierarchical`	Task outputs chained	manager LLM or static order
LangGraph	node function	graph edge + condition	`StateGraph` reducer	the graph, deterministic
Microsoft Agent Framework	agent + orchestration patterns	pattern-specific	thread / context	pattern-specific
Google ADK	agent + A2A card	A2A task	A2A artifacts	host decides

Las diferencias superficiales son enormes, debajo de ellos, los mismos cuatro botones.

¿Por qué esto importa?

Una vez que veas las primitivas, la comparación de marcos se convierte en una lista de verificación corta:

¿Confia el orquestrador en que el LLM en el enrutamiento (Swarm) o en que el enrutamiento se enmarque en código (LangGraph)?
¿Es el estado compartido de historia completa (GroupChat) o proyectado (Reductor de gráfico de estado)?
¿Pueden los agentes modificar las instrucciones de los demás (administrador de CrewAI) o sólo entregar (Swarm)?

Estas tres preguntas responden al 80% de cuál marco se adapta a un problema dado. Dejas de comprar "el mejor marco multi-agente" y empiezas a diseñar para el eje que realmente te importa.

El insight sin estado

Cada primitivo excepto el estado compartido es estatal. El agente es una función de (prompto, herramientas).The only stateful thing in the system is shared state.Ahí viven todos los interesantes errores: envenenamiento de la memoria (lección 15), ordenamiento de mensajes, versioning, discusión de escritura.

Los marcos que ocultan el estado compartido (Swarm) empujan el problema al llamador.

Anatomía de una sola primitiva

#### Agente , ¿ qué ?

Agent = (system_prompt, tools, model, optional_name)

No hay memoria, no hay estado, dos agentes con el mismo sistema de instrucción y herramientas son intercambiables, todo lo que parece un estado de agente es en realidad en estado compartido o el protocolo de transmisión.

#### Entrega de dinero

Handoff = (from_agent, to_agent, reason, payload)

Las tres implementaciones son dominantes:

Function return la herramienta devuelve el siguiente agente. Este es el patrón de OpenAI Swarm. Los agentes llevan el enrutamiento en sus esquemas de herramientas.
Graph edge LangGraph. Los bordes son declarativos. El LLM produce un valor; una condición selecciona el siguiente nodo.
Speaker selectionUna función selectora (a veces en sí misma una llamada de LLM) lee el grupo y elige quién habla después.

#### Estado compartido

SharedState = { messages: [], artifacts: {}, context: {} }

A menudo más: artefactos estructurados (salidas de tareas de CrewAI), contexto tipado (reducidores de LangGraph), memoria externa (MCP, vector DB).

Dos topologías: full pool(todo agente ve cada mensaje) y projectedLos grupos completos son simples y escalar mal. los grupos proyectados escalar pero requieren un diseño de esquema anticipado.

#### Orquestación

Orchestrator = ({state, last_speaker}) -> next_agent

Cuatro sabores:

Static el gráfico se fija en el tiempo de construcción (determinista de LangGraph, secuencial CrewAI).
LLM-selected un LLM lee la piscina y elige al siguiente orador (AutoGen, CrewAI Hierarquial).
Handoff-driven el agente actual decide llamando a una herramienta de entrega (Swarm).
Queue-driven los trabajadores se tiran de una cola compartida; no hay altavoz siguiente explícito (arquitecturas de enjambres, Matrix).

¿Qué cambios se producen entre los marcos

Una vez que las primitivas se fijan, las decisiones de diseño restantes son:

Memory strategy Control efímero frente a control duradero (checkpointer LangGraph).
Safety boundary que puede aprobar una entrega (humano en el circuito).
Cost accounting Presupuestos de tokens por agente.
Observability rastrear las entregas, persistir en el estado para repetición.

Todos implementados en la parte superior de los primitivos. ninguno de ellos son nuevos primitivos.

Construye el mismo

code/main.pyImplementa las cuatro primitivas en ~ 150 líneas de stdlib Python.

El expediente exporta:

Agent una clase de datos de nombre, orden del sistema, herramientas, función de política.
Handoff una función que devuelve un nuevo agente.
SharedState un grupo de mensajes seguro de hilo.
Orchestrator tres variantes: StaticOrchestrator¿ Qué ?HandoffOrchestrator¿ Qué ?LLMSelectorOrchestrator(simulado).

La demostración ejecuta la misma línea de tres agentes (investigación → escribir → revisión) a través de los tres tipos de orquesta y imprime el conjunto de mensajes al final.

¿Qué quieres decir ?

python3 code/main.py

La ejecución dirigida por la entrega llega a menos agentes si el investigador decide que se hace temprano que es el tradeoff de enrutamiento LLM en miniatura.

Usalo

outputs/skill-primitive-mapper.mdes una habilidad que lee cualquier base de código multi-agente o documento marco y devuelve el mapeo de cuatro primitivos. ejecutarlo en una nueva versión de marco para obtener una comprensión de un párrafo antes de leer documentos en profundidad.

Envío

Antes de adoptar un nuevo marco, escriba el mapa primitivo para él. Si no puede, los documentos son incompletos o el marco está inventando un quinto primitivo (que se verifique raramente para un sabor de estado compartido que no ha visto).

Enfilar el mapeo en su documento de arquitectura. Cuando un nuevo miembro del equipo se une, envíe el mapeo antes de los documentos de la API. Cuando las versiones del marco cambian, difir el mapeo, no el registro de cambios.

Los ejercicios

- ¿ Qué ?code/main.pyObserve cómo el orquestaje cambia la elección de los agentes.
Implemente un cuarto tipo de orquesta: uno dirigido por fila donde los agentes encuestan el estado compartido para el trabajo. ¿Qué estancamiento puede ocurrir, y cómo lo detecta?
Tomemos el arranque rápido de LangGraph (https://docs.langchain.com/oss/python/langgraph/workflows-agents¿Cuál de los mapas de abstracciones de LangGraph 1:1 y cuáles son los envoltorios de conveniencia?
Lea el libro de cocina OpenAI Swarm (https://developers.openai.com/cookbook/examples/orchestrating_agentsIdentifique cuál de las cuatro primitivas es la que más ergonomía hace Swarm y cuál empuja al que llama.
Encuentra un marco en esta tabla que oculte el estado compartido por completo y explique qué se rompe cuando los agentes necesitan coordinar entre las entregas sin volver a leer el historial.

Términos clave

Term	What people say	What it actually means
Agent	"An LLM with tools"	A `(system_prompt, tools, model)` triple. Stateless.
Handoff	"Transfer of control"	A structured call that names the next agent and optional payload. Three implementations: function return, graph edge, speaker selection.
Shared state	"Memory" / "context"	The only stateful part of a multi-agent system. Message pool or blackboard.
Orchestrator	"Coordinator"	Whoever decides who runs next. Static graph, LLM selector, handoff-driven, or queue-driven.
Primitive	"Abstraction"	One of the four axes every framework parameterizes. Not a framework feature.
Message pool	"Shared chat history"	Full-history shared state. Easy to reason about, scales badly.
Projected state	"Scoped view"	Role-specific view into shared state. Scales, requires schema design.
Speaker selection	"Who talks next"	Orchestrator pattern where a function (often an LLM) picks the next agent from a group.

Leer más

OpenAI cookbook: Orchestrating Agents — Routines and Handoffs la articulación más clara de la orquestación impulsada por la entrega
AutoGen stable docs GroupChat + selección de oradores es la referencia para la orquestación seleccionada por el LLM
LangGraph workflows and agents Orquestación de borde gráfico y estado compartido basado en reducidor
CrewAI introduction agentes de rol-objetivo-historia de fondo, procesos secuenciales / jerárquicos
AG2 (community AutoGen continuation) la línea de AutoGen v0.2 en vivo después de que Microsoft moviera v0.4 en mantenimiento

This free lesson is part of the AI Engineering from Scratch curriculum. Read the full explanation, run the lesson code, and verify the result in the interactive reader or from the repository source.

Browse the complete course catalog or open this lesson on GitHub.