Agentes de investigación profunda
Un agente de investigación profunda aplica la misma idea a una pregunta cuya evidencia desbordaría una sola conversación. En tiempo de ejecución, un planificador elige ramas independientes y entrega a cada trabajador únicamente la pregunta original, la tarea asignada y las herramientas necesarias. Los historiales de las demás ramas quedan fuera. Una etapa final sintetiza la evidencia que los trabajadores conservan. Primero ejecuta el patrón; después examina su implementación.
Cómo cambia el límite del flujo de trabajo
En todo el Módulo 2, el flujo de trabajo externo controla el alcance y el movimiento de los datos. La recuperación y la investigación profunda ubican este límite de manera diferente.
- Flujo de trabajo de indexación. El desarrollador define el pipeline, y la generación recibe el contexto de recuperación acotado de la Parte B.
- Flujo de trabajo de investigación profunda. El planificador crea ramas en tiempo de ejecución. Los trabajadores reciben contexto específico para su tarea y guardan evidencia para la síntesis.
Cualquiera de los dos flujos puede incluir un bucle ReAct en una etapa que deba adaptarse a resultados intermedios.
Por qué un contexto compartido falla
Un solo bucle ReAct mantiene todas las instrucciones y observaciones en un solo historial. Así, las evidencias anteriores compiten con el resultado de cada nueva herramienta. Con el tiempo, el propio historial se convierte en parte del problema.
- Desbordamiento (Overflow): la evidencia y la salida de las herramientas exceden la ventana de contexto.
- Degradación del contexto: la evidencia relevante está presente, pero recibe un peso insuficiente (Liu et al.).
- Interferencia: el razonamiento de una rama contamina a la siguiente rama.
Cómo avanza la investigación por el flujo de trabajo
El orquestador transforma la pregunta en tareas independientes, de modo que el alcance queda visible antes de comenzar el trabajo.
Cada subagente recibe una tarea en un contexto nuevo que excluye por completo los historiales de las demás ramas.
Los trabajadores escriben sus hallazgos en un sistema de archivos virtual compartido, donde la evidencia perdura cuando terminan sus contextos.
El orquestador lee la evidencia guardada y produce una respuesta cuyas afirmaciones siguen siendo trazables hasta sus respectivas ramas de origen.
Prueba · planifica, investiga y sintetiza
Plantea una pregunta de investigación y observa cómo el agente crea ramas que se ejecutan en paralelo sobre materiales externos seleccionados y el contenido del curso antes de redactar una respuesta con citas. Cada trabajador transmite su avance en un panel que puedes enfocar de forma independiente. Así puedes examinar las operaciones activas sin esperar a que finalice toda la ejecución paralela.
Inspecciona la implementación
Los tres ejemplos independientes siguientes conectan un cliente del modelo, construyen un grafo con una herramienta de reloj y guardan borradores de los trabajadores en archivos compartidos. El último aísla el intercambio de archivos sin recuperar evidencia externa.
¿Construir el planificador, los trabajadores y el estado compartido?
1 · Conecta el modelo
ChatOpenAI encapsula cualquier endpoint compatible con OpenAI. La celda lee
la URL y las credenciales mediante helpers.getConfig(), por lo que el
resto del grafo no depende de dónde se ejecuta el modelo.
.invoke() devuelve un mensaje completo; .stream()
produce mensajes parciales. Ambos implementan la interfaz Runnable de LangChain.
2 · Convierte el bucle en un grafo
createReactAgent({llm, tools}) convierte el bucle ReAct del Módulo 1
en nodos explícitos de modelo y herramientas. El grafo compilado puede ejecutarse por sí solo o
convertirse en un nodo de un flujo de trabajo más grande.
Regla de oro: diseña un grafo cuando un bucle simple ya no pueda expresar el flujo de control necesario.
3 · Guardar y combinar borradores de los trabajadores
Este ejemplo redacta a partir del conocimiento del modelo: los trabajadores tienen herramientas de archivos, pero no herramientas de recuperación ni fuentes proporcionadas. Los archivos conservan borradores, no evidencia verificada de forma independiente. Los trabajadores se ejecutan en secuencia y comparten los archivos guardados. El paquete deepagents encapsula un patrón similar para aplicaciones Node.js.
Comprueba tu comprensión
- ¿Qué entra en el contexto de cada subagente y qué queda fuera?
- ¿Por qué preservar los resultados en lugar de pasar una transcripción en crecimiento?
- ¿Cómo evitan fallos distintos el aislamiento de contexto y el sandbox del sistema operativo?
¿Rastrear las fuentes de implementación de la investigación profunda?
Referencias
- Liu et al., Lost in the Middle. Evidencia sobre fallos relacionados con la posición de la información dentro del contexto.
- LangChain, Deep Agents e implementación en JavaScript.
- Skill de investigación profunda de NVIDIA AI-Q y su blueprint.
- Kosmos. Un ejemplo de investigación científica multiagente.
Lista completa en Para ir más lejos · Referencias.