010 receta
Paralelismo con contextos aislados
Receta operativa para tareas de investigación que admiten fragmentación. El truco no es el agente; es la disciplina del aislamiento. Cada subagente mantiene su propio contexto sin contaminar al orquestador, lo que permite sintetizar después sin ruido.
Cuándo aplicarla
Esta receta da retorno cuando:
- La tarea final exige consultar más de ocho o diez fuentes distintas.
- Las fuentes son independientes entre sí (no requieren contexto compartido).
- El criterio de síntesis lo aplica el humano o un orquestador único al final.
- El coste de un solo prompt larguísimo (con todas las fuentes en contexto) supera al de N prompts paralelos.
No la apliques cuando las fuentes se referencian unas a otras y el orden de lectura importa. En ese caso lo correcto es un único agente con contexto secuencial.
La receta en cuatro pasos
Uno. Fragmentar la tarea
Identificar la unidad mínima de investigación independiente. Si tu tarea es escribe un informe sobre el estado de los design systems en banca europea, las unidades pueden ser cada banco (BBVA, ING, N26, Revolut, Monzo). Cada unidad genera un subagente.
Dos. Aislar contexto por subagente
Cada subagente arranca con prompt limpio, su unidad asignada, y herramientas específicas (búsqueda web, lectura de URL, análisis de DOM). No comparte memoria con los demás. Esto es contraintuitivo si vienes de programación tradicional, donde compartir estado parece eficiente. En LLM contamina.
Tres. Sintetizar al final
Un único agente orquestador (o el humano editor) recibe los N outputs como bloques separados y produce la síntesis. La síntesis es la única fase donde existe contexto cruzado. Si se hace síntesis demasiado pronto, se pierde la ventaja del paralelismo.
Cuatro. Auditar el output por subagente
Antes de aceptar la síntesis, revisar al menos un output de subagente al azar. Si alucinó, los demás también lo harán probablemente. La auditoría aleatoria es la red de seguridad mínima.
Caso documentado · rescate de un negocio de contenido (2024 a 2025)
Patrón observado en operaciones públicas que rescataron servicios de resúmenes y librerías curadas. Para cada nueva unidad de contenido, se lanzaban N subagentes consultando decenas de fuentes distintas (reseñas, ensayos, podcasts, conferencias del autor). Un orquestador final compilaba la salida.
Resultado típico: producción que antes era una unidad al mes pasó a una al día, con mayor profundidad que la versión humana original. El truco editorial no fue el modelo concreto; fue la disciplina del aislamiento.
Caso completo en Nº 030 · Rescate de un negocio de contenido.
Herramientas tipo
- Claude Agent SDK (Anthropic, 2026). Orquestación nativa de subagentes.
- LangGraph (LangChain, 2024). Grafos de agentes con estado compartido opcional.
- Mastra (TypeScript, 2025). Orquestación liviana con control fino del contexto.
- Para tareas pequeñas,
Promise.all()sobre N llamadas a la API es suficiente.
Por qué encaja en el Estado 3
Esta receta es la mecánica que hace posible el Estado 3. La web plástica regenera variantes consultando subagentes especializados (uno para tono, uno para densidad, uno para ejemplos geográficos). Cada subagente opera en su contexto. El orquestador sintetiza la variante final bajo policies. Sin paralelismo aislado, la regeneración tarda demasiado y contamina demasiado.