00:00:00¿Fue Opus 4.6 la única actualización de Anthropic?
00:00:03Ya conocen los subagentes, donde cada agente opera como una entidad individual con
00:00:07su propia ventana de contexto.
00:00:09Pero estos subagentes fallaban cuando había una tarea que requería coordinación entre ellos.
00:00:13En esos casos, el orquestador tenía que intervenir, tomando respuestas de un agente y delegándolas
00:00:17a otro, o los agentes debían depender de notas en la carpeta del proyecto.
00:00:21Debido a esta brecha de comunicación, tareas sencillas se volvían demasiado complicadas.
00:00:25Para solucionar esto, Anthropic lanzó una nueva mejora para los subagentes llamada "Agent-Teams".
00:00:30Se lanzaron junto con Opus 4.6.
00:00:33Aunque todavía es una función experimental, la hemos implementado en múltiples flujos de trabajo,
00:00:37y la mayor mejora fue que el tiempo que tomaban estas tareas se redujo drásticamente.
00:00:41Pero es experimental por una razón y aún tiene asperezas; también encontramos pequeñas
00:00:44soluciones para esos problemas.
00:00:47Agent-Teams es la idea de tener múltiples instancias de ClaudCode trabajando juntas.
00:00:51Cada miembro del equipo trabaja en tareas aisladas y tiene una gestión centralizada controlada
00:00:55por un solo agente.
00:00:56Ahora, podrías pensar que esto suena muy similar a los subagentes de Claud ya existentes porque
00:01:00ambos se ejecutan en paralelo y dividen las tareas, pero no son lo mismo.
00:01:03Esto se debe a que Agent-Teams resolvió el principal problema del marco de subagentes.
00:01:08Los subagentes no pueden comunicarse entre sí y dependen del agente orquestador
00:01:12para que actúe como medio de comunicación.
00:01:15Los miembros del equipo, en cambio, sí pueden comunicarse entre ellos.
00:01:18La idea central de Agent-Teams es tener múltiples sesiones de ClaudCode colaborando.
00:01:22Una sesión actúa como líder del equipo, coordinando el trabajo, asignando tareas y sintetizando resultados,
00:01:27mientras los compañeros trabajan de forma independiente en sus propias ventanas de contexto.
00:01:31Los subagentes tienen su ventana de contexto y reportan el resultado a quien los llamó.
00:01:34Pero en los equipos, funciona de manera diferente.
00:01:36Cada miembro del equipo de agentes es una sesión de terminal totalmente independiente.
00:01:40No están restringidos ni coordinados por un orquestador que solo divide tareas.
00:01:43En su lugar, estas sesiones de terminal son abiertas y cerradas por el líder principal del equipo.
00:01:47Son capaces de trabajar en tareas que requieren discusión y colaboración entre agentes
00:01:52gracias a su capacidad de comunicación.
00:01:54Así, un equipo de agentes consiste esencialmente en un líder de equipo y sus compañeros.
00:01:57El líder es el agente principal que crea el equipo y coordina su trabajo.
00:02:01Los compañeros son los trabajadores que realmente ejecutan las tareas.
00:02:03Cada compañero recibe una lista de tareas, que es una lista compartida de elementos.
00:02:07Cada miembro identifica lo que debe hacer de esa lista y lo ejecuta.
00:02:10Para comunicarse, también tienen un buzón compartido que les permite enviarse mensajes entre sí.
00:02:15Ahora, la pregunta era cómo funciona esto realmente si cada miembro del equipo es independiente.
00:02:19¿Cómo saben lo que están haciendo los otros miembros?
00:02:21Esto funciona porque toda la información sobre el equipo, los miembros y las tareas de cada uno
00:02:26se almacena localmente en la carpeta ".claud" y se identifica por el nombre de la tarea.
00:02:30Esta función aún es experimental y está desactivada por defecto, por lo que habrá algunos errores
00:02:34en el manejo de los compañeros durante esta fase.
00:02:36Para poder probarla, tuvimos que habilitarla manualmente.
00:02:38Lo hicimos configurando el flag de la CLI de Claud Code para equipos de agentes experimentales a 1.
00:02:43Con este flag activado, los equipos de agentes quedaron disponibles para futuras sesiones.
00:02:47Con esta opción habilitada, pudimos acceder a la función de equipos en Claud Code.
00:02:51Al ser una función experimental, necesitamos usar una redacción específica que le indique
00:02:55a Claud que queremos usar el equipo de agentes para un trabajo determinado.
00:02:58Nuestro equipo ha comenzado a usar esta función para paralelizar la revisión de código, permitiendo
00:03:02que los problemas se identifiquen y se solucionen al mismo tiempo.
00:03:04Para ello, le pedimos a Claud que usara a un miembro para encontrar errores en el código
00:03:08y a otro para corregir los problemas identificados por el primero.
00:03:11Tuvimos que ser detallados en el prompt para que siguiera la dirección correcta.
00:03:15Si los subagentes estuvieran manejando esto, estarían escribiendo un informe en algún archivo físico
00:03:19para que los otros agentes supieran qué corregir.
00:03:21Pero aquí queríamos acelerar el proceso de revisión permitiendo que esto ocurriera sin la carga
00:03:26de tener que escribir en un archivo local.
00:03:27Cuando enviamos el prompt a Claud Code, se generaron los miembros del equipo, cada uno controlado
00:03:31por el líder.
00:03:32El agente líder entregó el prompt a los agentes individuales, indicándoles qué tarea realizar.
00:03:36Entonces, el primer agente revisor comenzó a trabajar y, tras analizar la tarea, compartió mensajes
00:03:40con el agente corrector, error por error.
00:03:42Este agente priorizaba problemas de seguridad críticos y, en cuanto el corrector recibía
00:03:47los mensajes del revisor, comenzaba a implementar las soluciones mientras el revisor
00:03:51seguía buscando más problemas.
00:03:53Del mismo modo, continuaron comunicándose y reportando los cambios implementados.
00:03:57Una vez resueltos los problemas críticos, los dos agentes pasaron a corregir
00:04:01los problemas de prioridad media.
00:04:02La revisión y la corrección ocurrían simultáneamente, lo que ahorró mucho tiempo.
00:04:06Lo bueno de esto es que también puedes asignar o modificar cualquier tarea de un miembro.
00:04:10Con esto habilitado, puedes dirigir el rumbo del trabajo de ese miembro del equipo en específico.
00:04:14Cuando terminaron, el control volvió al agente principal, que se encarga de asegurar
00:04:18que los cambios se implementen correctamente y de cerrar a estos agentes
00:04:22de forma controlada, garantizando que su salida no cause errores posteriores.
00:04:26Probablemente habrán notado que construimos mucho en estos videos.
00:04:28Todos los prompts, el código, las plantillas... todo eso que normalmente tendrías que
00:04:32pausar y copiar de la pantalla está en nuestra comunidad; en este video y en todos
00:04:36los anteriores también.
00:04:37Enlaces en la descripción.
00:04:38Encontrar y corregir errores a escala es genial, pero a veces surgen problemas
00:04:43y simplemente no puedes identificar qué los está causando.
00:04:45En esos casos, podemos usar un equipo de agentes para probar múltiples perspectivas de la app
00:04:49y avanzar progresivamente hacia el error.
00:04:51Así, los miembros pueden comunicarse sus hallazgos y avanzar juntos.
00:04:55Le pedimos a Claud que buscara un error en el código y especificamos el uso de varios miembros,
00:04:59permitiéndoles abordar el problema desde diferentes ángulos.
00:05:02Luego generó cuatro subagentes, cada uno enfocado en una perspectiva distinta de la aplicación.
00:05:06Recibieron prompts similares del líder e investigaron los errores basándose en
00:05:09su aspecto específico de la app, mientras el líder esperaba a que terminaran
00:05:14para luego analizar los hallazgos de sus investigaciones.
00:05:16Sin equipos, habríamos tenido un solo hilo, lo cual habría tomado mucho más tiempo.
00:05:19Pero con estos agentes, el proceso fue mucho más rápido.
00:05:22La investigación se completó rápido y todo el trabajo de los agentes se hizo en aproximadamente
00:05:272 o 3 minutos, lo cual es una mejora significativa frente a la revisión lineal,
00:05:31que fácilmente habría tomado de 5 a 10 minutos.
00:05:33Algo a tener en cuenta es que este enfoque consume muchos tokens, ya que cada agente
00:05:37tiene su propia ventana de contexto, así que hay que tener cuidado con eso.
00:05:40Una vez que los agentes entregaron su resultado y se cerraron, el líder también verificó
00:05:45los resultados haciendo su propia comprobación.
00:05:46Los cuatro agentes coincidieron en el mismo error y señalaron correctamente el problema
00:05:50con un "stale closure" en el useEffect.
00:05:52Esa parte exacta fue señalada por los cuatro agentes.
00:05:54Además, si disfrutan nuestro contenido, consideren pulsar el botón de "hype", porque nos ayuda
00:05:59a crear más contenido como este y llegar a más personas.
00:06:02Este marco de agentes ha cambiado nuestra forma de trabajar en tareas de largo aliento, porque
00:06:07los agentes ya no tienen que limitarse únicamente a documentar su progreso.
00:06:10Con los equipos de agentes, podemos manejar diferentes aspectos de una aplicación en paralelo
00:06:14y también tener a un miembro dedicado exclusivamente a la investigación.
00:06:16Cuando le dimos el prompt a Claud, generó 6 agentes.
00:06:19Dos trabajaban en la investigación y en sentar las bases, mientras que el resto se encargaba
00:06:23de construir las páginas.
00:06:24Los agentes constructores estaban bloqueados por el agente que sentaba las bases, ya que este era
00:06:28responsable de instalar los paquetes necesarios y preparar el entorno con las dependencias.
00:06:32Cada agente recibió un prompt específico definiendo su trabajo.
00:06:35Los agentes bloqueados esperaron la señal de desbloqueo del líder del equipo.
00:06:38Una vez terminadas la investigación y las bases, los demás agentes se desbloquearon y empezaron
00:06:43a implementar sus partes respectivas de la aplicación de forma paralela.
00:06:46Se mantuvieron comunicados entre sí para asegurar la consistencia entre cada componente.
00:06:49El líder coordinó a los agentes y, a medida que cada uno terminaba, el líder
00:06:53le enviaba un mensaje de apagado, gestionando su salida sin problemas.
00:06:57Todo el proceso consumió unos 170k tokens de la ventana de contexto, pero al final,
00:07:02obtuvimos la aplicación construida exactamente como queríamos, todo con un solo prompt.
00:07:05Como mencionamos, mientras nuestro equipo probaba esto, encontramos múltiples
00:07:09formas de hacer que los equipos de agentes funcionaran mejor, y esas mejores prácticas
00:07:13están disponibles en AI Labs Pro para que puedan probarlas ustedes mismos.
00:07:16La primera recomendación es aplicable a todos los agentes en general, no solo a la
00:07:20función de equipos de agentes.
00:07:21Es necesario especificar explícitamente el alcance en el que debe trabajar el agente.
00:07:25Pueden hacerlo definiéndolo en el prompt, indicando qué archivos buscar
00:07:29para realizar la tarea, o creando documentos en el proyecto que contengan tareas
00:07:33individuales, como hicimos en nuestro flujo, donde preparamos un documento de tarea para cada encargo
00:07:38para que el agente pudiera trabajar de forma independiente y dentro del alcance correcto.
00:07:41Otra cosa a tener en cuenta es que cada agente debe trabajar en tareas independientes
00:07:45entre sí, porque si editan el mismo archivo al mismo tiempo,
00:07:49se crearía un conflicto y se podría sobrescribir el contenido.
00:07:52Aparte de esto, a veces notamos que el agente principal se impacientaba
00:07:56si algún agente tardaba mucho en completar una tarea y empezaba a realizarla él mismo
00:08:00en lugar de dejar que sus compañeros terminaran, así que es importante recordarle
00:08:04que espere a que los compañeros completen su parte antes de proceder.
00:08:06También es necesario dimensionar las tareas adecuadamente.
00:08:08Si asignas tareas demasiado pequeñas, se crea una carga excesiva de coordinación.
00:08:11Si son demasiado grandes, aumenta el riesgo de esfuerzo desperdiciado; por eso las tareas
00:08:16deben estar equilibradas y ser autónomas.
00:08:17Finalmente, es necesario supervisar el trabajo de los agentes.
00:08:19Si un agente no se desempeña como se espera, puedes detener su ejecución y darle nuevas
00:08:23instrucciones sobre lo que debería estar haciendo.
00:08:25Seguir estas prácticas hace que el uso de esta función experimental sea mucho más efectivo.
00:08:29Con esto llegamos al final del video.
00:08:31Si quieres apoyar al canal y ayudarnos a seguir haciendo videos como este, puedes hacerlo
00:08:35usando el botón de "Súper gracias" que aparece abajo.
00:08:38Como siempre, gracias por vernos y nos vemos en el próximo.