Muchos desarrolladores gestionan equipos de agentes y su orquestación dejándose llevar por la intuición, pero ¿realmente funciona?
En este artículo, te presento cinco patrones respaldados por investigaciones para gestionar equipos de agentes en Antigravity, Claude Code o cualquier otro agente de programación. Ya sea que estés creando nuevas aplicaciones, manteniendo bases de código heredadas o realizando investigaciones, aprenderás cuándo cada patrón supera a un solo agente y obtendrás prompts listos para usar y probarlo tú mismo.
Por: YK Sugi, Ingeniero Senior de Relaciones con Desarrolladores, Google Cloud
1. Separa al constructor del verificador. En lugar de tener un único agente que se encargue de todo, podemos separar la construcción y la verificación en dos hilos distintos. Un agente construye. Un segundo agente, en un hilo nuevo, comprueba si el resultado hace lo que pediste. Si un modelo revisa su propio trabajo en el mismo hilo, corre el riesgo de estar sesgado por su propia salida anterior.
De hecho, los estudios demuestran que los modelos son malos jueces de su propio trabajo. Les cuesta corregir su propio razonamiento sin retroalimentación externa y prefieren su propia salida frente a la de otros.
Usa este patrón para los cambios importantes. La autorrevisión puede seguir siendo válida para cambios pequeños o cuando las pruebas proporcionan retroalimentación.
Prompt: Inicia un subagente nuevo como verificador de solo lectura. Haz que compruebe si este diff hace lo que pedí.

2. Divide el trabajo en carriles. Cuando una tarea se divide limpiamente, asigna a cada parte su propio responsable, por ejemplo, un subagente para el frontend, otro para el backend y otro para la documentación. Haz que trabajen en paralelo sin editar los mismos archivos.
En un estudio de 2026 sobre 652 tareas de programación, dos agentes trabajando en código superpuesto tuvieron éxito aproximadamente un 30 % menos de veces que un solo agente haciendo ambas tareas.
En un estudio de Google y el MIT, los equipos de agentes obtuvieron puntuaciones hasta un 80,8 % más altas que un solo agente en un benchmark financiero con partes independientes, y entre un 39 % y un 70 % más bajas en un benchmark de planificación donde cada paso depende del anterior.

Para trabajos difíciles de dividir en partes claras como frontend y backend, un solo hilo suele funcionar mejor. Lo mismo ocurre con las pequeñas correcciones de errores, donde los subagentes en paralelo no ayudaron en otro estudio.
Prompt: Inicia tres subagentes en paralelo: uno para el frontend en web/, uno para el backend en api/ y uno para la documentación en docs/. Cada uno edita solo los archivos de su propia carpeta. Cuando los tres terminen, comprueba que las partes funcionen juntas.

3. El mejor de N (Best of N). Ejecuta la misma tarea varias veces en paralelo y deja que una suite de pruebas o una evaluación elija al ganador. AlphaCode, un sistema de programación de DeepMind, funcionaba así. Generaba muchos programas candidatos y los filtraba ejecutándolos. Este método tuvo un rendimiento competitivo en concursos de programación.
En un estudio de 2024 sobre este enfoque Best of N, las tasas de aprobación siguieron aumentando a lo largo de miles de intentos en tareas con comprobaciones automáticas. En issues reales de GitHub, un modelo pasó de resolver el 15,9 % en un intento al 56 % en 250 intentos. Sin una comprobación automática, elegir un ganador por mayoría de votos o mediante un modelo de puntuación se estancó alrededor de los 100 intentos.

Prompt: Ejecuta cinco subagentes en paralelo en Gemini 4 Hydrogen, cada uno intentando optimizar esto en su propio worktree. Puntúa cada intento en las evaluaciones, elige el mejor y dime el resultado.
4. Consejo de modelos. Pide a varios modelos propuestas independientes, haz que jueces voten con los nombres de los modelos ocultos y luego fusiona las ideas más fuertes. Úsalo cuando no haya una prueba o comprobación automática clara, como en arquitectura o diseño visual.
En un estudio, combinar respuestas de varios modelos obtuvo mejores puntuaciones que un único modelo frontier. En otro, un panel de diferentes modelos coincidió mejor con el juicio humano que un único juez grande.

Por ejemplo, diseñé este logotipo de barco con un consejo de modelos. Dos rondas bastaron para pasar de un primer intento básico al ícono final.

Prompt: Pide a Gemini 4 Carbon, Gemini 4 Neon y Claude Opus 5.5 un diseño independiente a cada uno. Haz que tres agentes nuevos en Gemini 4 Carbon, Gemini 4 Neon y Claude Opus 5.5 puntúen los diseños con los nombres de los modelos ocultos. Fusiona las mejores ideas en el ganador.
5. Equipo de revisores. Ejecuta varios revisores de solo lectura en paralelo, cada uno con una única tarea, como UX o seguridad.
En un estudio clásico de 1995 con revisores humanos, los equipos cuyos miembros buscaban cada uno un tipo diferente de error encontraron aproximadamente un 35 % más de errores que los equipos donde todos usaban la misma lista general de errores comunes.
Resulta que un patrón similar se cumple para los revisores de IA. En un estudio sobre jueces LLM, un equipo con diferentes roles coincidió mejor con el juicio humano que un solo juez, y rindió peor cuando todos compartían un único rol.

Prompt: Inicia cuatro revisores de solo lectura en paralelo para UX, simplicidad del código, casos extremos y seguridad. Corrige lo que reporten y luego repite con revisores nuevos hasta que los cuatro lo aprueben.
Estos patrones son más bien bloques de construcción que reglas estrictas. Puedes mezclarlos y combinarlos de la forma que mejor te funcione, pero aquí tienes un diagrama de flujo sencillo para guiarte sobre cuál usar en cada momento:






