Crear agentes: cuándo integrar subagentes en el ciclo principal de tu agente

Al crear agentes en Claude Platform, reducir el uso de subagentes a cambio de contexto y herramientas que se revelan progresivamente puede mejorar la calidad y reducir costes y latencia. Te explicamos cuándo y cómo migrar.

  • ProductoClaude Platform
  • AuthorDiane Sarkis
  • Fecha22 de octubre de 2026
  • Tiempo de lectura22 min
  • Compartir

Si has creado un agente en Claude Platform con varios subagentes, utiliza nuestro kit de migración para descubrir cuáles podría tener sentido incluir en el ciclo principal del agente. Ejecuta un flujo de trabajo guiado para identificar tus patrones, evaluar alternativas y verificar cuál es el mejor enfoque. Incluye una demostración que puedes probar en un sistema simulado antes de ejecutarla en tu agente.

Los subagentes son agentes con su propia ventana de contexto, herramientas e instrucciones, orquestados por un coordinador y son componentes esenciales del diseño de agentes. Son eficaces para verificar, realizar trabajos paralelos y conceder permisos de forma modular. Los usamos en muchos de nuestros propios agentes que creamos con Claude Platform, por ejemplo, en nuestro sistema de investigación multiagente.

Sin embargo, el equipo de IA aplicada descubrió recientemente un patrón en implementaciones de agentes empresariales al que ha beneficiado integrar enrutadores, planificadores y subagentes de dominio en el ciclo principal del agente. En nuestras comparaciones entre varias implementaciones empresariales, un solo agente con skills superaba con frecuencia en calidad tanto al diseño de un único prompt para todo como al diseño de subagentes, y a menudo con menor coste y latencia por tarea.

Por ejemplo, una empresa descubrió que la docena de subagentes especialistas de su agente de atención al cliente dificultaba el mantenimiento de una experiencia coherente con la marca y añadía latencia que perjudicaba la experiencia del usuario.

También solemos ver propuestas de diseños de agentes que siguen la misma progresión: un clasificador de intenciones, un proceso de razonamiento fijo en varios pasos, segmentos de usuarios, ramas separadas de recomendaciones y, por encima de todo, un orquestador multiagente.

En estos casos, a menudo se dice que la mayor parte de esta estructura estaba haciendo tareas que el modelo ya no necesitaba, y que un prompt del sistema claro, 4 o 5 herramientas de datos sencillas y barreras de seguridad de salida firmes cubrirían la mayor parte del caso de uso.

diseño de subagentes

Que quede claro: los subagentes siguen teniendo su utilidad, incluso en la vanguardia de la investigación. Úsalos cuando:

  • Un solo ciclo de agente experimenta una degradación medible del rendimiento debido a la sobrecarga del contexto, o
  • Es necesario abordar varias tareas en paralelo con nuevas ventanas de contexto que se pueden descartar una vez finalizada la tarea, o
  • Un agente individual tiene problemas para seleccionar las herramientas adecuadas o hay instrucciones contradictorias en el prompt del sistema.

Pero con demasiada frecuencia vemos que las empresas asignan a cada equipo o tipo de problema su propio subagente, y la arquitectura de agentes se convierte en una copia de su organigrama (ley de Conway en acción).

En esta publicación explicamos cuándo plantearse integrar los subagentes en el ciclo principal del agente, en base a las mejores prácticas que hemos adquirido al crear agentes para organizaciones grandes.

Modos de fallo al crear agentes en grandes organizaciones

Las empresas suelen querer crear un agente que reúna varios productos y capacidades dentro de una misma interfaz para el cliente.

Por lo general, cada capacidad pertenece a un equipo independiente, así que las empresas empiezan dejando que cada equipo cree su propio agente y, luego, un equipo de plataforma central crea un orquestador por encima de ellos. Esto puede adoptar varias estructuras, como orquestador-subagente o un agente único con agentes específicos expuestos como herramientas MCP.

A primera vista parece lo más simple, pero trae problemas desde el principio:

  • Gestión de contexto: hay que decidir qué contexto se comparte entre agentes y, a menudo, se pierden detalles en los intercambios.
  • Expansión de subagentes: cada equipo lanza su propio subagente, así que las empresas acaban teniendo cientos de subagentes que se solapan, sin estándares obligatorios ni un responsable claro.
  • El Frankenprompt: cada equipo añade una oración al prompt del sistema, lo que genera reglas contradictorias y una voz incoherente.
  • Evaluaciones sin verificar y demasiado localizadas: todo el mundo añade sus propias evaluaciones, que están demasiado optimizadas para su subtarea. Nadie es dueño ni mantiene el conjunto completo, y la dirección toma decisiones basándose en métricas diluidas y demasiado específicas.
  • Latencia: la complejidad de la arquitectura multiagente añade latencia. Un cliente que comparó su capa de orquestación multiagente con un ciclo de agente único vio que este último era aproximadamente dos veces más rápido.

Usar un ciclo de agente con revelación progresiva

El diseño de orquestador-subagente descrito anteriormente es un enfoque razonable para coordinar especialistas de distintos equipos, pero a menudo es más eficaz revelar el contexto de forma progresiva mediante skills y revelar las herramientas de forma progresiva mediante la búsqueda de herramientas. Es decir, el agente ve descripciones breves de las skills y herramientas, que solo se cargan completamente cuando se necesitan.

Hay tres razones por las que este enfoque puede tener sentido:

  • El contexto compartido produce mejores respuestas: en el caso de agentes con mayor tiempo de ejecución, queremos que el contexto de varias tareas diferentes aparezca en la ventana de contexto principal. Un agente que haya visto el resultado de cada paso anterior puede conectarlos, lo que genera resultados más completos y mejores perspectivas que un conjunto de resúmenes entregados por subagentes. También significa menos ventanas de contexto y menos traspasos con pérdidas de información.
  • La divulgación progresiva evita saturar el contexto: esta técnica permite a los equipos crear agentes individuales que puedan realizar una amplia variedad de tareas sin tener que cargar todo el contexto en ese momento en un único y extenso prompt del sistema. Esto elimina la razón principal por la que los equipos dividían el trabajo entre subagentes. De hecho, redujimos el prompt del sistema de Claude Code para modelos más avanzados en más del 80 %, lo que incluyó recortes relacionados con la divulgación progresiva de skills y herramientas.
  • Los modelos tienen más capacidades: a partir de Opus 4.5, los modelos pueden gestionar mucho más en un solo ciclo de lo que la mayoría de los equipos esperaban. En Opus 5.5 y Fable 5.1 no se puede desactivar el pensamiento, y los modelos recientes narran cada vez más su progreso y verifican su trabajo a medida que avanzan, lo que hace que algunos elementos de la capa de orquestación sean redundantes. Cada nuevo modelo permite transferir más decisiones de la capa de orquestación al propio modelo. Un ciclo más simple también facilita migrar al siguiente modelo; en las migraciones en las que hemos ayudado a clientes, las estructuras multiagente rígidas solían ser lo que impedía que el nuevo modelo hiciera más trabajo.

El diseño de un ciclo de un solo agente requiere disciplina: un prompt del sistema cuidadosamente gestionado, descripciones de skills y herramientas que se activan en el momento adecuado y una gestión deliberada de ventanas de contexto, memoria y toma de notas. Las siguientes secciones de este artículo entran en los detalles de migración y diseño.

Un equipo central debería ser responsable de la calidad global y del prompt del sistema, examinando cada nueva herramienta y evaluación antes de publicarlos. Mantener pequeño el equipo acelera la iteración y reduce los costes de coordinación en organizaciones grandes.

Si optas por el enfoque multiagente, empieza con el patrón más simple (generador-verificador, orquestador-subagente u otro) que pueda funcionar. Descompón los límites con eficacia dividiendo por contexto: asigna a cada subagente un trabajo que requiera poco del resto del sistema y haz que te devuelva un resultado compacto (buenos candidatos son trayectorias de investigación independientes, componentes separados con interfaces limpias o verificación de caja negra). Cuando los agentes se dividen por tipo de problema, se produce el efecto "teléfono escacharrado", en el que la información pasa de un lado a otro y pierde precisión en cada salto.

subagentes divididos por problema

Cómo integrar subagentes en el ciclo principal del agente

Muchos equipos ya tienen en producción un orquestador y un conjunto de agentes especialistas. Este es el diseño de ciclo único que recomendamos perseguir:

  • Un modelo y una ventana de contexto que ejecutan un ciclo abierto de herramientas, con límites establecidos en la capa de orquestación (presupuestos de turnos y costes y controles de escritura).
  • En cada turno, el modelo emite un lote de llamadas a herramientas. La capa de orquestación las ejecuta en paralelo y devuelve resultados sin procesar al mismo modelo, que decide el siguiente paso: otro lote, preguntar al usuario o dar una respuesta.
  • El ciclo se detiene cuando el modelo responde o alcanza un límite de presupuesto. Opcionalmente, después de la respuesta se puede ejecutar una comprobación de objetivo o de verificador.
  • El modelo escribe su plan en el contexto en el primer turno y lo revisa a medida que llegan los resultados. Este es el principal cambio con respecto al esquema del orquestador y los agentes especialistas: el modelo que escribe el plan es también el que lo ejecuta, así que puede cambiarlo sobre la marcha.
  • El contexto sigue cargándose y lo gestiona el propio agente:
    • Ya no es necesario un paso de código que reescriba el plan a partir de un catálogo de reglas, ya que el modelo decide cada paso.
    • El orden de los pasos y los procedimientos del dominio pasan a las skills.
    • Los límites estrictos (validaciones y puntos de aprobación) y todo lo que surja durante la conversación, como buscar en la memoria, pasan a las herramientas.
    • El código sigue siendo válido para cargar cualquier cosa de bajo coste y casi siempre relevante (por ejemplo, un paso de resolución de entidades) y para gestionar cualquier parte mecánica (crear cargas útiles, analizar flujos o reanudar de una aclaración) dentro de herramientas que el ciclo llame.

Este diseño de ciclo único también ayuda con el estado final que es el objetivo de muchos equipos (un agente que entiende los objetivos de alto nivel del usuario y actúa en su nombre), ya que mantiene todo lo que el agente ha aprendido en un solo contexto.

Las siguientes sugerencias muestran cómo un equipo podría pasar de un sistema multiagente a un ciclo de agente único por etapas, y cómo varios equipos pueden seguir contribuyendo a ese agente durante el proceso.

Evaluaciones de finalización de tareas

El primer paso es crear un conjunto de evaluaciones que te ayude a determinar si debes integrar un subagente en el ciclo principal del agente. La estructura de evaluación que hemos visto que funciona consiste en un conjunto compartido de principio a fin, mantenido por un equipo central, junto con conjuntos de evaluaciones más pequeños que son entregados por el equipo propietario de cada skill. Un conjunto de 10 ejemplos de referencia es suficiente para empezar.

Calificar el mensaje final del agente con respecto a una rúbrica es un buen punto de partida para hacer un seguimiento de la calidad de las respuestas. Mientras sigas teniendo un orquestador, también deberías controlar la precisión del redireccionamiento (¿eligió el subagente adecuado?). Una vez que se haya integrado un subagente, comprueba si el agente cargó la skill correcta o llamó a la herramienta adecuada. Trabajar para lograr evaluaciones de finalización de tareas con el tiempo ayuda mucho, ya que es lo que más importa a la hora de comparar arquitecturas.

Esto puede resultar complejo en entornos donde es difícil reproducir los sistemas internos y simular la interacción de los usuarios. Un enfoque que nos ha funcionado internamente es registrar marcas de tiempo en eventos importantes para poder reproducirlos más tarde y ejecutarlos como evaluaciones específicas.

Reducir el número de subagentes con el tiempo

Evolucionar hacia un ciclo de agente único implica convertir los subagentes en herramientas y skills. Puedes hacerlo fusionando subagentes de dominio, invocándolos como herramientas o reemplazándolos por skills y herramientas.

incorporar subagentes

Combinar agentes de dominio

Crea una pequeña evaluación integral antes de la primera fusión. Luego, intégralos según el contexto compartido, empezando por los subagentes que más se usan.

Fusiona los especialistas que dependen del resultado de otros, trabajan con los mismos datos o suelen invocarse juntos. Por ejemplo, si una parte importante del tráfico de producción corresponde a un especialista seguido de otro, se trata de un par estrechamente acoplado, lo que lo convierte en candidato para fusionarse en un único agente de dominio.

Subagentes invocados como herramientas

Cuando se cumple una de las tres condiciones anteriores y conserves un subagente, puede resultar útil que el agente principal llame a los subagentes como herramientas para seguir conversando con el usuario.

Solo recomendamos un traspaso completo, en el que el subagente se hace cargo de la conversación, cuando necesite hablar directamente con el usuario. Todo lo demás puede ser una skill junto con herramientas en el ciclo principal.

This will allow you to define a shared response schema for subagents, verify the conclusion against real data with the main agent, and trim the input to any final synthesis step. This is a good first step, as you don’t need to rewrite the subagents. It also gives you a baseline on the task-completion eval before deciding to fold any subagents into the main agent.

Sin embargo, algunos modos de fallo seguirán existiendo:

  • Cada especialista tiene su propio prompt, contexto, equipo responsable y evaluaciones
  • Cada llamada sigue entregando un resumen con pérdidas
  • Cada llamada es un ciclo de modelo anidado que añade latencia

Integrar subagentes en el agente principal con skills y herramientas

Integra los subagentes en el agente principal uno a uno, convirtiendo los prompts de cada uno en skills y sus llamadas a API en herramientas MCP. Compara el rendimiento de las evaluaciones con y sin el subagente. Luego decide cuál conservar.

Cuando compares, no te limites a examinar la puntuación final: mira qué tareas han dado otro resultado. Cuando probamos esto con un agente de soporte de ejemplo, integrar un subagente en otro redujo la latencia, pero también hizo fallar un proceso que antes superaba las pruebas. El agente principal disponía de la herramienta de búsqueda de pedidos y respondía por sí solo, sin preguntar la fecha de entrega al especialista en envíos.

Antes de cada cambio, asegúrate de que tu evaluación tenga una tarea para cada cadena de agentes que se ejecutan junta en producción y para cada regla que el agente no debe incumplir, y ejecuta cada tarea más de una vez, porque un fallo como este solo apareció en una de cada dos ejecuciones.

Cómo pueden contribuir varios equipos a un mismo agente

El razonamiento del dominio se puede recuperar desde bases de conocimiento, skills y herramientas MCP. Los equipos individuales pueden dejar de ser responsables de los agentes para serlo de las skills y herramientas, mientras un pequeño equipo central mantiene la responsabilidad del prompt del sistema y de la calidad de principio a fin. Esto implica examinar nuevas skills, herramientas y evaluaciones antes de lanzarlas.

Herramientas MCP

Las herramientas son la opción adecuada cuando el agente necesita realizar una acción, leer datos en tiempo real de un sistema o devolver un resultado con un formato fijo. También puedes usar herramientas para seguir llamando a subagentes mientras migras. Recomendamos agrupar las herramientas por intención del usuario (no una herramienta por cada API), porque cuando superas las 30-50 definiciones de herramientas en el prompt del sistema, la elección de herramientas suele empeorar.

Usa la búsqueda de herramientas con carga diferida, limita las condiciones previas estrictas y traslada a las herramientas las que necesites. Por ejemplo, si Y necesita el resultado de X, la herramienta de Y lo busca y devuelve una instrucción que el modelo pueda ejecutar. Los permisos por usuario funcionan de la misma manera. Cada herramienta comprueba lo que el usuario que realiza la llamada puede ver o hacer y devuelve un mensaje de denegación claro que el modelo entienda. Así, un único ciclo puede atender a usuarios con distintos accesos sin necesidad de un agente diferente para cada nivel de permisos.

Skills

Las skills son la opción adecuada cuando el agente necesita saber cómo trabaja un equipo, como los pasos, las reglas y las decisiones de criterio que antes contenía el prompt de un subagente especialista.

Nuestro forma de hacer crecer las bibliotecas de skills es delegar el trabajo de mantenimiento a las personas que escriben las skills. Claude puede hacer el trabajo pesado con skills capaces de crear, probar y depurar otras skills.

Para evitar la proliferación de skills, puedes asignar a cada equipo DRI que se encarguen de sus skills y se aseguren de que estén bien diseñadas, sean distintas entre sí y se publiquen con las evaluaciones adecuadas.

  • /skill-creator te permite crear skills nuevas que empiezan con una buena estructura y auditar las existentes para recortarlas, eliminar duplicados y reestructurarlas.
  • /skill-doctor te permite ver cuánto cuesta cada skill de tu biblioteca y con qué frecuencia se usa realmente, además de eliminar lo que ya no aporta nada.

Bases de conocimiento

Las bases de conocimiento son la opción adecuada para el material de referencia que el agente solo necesita ocasionalmente. Los datos y el material de referencia (políticas, definiciones de métricas y especificaciones de producto) pueden estar disponibles a través de una herramienta de búsqueda o consulta que el modelo invoque, o incluirse como archivos de referencia dentro de una skill. Evita que el código recupere este contexto y lo pegue en los prompts.

Herramientas para acelerar este trabajo

Hace poco, lanzamos un conjunto de skills de Claude API que pueden ayudarte con la mayor parte del trabajo mencionado anteriormente. Nuestro kit de migración reúne estas skills en un flujo de trabajo guiado para evaluar y migrar sistemas multiagente a un ciclo de un solo agente. Incluye una demostración que puedes probar antes de ejecutarlo en tu sistema real:

  • /claude-api build-eval: puede ayudarte a crear un primer conjunto de evaluación de principio a fin, gestionado por el equipo central, o pequeñas evaluaciones que cada equipo publica con su skill
  • /claude-api prompt-audit: puede detectar instrucciones escritas para modelos antiguos en tus prompts, skills y descripciones de herramientas, y proponer correcciones en forma de diff. Puedes ejecutarlo en tus prompts del sistema para encontrar reglas que se añadieron para un modelo anterior y que ahora hacen que el agente sea más lento o rígido. El DRI de cada equipo también puede ejecutarlo con sus propias skills y descripciones de herramientas.
  • /claude-api hillclimb: puede mejorar iterativamente una aplicación tomando como referencia una evaluación existente. Sirve para comparar entre "integrar y conservar" (después de integrar un subagente en una skill junto con herramientas, deja que itere sobre las descripciones de la skill y de las herramientas y comprueba si la versión integrada iguala o supera al subagente), así como para tu prompt del sistema.
  • /claude-api cost-optimize: analiza adónde van tus llamadas y propone ahorros mediante opciones como el caché de prompts, la reducción de tokens de entrada y salida innecesarios, el nivel de esfuerzo y la elección de modelo, aplicando un cambio cada vez. Esto ayuda a reducir costes y latencia en un diseño determinado.

A medida que los modelos evolucionan, también lo hacen nuestra comprensión de cómo usarlos de la mejor forma y las directrices sobre mejores prácticas. Eso hace que cualquier arquitectura sea menos importante que el principio en el que se basa: medir, cambiar una cosa cada vez y conservar lo que funciona.

Este es uno de esos casos. A medida que los modelos adquieren más capacidades y los agentes se ejecutan durante más tiempo, más subagentes pueden convertirse en skills y herramientas. Sin embargo, no tienes que hacerlo todo a la vez. Crea una pequeña evaluación de principio a fin, integra un subagente y mantenlo como subagente solo si la versión integrada obtiene una puntuación peor; después, repite el proceso.

Transforma cómo opera tu organización con Claude

Suscribirse al boletín para desarrolladores

Novedades del producto, tutoriales, destacados de la comunidad y más. Entregado mensualmente en tu bandeja de entrada.

Proporciona tu dirección de correo electrónico si deseas recibir nuestro boletín mensual para desarrolladores. Puedes cancelar la suscripción en cualquier momento.