Agent on KnightLi Blog

DeepSeek V4 Flash para una demo de juego en Godot: ¿hasta dónde llegan unos centavos?

Wed, 06 May 2026 09:22:18 +0800

¿Puede DeepSeek V4 Flash encargarse del desarrollo de una demo de juego en Godot?

El foco es simple: ¿puede crear una pequeña demo de Godot que se ejecute, se observe y tenga efectos físicos?

La respuesta corta es sí. La calidad no es comercial, pero ya es suficiente para prototipos de gameplay y demos de interacción física. Más importante aún, el costo es muy bajo, lo que lo hace adecuado para validar ideas rápidamente.

Rendimiento de la demo

El foco de esta demo es la interacción física.

Varios efectos visibles incluyen:

La cuerda puede cortarse.
La caja cae al suelo.
Después de aumentar la masa, las colisiones de la caja se vuelven más contundentes.
La cuerda muestra elasticidad evidente.
Después de ajustar fricción y elasticidad, la caja muestra deslizamiento y rebote claros.

Por lo que presenta, esto ya no es solo “unos scripts de Godot generados”. Es un pequeño prototipo que puede ejecutarse y mostrar comportamiento físico observable.

Usabilidad

El valor de esta demo es que puede ejecutarse, verse y modificarse. No es un juego completo ni un proyecto de ingeniería listo para comercialización directa, pero ya demuestra varias cosas:

DeepSeek V4 Flash puede entender el objetivo básico de una demo de Godot.
Un AI Agent puede convertir requisitos en un proyecto ejecutable.
Tareas no web como interacción física en Godot están entrando en una etapa de prototipado de bajo costo.
Para desarrolladores individuales, puede convertir rápidamente una idea en algo visible.

Si el objetivo es construir un juego formal, claramente no basta. Pero si el objetivo es verificar si una idea de gameplay es interesante o si el efecto físico aproximado puede hacerse, esta demo ya es usable.

Significado del costo

La parte más notable no es lo pulidos que son los visuales, sino el costo.

Si una demo física de Godot puede producir una versión ejecutable con costos de modelo de unos pocos centavos, su significado no es reemplazar el desarrollo profesional de videojuegos. Es reducir de forma drástica el costo de prueba y error de prototipos.

Antes, validar una pequeña idea de juego normalmente requería saber Godot, escribir scripts, configurar escenas y ajustar parámetros físicos. Ahora un AI Agent puede generar primero una versión ejecutable, y los humanos pueden juzgar si la dirección tiene sentido.

Para desarrolladores indie, este tipo de experimentación de bajo costo es útil:

Validar rápidamente conceptos de gameplay.
Generar demos temporales para que otros las vean.
Explorar APIs de Godot y el sistema físico.
Convertir ideas en un primer proyecto ejecutable.
Reducir el costo de código escrito a mano antes de aclarar la dirección.

Rendimiento de DeepSeek V4 Flash

Vale la pena notar que el modelo usado aquí es DeepSeek V4 Flash, no un modelo insignia más caro y pesado.

Funciona bien en el rol de modelo de prototipado de bajo costo. No es el más fuerte, estable ni adecuado para entregar ingeniería de producción, pero resulta atractivo en escenarios sensibles al presupuesto donde el objetivo es probar rápidamente una dirección.

Escenarios adecuados

DeepSeek V4 Flash + Agent + Godot encaja mejor con estas tareas:

Pequeños prototipos de gameplay.
Demos de efectos físicos.
Validación de conceptos de UI o interacción.
Ejemplos de enseñanza.
Ayuda para entender la estructura de proyectos Godot.
Generar un primer proyecto ejecutable.

Es menos adecuado para asumir directamente estas tareas:

Arquitectura de juego grande.
Controladores de personaje complejos.
Sincronización de red.
Código central para proyectos comerciales.
Simulación física de alta precisión.
Envío automático sin pruebas humanas.

En otras palabras, sirve como primer borrador y banco de pruebas, no como responsable de ingeniería de producción.

Qué demuestra esto

Esto muestra que AI coding sigue expandiéndose desde sitios web, scripts y APIs backend hacia desarrollo de juegos y prototipado interactivo.

El desarrollo de juegos solía tener una barrera alta de entrada, especialmente cuando motores, scripts, gestión de assets y sistemas físicos se mezclaban. Los principiantes podían atascarse fácilmente. Ahora modelos más herramientas Agent pueden configurar primero el proyecto, permitiendo a los desarrolladores centrarse en juzgar el gameplay y ajustar efectos.

Esto puede traer tres cambios:

Primero, los prototipos de juegos se vuelven más baratos. Muchas ideas ya no tienen que esperar a un desarrollo completo para validarse; pueden convertirse primero en demos ejecutables.

Segundo, los desarrolladores indie pueden estar más dispuestos a experimentar. Personas que no conocen Godot pueden aun así usar IA para tocar la estructura del proyecto y el flujo básico.

Tercero, la estabilidad del modelo se vuelve más importante. El desarrollo de juegos no consiste solo en que el código corra. El efecto también debe ser razonable, la sensación debe ser normal y los parámetros deben ser controlables. En el futuro, modelos que combinen mejor visuales reales y estado de ejecución serán más adecuados para este tipo de tarea.

Resumen

DeepSeek V4 Flash para una demo de Godot se puede resumir en una frase: no perfecto, pero lo bastante barato, rápido y adecuado para prototipar.

Todavía está lejos de los juegos comerciales, pero si el objetivo es validar una pequeña idea de juego a costo extremadamente bajo, ya tiene valor.

Para desarrolladores individuales, el uso más realista no es entregar todo el juego a la IA, sino dejar que la IA produzca primero un proyecto ejecutable mientras los humanos hacen juicio, compromisos y pulido. Usados así, modelos de bajo costo como DeepSeek V4 Flash se vuelven realmente atractivos.

Lanzamiento de la vista previa de DeepSeek-V4: contexto de 1M, dos modelos y notas de migración de API

Fri, 24 Apr 2026 22:39:46 +0800

DeepSeek lanzó Lanzamiento preliminar de DeepSeek V4 el 2026-04-24. Según la página de anuncio oficial, la actualización se centra en algunos temas muy claros: “1M context”, una línea de dos modelos con “V4-Pro” y “V4-Flash”, optimización dedicada para escenarios de agentes y migración de modelos del lado API.

Si reducimos el comunicado a una frase, la señal principal es la siguiente: DeepSeek no sólo está intentando crear un modelo más potente. Está impulsando el contexto ultralargo y las capacidades de los agentes hacia algo que esté listo para su implementación práctica.

1. Lo que se lanzó esta vez

Según la página oficial, DeepSeek-V4 Preview incluye principalmente dos líneas de productos:

-DeepSeek-V4-Pro -DeepSeek-V4-Flash

Las descripciones oficiales también son muy directas:

DeepSeek-V4-Pro: 1.6T total / 49B parámetros activos
DeepSeek-V4-Flash: 284B en total / 13B de parámetros activos

El nombre ya deja clara la estrategia. Esta no es una actualización de un solo modelo. DeepSeek está lanzando un modelo de gama alta y un modelo más rentable al mismo tiempo.

“V4-Pro” está posicionado alrededor del techo de rendimiento, y DeepSeek dice que puede competir con los mejores modelos de código cerrado del mundo. V4-Flash, por el contrario, se posiciona en torno a la velocidad, la eficiencia y el menor costo, lo que lo hace más adecuado para cargas de trabajo que se preocupan más por la latencia y el precio de API.

2. `1M contexto` es el título más visible

Una de las líneas más destacadas de la página oficial es: “Bienvenido a la era del contexto rentable de 1 millón de longitud”.

DeepSeek no se limita a decir que el modelo admite un contexto prolongado. Presenta “contexto 1M” como una capacidad predeterminada de esta generación. La página es explícita que:

1M context es ahora el estándar predeterminado en todos los servicios oficiales de DeepSeek
Tanto V4-Pro como V4-Flash admiten contexto 1M

La importancia de esto no es sólo que puedas colocar más tokens. Afecta directamente a tareas como:

Comprender grandes bases de código
Preguntas y respuestas de documentos extensos y síntesis de información.
Flujos de trabajo de agentes de múltiples turnos
Tareas complejas que abarcan múltiples archivos, herramientas y etapas.

Cuando la ventana de contexto es lo suficientemente grande, es menos probable que el modelo pierda el contexto a mitad del camino y vuelva a leer el material repetidamente. Esto es muy importante para la codificación agente y el trabajo de conocimiento complejo.

3. Qué enfatiza principalmente `V4-Pro`

Según el texto de la página oficial, “DeepSeek-V4-Pro” se centra en tres cosas:

Capacidad de codificación agente
conocimiento mundial
Capacidad de razonamiento

La página dice que “V4-Pro” alcanza SOTA de código abierto en puntos de referencia de codificación agente. También afirma ser líder entre los modelos abiertos actuales en el conocimiento mundial, sólo por detrás de “Gemini-3.1-Pro”, y afirma que su rendimiento en matemáticas, “STEM” y codificación supera a los modelos abiertos actuales y rivaliza con los mejores modelos de código cerrado.

En otras palabras, “V4-Pro” no se posiciona como un simple modelo de preguntas y respuestas. Está dirigido mucho más al razonamiento de alta dificultad, la codificación compleja y la ejecución de tareas a largo plazo.

4. `V4-Flash` no es solo una versión reducida

Otro punto destacable es que DeepSeek no presenta V4-Flash como modelo de gama baja. Más bien, subraya que el modelo ya es lo suficientemente sólido para muchas tareas prácticas.

Según el anuncio, V4-Flash:

Tiene una capacidad de razonamiento cercana a “V4-Pro”.
Funciona a la par con V4-Pro en tareas simples de agente
Utiliza menos parámetros, responde más rápido y es más económico para el uso de API

Eso significa que la alineación no es una estructura muy dividida de “un buque insignia, un nivel de entrada”. Está más cerca de:

V4-Pro: optimización para un mayor rendimiento y un techo más resistente
V4-Flash: optimización para una menor latencia y una mejor rentabilidad

Para los desarrolladores, esta suele ser una combinación más práctica, porque muchas tareas de producción no necesitan el modelo más sólido en teoría. Necesitan algo lo suficientemente fuerte, lo suficientemente rápido y lo suficientemente asequible.

5. El lanzamiento pone un claro énfasis en la optimización de los agentes.

Otra señal fuerte de la página de anuncios es que DeepSeek está impulsando activamente “V4” hacia casos de uso de agentes.

La página dice que “DeepSeek-V4” se ha integrado perfectamente con varios agentes líderes de IA, incluidos:

Código Claude
OpenClaw
Código Abierto

DeepSeek también dice que “V4” ya se está utilizando en sus flujos de trabajo de codificación agentes internos.

Eso significa que el objetivo ya no se limita al chat o a la finalización ordinaria. El modelo se está posicionando para flujos de trabajo más largos: leer código, comprender la estructura, llamar a herramientas, generar resultados y conectar todo el proceso.

Si ha estado prestando atención a los agentes de codificación recientemente, vale la pena señalarlo. Los proveedores de modelos ya no compiten sólo en base a puntos de referencia. También compiten sobre si el modelo realmente puede integrarse en flujos de trabajo reales.

6. La innovación estructural está al servicio de la eficiencia en el contexto a largo plazo.

En el aspecto técnico, la página resume el trabajo estructural de este lanzamiento como:

compresión por token
DSA (Atención escasa de DeepSeek)

La dirección es clara: hacer que el contexto largo sea más barato y más eficiente, al mismo tiempo que se reducen los costos de computación y memoria tanto como sea posible.

La página del anuncio no entra en detalles técnicos completos, pero al menos sugiere que DeepSeek no depende únicamente del escalamiento por fuerza bruta para admitir ventanas más largas. También está realizando optimizaciones a nivel de arquitectura específicamente para la eficiencia en contextos prolongados.

Para los usuarios reales, eso a menudo es más importante que simplemente ver un número de contexto mayor, porque la usabilidad real depende de algo más que si “1M” está técnicamente disponible. También depende de:

Si la velocidad sigue siendo aceptable
Si el costo sigue siendo aceptable
Si las tareas de contexto largo permanecen estables en la práctica

7. La API ya está disponible, pero la migración del modelo es importante

La página oficial indica claramente que la API está disponible hoy.

La ruta de migración también es relativamente sencilla:

Mantener la misma base_url
Cambie el nombre del modelo a deepseek-v4-pro o deepseek-v4-flash

La página también dice que ambos modelos admiten:

Contexto 1M
Modos duales “Pensamiento / No pensamiento”
Compleciones de Chat OpenAI
API antrópicas

Eso significa que si ya utiliza la API de DeepSeek, la ruta de actualización no es especialmente difícil. El trabajo principal es actualizar los nombres de los modelos y validar el comportamiento.

8. El calendario de jubilación para modelos antiguos es explícito.

Para los desarrolladores, uno de los detalles más importantes de la página es en realidad el aviso de retirada de modelos más antiguos.

DeepSeek dice explícitamente:

chat de búsqueda profunda
razonador de búsqueda profunda

quedará completamente retirado y será inaccesible después del 24 de julio de 2026 a las 15:59 UTC. La página también señala que estos dos modelos están siendo encaminados actualmente a los modos de pensamiento y no pensamiento de “deepseek-v4-flash”.

Eso significa que si su proyecto todavía hace referencia directa a deepseek-chat o deepseek-reasoner, ahora es el momento de planificar la migración en lugar de esperar hasta que se acerque la fecha de cierre formal.

9. Por qué vale la pena leer este comunicado

Si comprimimos la actualización en algunas conclusiones principales, se ven así:

DeepSeek está convirtiendo el “contexto 1M” de una característica premium a un estándar predeterminado
La estrategia de dos modelos es más clara: uno apunta al techo de rendimiento, el otro apunta a la velocidad y la rentabilidad.
La capacidad del agente se ha trasladado a un papel muy central.
La ruta de actualización de API es relativamente directa, pero el cronograma de retiro del modelo antiguo necesita atención pronto.

Para los usuarios generales, el cambio más visible puede ser que los documentos largos, los contextos de código largos y los flujos de trabajo largos sean más fáciles de encajar en una sola sesión.
Para los desarrolladores, el punto más importante es que si ya están creando agentes, asistentes de codificación, flujos de trabajo de conocimiento o canales de automatización complejos, esta generación está muy claramente diseñada para esos escenarios.

Esta no es sólo una actualización rutinaria del modelo de DeepSeek. Se lee más como una declaración más clara de la próxima dirección de su producto: contexto ultralargo, optimización de agentes y preparación de API más práctica.

Enlaces relacionados

Página oficial de noticias de DeepSeek: https://api-docs.deepseek.com/news/news260424
Informe técnico: https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro/blob/main/DeepSeek_V4.pdf
Pesos abiertos: https://huggingface.co/collections/deepseek-ai/deepseek-v4

Términos de AI explicados: Agent, MCP, RAG y Token en lenguaje simple

Thu, 23 Apr 2026 13:13:40 +0800

Cuando la gente empieza con AI, lo que suele alejarla no son los modelos en sí, sino la larga lista de términos que aparecen en cada discusión. Agent, MCP, RAG, AIGC y Token suenan familiares, pero sin una explicación simple muchas personas solo reconocen las palabras sin entenderlas de verdad.

Este artículo condensa 10 términos frecuentes de AI en significados más fáciles de recordar. El objetivo no es sonar académico, sino ayudarte a construir un modelo mental básico para seguir conversaciones cotidianas sobre AI.

10 términos comunes de AI y qué significan

1. Agent: una AI que hace más que chatear

Agent puede entenderse como un asistente AI que realmente hace trabajo.

Un chatbot normal suele seguir un patrón de pregunta y respuesta. Un Agent va más lejos: puede dividir una tarea en pasos, organizar un proceso, llamar herramientas y devolver un resultado terminado. Si le pides organizar materiales, buscar algo o generar un documento, quizá no solo dé consejos, sino que encadene acciones y las complete.

Por eso el punto clave de un Agent no es si puede hablar, sino si puede actuar.

2. OpenClaw: un asistente AI que vive en tu ordenador

Aquí, OpenClaw se describe como un tipo de asistente AI que vive en tu ordenador.

Puedes pensar en esta herramienta como un ayudante AI más orientado al escritorio. No solo recibe texto. También puede observar la interfaz, llamar herramientas locales y ejecutar tareas paso a paso. Frente a un chat web normal, enfatiza mucho más la capacidad operativa.

Si Agent es la idea abstracta de una AI orientada a ejecución, este tipo de asistente de escritorio es una versión concreta para ordenador personal.

3. Skills: paquetes de capacidad añadidos a un Agent

Skills pueden entenderse como módulos funcionales o instrucciones operativas para un Agent.

El mismo Agent puede comportarse muy distinto según las Skills que tenga. Algunas se centran en copywriting, otras en organizar datos y otras en código. Son un poco como apps en un teléfono y un poco como workflows reutilizables.

En muchos casos no es que el modelo se vuelva más inteligente de repente. Es que se añadieron reglas, herramientas y pasos más claros detrás.

4. MCP: una forma unificada para conectar AI con herramientas

MCP significa Model Context Protocol.

En términos cotidianos, es un poco como un conector Type-C para el mundo AI. Antes, conectar un modelo a distintas herramientas solía exigir integraciones separadas una por una. Con un protocolo unificado, la forma de conectar herramientas se vuelve más estándar y reutilizable.

Para la mayoría de usuarios, lo importante es recordar esto: MCP no trata de si un modelo puede responder una pregunta. Trata de cómo un modelo puede conectarse a herramientas y recursos externos de forma segura y estable.

5. Gacha: la salida AI es inherentemente aleatoria

El término “gacha” aparece a menudo en generación de imágenes, video y trabajo creativo con AI.

La idea es simple. Incluso con el mismo prompt y la misma dirección general, el resultado puede cambiar cada vez. A veces sale genial. A veces se rompe. Por eso se compara repetir generaciones con tirar gacha en un juego.

Esto recuerda que la generación AI no es una fórmula fija, sino un proceso probabilístico con variación.

6. API: la conexión entre una app y un modelo

API significa Application Programming Interface.

Puedes pensarla como el punto de entrada estándar por el que los programas se comunican. Cuando llamas un servicio de modelo desde tu app, script o editor, usas una API para enviar una solicitud y recibir un resultado.

Si comparas un servicio de modelo con un restaurante:

el menú es como la documentación de API
hacer un pedido es como una solicitud API
la cocina devolviendo el plato es como el modelo devolviendo resultado

Por eso muchas herramientas pueden verse distintas en superficie y aun así llamar alguna API por debajo.

7. Multimodalidad: AI maneja más que texto

Multimodality significa que AI ya no solo lee y escribe texto. Puede procesar varios tipos de entrada y salida.

Por ejemplo, puede leer imágenes, entender voz, interpretar video, generar dibujos o soportar interacción de voz y video en tiempo real. Frente a los primeros modelos solo texto, los modelos multimodales se acercan más a combinar ver, oír, hablar y escribir.

Por eso muchos productos AI ya no giran alrededor de una sola caja de texto.

8. RAG: recuperar información primero y luego generar respuesta

RAG significa Retrieval-Augmented Generation.

Sirve para resolver un problema práctico: los datos de entrenamiento de un modelo tienen un límite temporal y no conoce automáticamente los documentos nuevos de tu empresa, registros de soporte o reglas de negocio. La idea de RAG es recuperar primero material relevante de fuentes específicas y luego generar una respuesta basada en ese material.

Su valor aparece en tres formas:

las respuestas se mantienen más cerca del material fuente real
puedes rastrear de dónde salió la respuesta
documentos nuevos pueden añadirse y reflejarse rápido

Por eso muchas bases de conocimiento empresariales, sistemas de atención AI y herramientas internas de Q&A dependen de RAG.

9. AIGC: término general para contenido generado por AI

AIGC significa AI Generated Content.

No es una herramienta concreta. Es una etiqueta amplia para contenido producido por AI: texto, imágenes, audio, video y más. Escritura AI, ilustración AI, generación de video corto y síntesis de voz AI entran bajo AIGC.

Lo importante es que describe una forma de producir contenido, no un modelo específico.

10. Token: la unidad usada para medir procesamiento del modelo

Token puede entenderse como la unidad básica que un modelo usa para procesar texto.

No equivale exactamente a un carácter o una palabra, pero en la práctica puedes tratarlo como la unidad común para cómputo y facturación del modelo. Tu entrada consume Token, la salida del modelo consume Token y el contexto guardado en memoria también ocupa Token.

Por eso los servicios de modelos hablan tanto de longitud de contexto, control de coste y compresión de prompts. En el fondo, todo eso está ligado a Token.

Colaboración multi-agente en Claude Code: cómo elegir entre Subagents y Agent Teams

Wed, 22 Apr 2026 21:35:52 +0800

Cuando se habla de colaboración multi-agente en Claude Code, los dos conceptos más fáciles de mezclar son Subagents y Agent Teams. Ambos suenan como “levantar varios agentes para trabajar juntos”, pero están pensados para tipos de trabajo distintos. En corto: los primeros son mejores para separar tareas independientes, mientras los segundos encajan mejor cuando varios agentes necesitan colaborar alrededor del mismo problema y revisar sus conclusiones con el tiempo.

Si ya has usado Skills, este marco también ayuda:

Una Skill define el flujo y las reglas
Un Subagent o compañero de Agent Team ejecuta el trabajo real

Así que la pregunta real no es cuál es más avanzado, sino qué problema de colaboración estás resolviendo.

Subagents: separar tareas laterales

Subagents se parecen más a copias temporales de trabajador lanzadas desde la sesión actual. Cada uno tiene su propia ventana de contexto y, al terminar, devuelve solo un resumen del resultado. La conversación principal se mantiene más limpia porque no absorbe todos los logs y salidas intermedias.

Eso da a Subagents varias fortalezas prácticas:

El hilo principal se mantiene limpio en lugar de llenarse de logs de tests, resultados de búsqueda o salida larga
Tareas independientes de investigación o ejecución pueden correr en paralelo
Funcionan bien cuando basta con “tráeme el resultado”

El artículo original señala que Claude Code trae tres tipos integrados de Subagents:

Explore: solo lectura, útil para buscar rápidamente en una codebase
Plan: solo lectura, útil para reunir información en segundo plano durante plan mode
General-purpose: puede leer y escribir, adecuado para tareas que mezclan exploración y edición

Subagents personalizados

Si las opciones integradas no bastan, puedes definir tu propio Subagent. El mecanismo es simple: escribir un archivo Markdown en una de estas ubicaciones:

.claude/agents/: activo solo en el proyecto actual
~/.claude/agents/: activo en todos tus proyectos

El formato se ve así:

---
name: code-reviewer
description: Expert code review specialist. Proactively reviews code for quality, security, and maintainability. Use immediately after writing or modifying code.
tools: Read, Grep, Glob, Bash
model: inherit
---
You are a senior code reviewer ensuring high standards of code quality and security.

When invoked:

1. Run git diff to see recent changes
2. Focus on modified files
3. Begin review immediately

Review checklist:

- Code is clear and readable
- Functions and variables are well-named
- No duplicated code
- Proper error handling
- No exposed secrets or API keys
- Input validation implemented
- Good test coverage
- Performance considerations addressed
Provide feedback organized by priority:

- Critical issues (must fix)
- Warnings (should fix)
- Suggestions (consider improving)

Include specific examples of how to fix issues.

El campo clave es description. Claude lo usa para decidir cuándo debe llamarse ese Subagent, así que cuanto más precisa sea la descripción, más fiable suele ser el disparo.

También conviene conocer algunos campos comunes:

tools: limita qué herramientas puede usar el Subagent
model: elige entre sonnet, opus, haiku o inherit
permissionMode: controla permisos de edición y prompts de autorización
memory: da al Subagent un directorio de memoria entre conversaciones

Si solo necesitas un Subagent temporal, también puedes definirlo mediante CLI:

claude --agents '{
  "code-reviewer": {
    "description": "Expert code reviewer. Use proactively after code changes.",
    "prompt": "You are a senior code reviewer. Focus on code quality, security, and best practices.",
    "tools": ["Read", "Grep", "Glob", "Bash"],
    "model": "sonnet"
  }
}'

Cuándo encajan mejor los Subagents

Subagents suelen encajar mejor en tareas como:

Ejecutar tests y devolver solo el resumen de fallos en lugar de llenar el hilo principal con miles de líneas de logs
Investigar varios módulos no relacionados en paralelo
Dividir “encontrar el problema” y “corregir el problema” en una pipeline simple

Por ejemplo:

`1`	`Research the authentication, database, and API modules in parallel using separate subagents`

`1`	`Use the code-reviewer subagent to find performance issues, then use the optimizer subagent to fix them`

Pero si una tarea necesita ajustes constantes de ida y vuelta, comparte mucho contexto entre etapas o concentra cambios en uno o dos archivos, manejarla directamente en la conversación principal suele ser más simple que levantar un Subagent.

Agent Teams: múltiples sesiones independientes trabajando juntas

Agent Teams operan en otro nivel. En vez de lanzar copias de trabajadores dentro de una sesión, inician varias instancias independientes de Claude Code que colaboran alrededor de una lista de tareas compartida y también pueden enviarse mensajes directamente.

Eso hace que un Agent Team se sienta más como un pequeño equipo real que como un simple sistema de tareas laterales.

El artículo señala que actualmente es una función experimental y debe activarse primero:

{
    "env": {
        "CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS": "1"
    }
}

Una vez añadido a settings.json, puedes pedir a Claude que organice un equipo alrededor de un objetivo. Por ejemplo:

1
2
3

I'm designing a CLI tool that helps developers track TODO comments across
their codebase. Create an agent team to explore this from different angles: one
teammate on UX, one on technical architecture, one playing devil's advocate.

De qué se compone un Agent Team

Un Agent Team incluye principalmente tres partes:

Team lead: la sesión principal que usas, responsable de organizar, asignar y resumir
Teammates: varias instancias independientes de Claude Code
Task list y Mailbox: lista compartida de tareas y canal de comunicación

La mayor diferencia con Subagents es que los teammates pueden comunicarse directamente entre sí en lugar de pasar todo por el lead. Las tareas suelen moverse por estados como pending, in progress y completed; cuando un teammate termina una tarea, puede tomar la siguiente.

Cuándo encajan mejor los Agent Teams

Cuando una tarea necesita varias perspectivas, discusión activa, hipótesis en conflicto o trabajo paralelo en módulos, Agent Teams encajan mejor.

El artículo da varios ejemplos representativos:

Varios revisores inspeccionan el mismo PR en paralelo, cada uno centrado en una dimensión
Varios agentes investigan el mismo bug con explicaciones competidoras y desafían las conclusiones de los otros
Frontend, backend y testing avanzan en paralelo en distintas partes del proyecto

Por ejemplo, revisión de código en paralelo:

Create an agent team to review PR #142. Spawn three reviewers:
- One focused on security implications
- One checking performance impact
- One validating test coverage
Have them each review and report findings.

Y depuración estilo debate:

Users report the app exits after one message instead of staying connected.
Spawn 5 agent teammates to investigate different hypotheses. Have them talk to
each other to try to disprove each other's theories, like a scientific
debate. Update the findings doc with whatever consensus emerges.

El patrón común es que no quieres una sola respuesta. Quieres varios agentes intercambiando juicios, desafiando supuestos y convergiendo gradualmente en una conclusión más sólida.

Cómo elegir entre ellos

Si quieres una regla rápida:

Si solo necesitas el resultado, usa Subagents
Si el trabajo requiere discusión y validación cruzada, usa Agent Teams

Ampliando un poco:

Estilo de comunicación: Subagents principalmente reportan resultados a la sesión principal; miembros de Agent Teams pueden hablar directamente entre sí
Modelo de coordinación: Subagents dependen más de la conversación principal para orquestación; Agent Teams trabajan desde una lista de tareas compartida que los miembros pueden reclamar
Coste de tokens: Subagents son más baratos; Agent Teams cuestan más porque cada teammate es una instancia independiente
Mejor ajuste: Subagents para trabajo independiente y orientado a resultados; Agent Teams para trabajo con mucha discusión y revisión cruzada

Precauciones prácticas

Agent Teams son más potentes, pero eso no significa que cada tarea merezca un equipo completo. El artículo destaca varias preocupaciones prácticas:

el uso de tokens sube de forma notable
si varios teammates editan el mismo archivo a la vez, los conflictos de sobrescritura son muy probables
añadir demasiados teammates aumenta el coste de coordinación sin garantizar mejores resultados

Un valor predeterminado más seguro suele ser:

empezar con 3 a 5 teammates
dividir tareas por módulo o archivo para evitar conflictos de edición
si el lead empieza a hacer el trabajo de los teammates demasiado pronto, pedirle explícitamente que espere primero a los demás

La versión experimental actual también tiene limitaciones:

sin soporte de /resume y /rewind para teammates en proceso
el estado de tareas puede retrasarse y a veces necesita corrección manual
un lead solo puede gestionar un equipo a la vez
los teammates no pueden crear child teams propios

Conclusión breve

Estas dos funciones no se sustituyen entre sí. Resuelven dos problemas de colaboración distintos.

Si tu objetivo es paralelizar tareas laterales y mantener limpio el contexto principal, empieza con Subagents. Si tu objetivo es dejar que varios agentes trabajen como un pequeño equipo, discutan y se revisen entre sí, Agent Teams son la mejor herramienta.

Probar ambas en una tarea real suele aclarar la diferencia rápidamente: una está optimizada para aislamiento de contexto y recolección de resultados; la otra para colaboración multiperspectiva e interacción continua.

Enlaces relacionados

Artículo original: https://cloud.tencent.com/developer/article/2652960

Agent on KnightLi Blog

DeepSeek V4 Flash para una demo de juego en Godot: ¿hasta dónde llegan unos centavos?

Rendimiento de la demo

Usabilidad

Significado del costo

Rendimiento de DeepSeek V4 Flash

Escenarios adecuados

Qué demuestra esto

Resumen

Lanzamiento de la vista previa de DeepSeek-V4: contexto de 1M, dos modelos y notas de migración de API

1. Lo que se lanzó esta vez

2. 1M contexto es el título más visible

3. Qué enfatiza principalmente V4-Pro

4. V4-Flash no es solo una versión reducida

5. El lanzamiento pone un claro énfasis en la optimización de los agentes.

6. La innovación estructural está al servicio de la eficiencia en el contexto a largo plazo.

7. La API ya está disponible, pero la migración del modelo es importante

8. El calendario de jubilación para modelos antiguos es explícito.

9. Por qué vale la pena leer este comunicado

Enlaces relacionados

Términos de AI explicados: Agent, MCP, RAG y Token en lenguaje simple

10 términos comunes de AI y qué significan

1. Agent: una AI que hace más que chatear

2. OpenClaw: un asistente AI que vive en tu ordenador

3. Skills: paquetes de capacidad añadidos a un Agent

4. MCP: una forma unificada para conectar AI con herramientas

5. Gacha: la salida AI es inherentemente aleatoria

6. API: la conexión entre una app y un modelo

7. Multimodalidad: AI maneja más que texto

8. RAG: recuperar información primero y luego generar respuesta

9. AIGC: término general para contenido generado por AI

10. Token: la unidad usada para medir procesamiento del modelo

Colaboración multi-agente en Claude Code: cómo elegir entre Subagents y Agent Teams

Subagents: separar tareas laterales

Subagents personalizados

Cuándo encajan mejor los Subagents

Agent Teams: múltiples sesiones independientes trabajando juntas

De qué se compone un Agent Team

Cuándo encajan mejor los Agent Teams

Cómo elegir entre ellos

Precauciones prácticas

Conclusión breve

Enlaces relacionados

2. `1M contexto` es el título más visible

3. Qué enfatiza principalmente `V4-Pro`

4. `V4-Flash` no es solo una versión reducida