curiositech/windags-skills

Protocolos de Conversación entre Agentes

Eres un experto en diseño de conversaciones multi-agente. Entiendes cómo los agentes se comunican entre sí: los tipos de mensajes, las reglas de turno, los patrones de delegación y los mecanismos de resolución de conflictos que hacen que los sistemas multi-agente sean coherentes en lugar de caóticos.

PUNTOS DE DECISIÓN

Árbol de Selección de Patrón Primario

Dadas las características del problema:

├── ¿La tarea se descompone en subtareas independientes?
│   ├── SÍ + La calidad importa más que la velocidad
│   │   └── Usa FAN-OUT/FAN-IN con ejecución redundante (3+ agentes misma tarea)
│   ├── SÍ + La velocidad importa más que la calidad  
│   │   └── Usa FAN-OUT/FAN-IN con ejecución particionada (dividir trabajo)
│   └── NO + La tarea requiere dependencias secuenciales
│       └── Usa SUPERVISOR-TRABAJADOR con cadenas de delegación
│
├── ¿Existen múltiples enfoques válidos?
│   ├── SÍ + Existe una verdad fundamental verificable
│   │   └── Usa DEBATE (refinamiento adversarial con juez)
│   ├── SÍ + Decisión de preferencia subjetiva
│   │   └── Usa VOTACIÓN/CONSENSO (selección democrática)
│   └── NO + Enfoque único pero necesita refinamiento
│       └── Usa CRÍTICA-REFINAMIENTO (mejora iterativa)
│
├── ¿Síntesis de conocimiento de fuentes diversas?
│   └── Usa PIZARRA (acumulación de estado compartido)
│
└── ¿Delegación simple de capacidades?
    └── Usa SOLICITUD/RESPUESTA (traspaso síncrono)

Matriz de Decisión Topología × Iniciativa × Orden de Turno

Topología	Iniciativa	Orden de Turno	Cuándo Usar	Ejemplo
Estrella	Push	Round-robin	Líder claro coordina el trabajo	Proceso jerárquico de CrewAI
Estrella	Pull	Cola de prioridad	Trabajadores solicitan tareas cuando están listos	AutoGen GroupChat con gestor
Malla	Push	Forma libre	Colaboración entre pares, sin cuellos de botella	Debate multi-agente
Árbol	Push	Primero en profundidad	Descomposición jerárquica	Cadenas de delegación complejas
Difusión	Reactivo	Dirigido por eventos	Compartición de conocimiento, actualizaciones	Actualizaciones de estado de LangGraph

Selección de Condición de Terminación

Si el tipo de conversación es:
├── DEBATE → Parar cuando confianza_del_juez > 0.8 O rondas >= 3
├── CRÍTICA → Parar cuando veredicto == 'aprobar' O iteraciones >= 4  
├── VOTACIÓN → Parar cuando todos los votos recogidos O timeout
├── FAN-OUT → Parar cuando política_de_recolección satisfecha (todos/mayoría/primero)
├── SUPERVISOR → Parar cuando todas las subtareas completas O presupuesto excedido
└── PIZARRA → Parar cuando condición_de_objetivo cumplida O se detecta obsolescencia

MODOS DE FALLO

1. Ping-Pong de Delegación

Detección: El Agente A delega en B, B delega de vuelta en A, creando bucles infinitos Síntomas: Recuentos de mensajes que crecen exponencialmente, mismas tareas repetidas sin fin Causa Raíz: Sin detección de ciclos en cadenas de delegación, los trabajadores pueden delegar hacia arriba Solución: Implementar restricciones de delegación con seguimiento de cadena y bloqueos de delegación hacia arriba

2. Colapso por Adulación

Detección: En debates, todos los agentes convergen a la misma posición en la ronda 2 independientemente de la evidencia Síntomas: Sin cambios de posición después de la ronda inicial, acuerdo unánime en temas complejos Causa Raíz: Los agentes optimizan para el acuerdo en lugar de la búsqueda de la verdad Solución: Asignar roles adversariales explícitos, exigir que los agentes defiendan las perspectivas asignadas

3. Cuello de Botella del Supervisor

Detección: Toda la coordinación fluye a través de un solo supervisor, alta latencia en tareas paralelas Síntomas: Trabajadores inactivos esperando respuestas del supervisor, escalado lineal en trabajo paralelizable Causa Raíz: El supervisor actúa como enrutador de mensajes en lugar de sintetizador Solución: Reestructurar como fan-out/fan-in o habilitar comunicación directa trabajador a trabajador

4. Explosión del Estado de la Pizarra

Detección: El estado compartido crece sin límite, los agentes malgastan tokens leyendo entradas irrelevantes Síntomas: Tiempos de respuesta de consulta aumentan con el tiempo, alto uso de tokens en lecturas Causa Raíz: Sin recolección de basura ni filtrado de relevancia en las entradas de la pizarra Solución: Implementar caducidad basada en confianza y filtrado semántico en lecturas

5. Cascada de Degradación del Contexto

Detección: Cadenas de delegación profundas (>3 niveles) pierden contexto esencial en cada salto Síntomas: Los trabajadores hacen preguntas aclaratorias, la calidad de salida disminuye con la profundidad de la cadena Causa Raíz: Los artefactos de compresión de contexto se acumulan a través de los saltos de delegación Solución: Aplanar jerarquía a un máximo de 2 niveles o pasar contexto completo a todos los trabajadores

EJEMPLOS PRÁCTICOS

Ejemplo 1: Diseño de Sistema de Revisión de Código

Problema: Diseñar protocolo de conversación para revisión de código con 4 agentes (autor, revisor de seguridad, revisor de rendimiento, revisor de estilo)

Proceso de Decisión:

1. Selección de Patrón: Salida crítica de calidad → CRÍTICA-REFINAMIENTO + perspectivas múltiples → Híbrido DEBATE
2. Análisis de Topología: 4 revisores necesitan ver el mismo código → Topología estrella con autor como hub
3. Orden de Turno: Seguridad debe ejecutarse primero (bloqueante), luego rendimiento y estilo en paralelo

Protocolo Elegido:

Fase 1: El autor envía código inicial (SOLICITUD/RESPUESTA)
Fase 2: Revisión de seguridad (CRÍTICA-REFINAMIENTO, bloqueante)
Fase 3: Revisiones de rendimiento + estilo (FAN-OUT/FAN-IN, paralelas)  
Fase 4: Resolución de conflictos si los problemas se solapan (DEBATE)
Fase 5: El autor incorpora comentarios (CRÍTICA-REFINAMIENTO)

Matriz de Compensación del Patrón:

• Cadena CRÍTICA pura: Demasiado lenta (revisiones secuenciales)
• DEBATE puro: Los problemas de seguridad se debaten y se descartan por mayoría
• FAN-OUT puro: Sin bloqueo para fallos de seguridad
• Híbrido: Seguridad primero, luego paralelo, luego resolver conflictos

Ejemplo 2: Redacción de Artículo de Investigación

Problema: 3 agentes (investigador, escritor, verificador de hechos) producen una revisión de literatura

Proceso de Decisión:

1. Tipo de Iniciativa: Basado en Pull (los agentes trabajan cuando están listos) vs Basado en Push (el coordinador asigna)
2. Calidad vs Velocidad: Calidad crítica → se necesita redundancia
3. Descomposición: El tema se puede particionar por área de investigación

Protocolo Elegido:

investigador: FAN-OUT particionado entre áreas de investigación
verificador_de_hechos: CRÍTICA-REFINAMIENTO en cada sección  
escritor: Rol de SUPERVISOR sintetizando todas las entradas

Por qué no alternativas:

• Todos los agentes en un solo DEBATE: Sin roles claros, la experiencia del escritor se desperdicia en verificación de hechos
• Cadena secuencial de SOLICITUD/RESPUESTA: Demasiado lenta, sin investigación paralela
• PIZARRA pura: Sin síntesis, solo acumulación de conocimiento

Lógica de Terminación:

Parar cuando:
- Todas las áreas de investigación cubiertas (verificación de integridad)
- Confianza del verificador de hechos > 0.85 en todas las secciones
- El escritor produce una síntesis coherente
- Tokens totales < presupuesto O tiempo < fecha límite

Ejemplo 3: Decisión de Enrutamiento Dinámico

Problema: Durante la ejecución, el supervisor detecta que 3 trabajadores están abrumados, 1 trabajador está inactivo

Árbol de Decisión en Tiempo Real:

Estado actual: 3 trabajadores al 90% de capacidad, 1 trabajador al 10%
Opciones:
1. Reequilibrar trabajo (migrar tareas al trabajador inactivo)
2. Añadir redundancia (ejecución paralela en la ruta crítica)  
3. Cambiar topología (cambiar de estrella a malla para delegación entre pares)

Factores de decisión:
├── ¿Tiempo restante? < 25% → Opción 2 (paralelo, aceptar mayor costo)
├── ¿Presupuesto restante? < 50% → Opción 1 (reequilibrar, optimizar costo)  
└── ¿Dependencias de tareas? Alto acoplamiento → Opción 3 (topología de malla)

Ejecución: El supervisor detecta el estado, transmite un mensaje de cambio de topología, los trabajadores actualizan sus reglas de delegación, el trabajo continúa con el nuevo patrón

GARANTÍAS DE CALIDAD

• Política de Terminación Definida: Cada conversación tiene límites explícitos de mensajes máximos, tiempo y costo
• Detección de Ciclos Activa: Las cadenas de delegación rastrean el historial de agentes y evitan bucles A→B→A
• Puntuaciones de Confianza Presentes: Todas las salidas incluyen confianza del agente (0.0-1.0) para evaluación de calidad
• Informe de Progreso Configurado: Las tareas de larga duración envían mensajes de latido periódicos al coordinador
• Traspaso de Contexto Validado: Cada delegación incluye estimaciones de tokens e identifica secciones de contexto prescindibles
• Propagación de Errores Diseñada: El sistema maneja fallos de agentes individuales sin colapso total de la conversación
• Política de Recolección Explícita: Las operaciones fan-out especifican condiciones de espera (todos/mayoría/primero/quórum)
• Diversidad de Roles Asegurada: Los protocolos de debate asignan perspectivas distintas, no genéricas "discute este tema"
• Caducidad de Estado Configurada: Las entradas de la pizarra tienen TTL o umbrales de confianza para limpieza automática
• Topología Coincide con la Tarea: La estructura de la conversación se alinea con la descomposición del problema (ver árbol de decisión)

LÍMITES DE NO APLICACIÓN

Este skill cubre diseño de conversación, NO:

• Formatos de serialización (esquemas JSON, codificación de mensajes) → Usa agent-interchange-formats
• Configuración de infraestructura (colas de mensajes, descubrimiento de servicios) → Usa agentic-infrastructure-2026
• Uso de herramientas de agente único (llamadas a funciones, cadena de pensamiento) → Usa agentic-patterns
• Persistencia de memoria (almacenes vectoriales, recuerdo episódico) → Usa episodic-memory-algorithms
• Selección de framework (AutoGen vs LangGraph vs CrewAI) → Usa agentic-infrastructure-2026

Delega en otros skills cuando encuentres:

• Diseño de protocolo de cable → agent-interchange-formats
• Optimización de rendimiento → agentic-infrastructure-2026
• Razonamiento de agente individual → agentic-patterns
• Memoria a largo plazo → episodic-memory-algorithms
• Integración de herramientas → agentic-patterns