Enjambres de Claude Code: Cómo un Ingeniero de Anthropic Corre 100+ Agentes en Bucle
Fuente: Kshitij Mishra | AI & Tech (@DAIEvolutionHub) en X.com | Duración: ~27 minutos
Workshop por: Ingeniero de Anthropic | Fecha: 21 de septiembre de 2026
Introducción
Un ingeniero de Anthropic acaba de revelar algo que cambia todo sobre cómo la mayoría de los desarrolladores usa Claude Code.
"El 99% de la gente usa Claude Code como Google. Solo el 1% está corriendo enjambres de agentes Claude que se auto-aprenden. Yo estoy corriendo 100+ agentes en un bucle. Tengo un agente Chief, agentes PM — ellos manejan todo el equipo."
En este workshop de 27 minutos, ese modelo mental del 1% se explica en su totalidad. Esto no se trata de escribir prompts. Se trata de orquestación a escala — construir sistemas agénticos que se auto-mejoran y que trabajan mientras duermes.
Esta guía vale más que cualquier curso de $500. Mira el workshop, luego lee esto para solidificar cada concepto.
1. Las Dos Maneras de Usar Claude Code
La mayoría de los desarrolladores se acerca a Claude Code de la misma manera que a un buscador: escribe una pregunta, obtiene una respuesta, copia el resultado. Lo usan como un autocompletado inteligente. Este es el 99%.
El 1% trata a Claude Code como una capa de orquestación — la base sobre la cual se construyen sistemas de agentes autónomos que planifican, ejecutan, verifican y se auto-corrigen en tareas de larga ejecución.
La diferencia no es de nivel de habilidad ni de experiencia. Es de modelo mental. Una vez que ves Claude Code como un runtime de agentes en lugar de una interfaz de chat, todo cambia sobre cómo diseñas tus flujos de trabajo.
El cambio clave: deja de pensar "¿qué debería preguntarle a Claude?" y empieza a pensar "¿qué sistema de agentes debería diseñar, y qué rol debería tener cada uno?"
2. Qué es Realmente un Enjambre de Claude Code
Un enjambre no es un sistema multi-agente en el sentido académico. Es una arquitectura práctica donde múltiples instancias de Claude Code corren simultáneamente, cada una con un rol específico, y se coordinan a través de contexto compartido, archivos o paso de mensajes.
El propio setup de producción del ingeniero de Anthropic incluye:
- Agente Chief — El orquestador. Recibe el objetivo de alto nivel, lo descompone en tareas, delega a los agentes PM y monitorea el progreso general. No escribe código directamente.
- Agentes PM (Project Manager) — Cada agente PM es dueño de un dominio o vertical. Reciben tareas del Agente Chief, las desglosan en sub-tareas y coordinan a los agentes trabajadores debajo de ellos.
- Agentes Trabajadores — Agentes de ejecución especializados. Cada uno se enfoca en una tarea estrecha: escribir pruebas, implementar una funcionalidad, revisar un PR, actualizar documentación, correr un benchmark.
Esta jerarquía replica cómo funcionan los equipos de ingeniería reales. El Agente Chief es tu Tech Lead. Los Agentes PM son tus ingenieros senior. Los agentes trabajadores son colaboradores individuales especializados.
El resultado: un solo humano supervisando un sistema que puede manejar el rendimiento de un equipo de ingeniería completo.
3. El Bucle de Auto-Aprendizaje: Cómo los Agentes Mejoran con el Tiempo
El concepto más poderoso del workshop es el bucle de auto-aprendizaje — el mecanismo que hace que este sistema mejore con el tiempo sin intervención humana.
Así funciona en la práctica:
Paso 1 — Ejecutar: Un agente trabajador intenta una tarea (escribir una función, corregir un bug, generar una suite de pruebas).
Paso 2 — Verificar: Un agente de verificación separado revisa el resultado. Esto puede ser: correr la suite de pruebas, hacer linting del código, verificar contra una especificación, o correr un agente crítico especializado que busca errores lógicos.
Paso 3 — Reflexionar: Si la verificación falla, el agente no reintenta ciegamente. Primero reflexiona sobre por qué falló. Genera un diagnóstico: "La función falla en el caso límite X porque el supuesto Y era incorrecto."
Paso 4 — Corregir: El agente usa su diagnóstico para generar una corrección específica, en lugar de reescribir desde cero.
Paso 5 — Actualizar la Memoria Compartida: La lección aprendida ("el supuesto Y es incorrecto cuando está presente la entrada Z") se escribe en un archivo de conocimiento compartido que TODOS los agentes del enjambre pueden leer en futuras tareas.
Esto es lo que hace que el sistema se auto-mejore: cada fallo produce una lección, y cada lección mejora todos los intentos futuros en todo el enjambre.
4. Máximo Valor al Mínimo Costo
El título del workshop promete "máximo valor al mínimo costo." Así es como el ingeniero de Anthropic lo logra en producción:
Escalamiento selectivo: No toda tarea necesita el modelo más capaz. Los agentes trabajadores corren en modelos más ligeros y rápidos (Haiku, Sonnet) para tareas rutinarias. Solo el Agente Chief y las tareas que requieren razonamiento complejo usan Opus. Esto solo reduce los costos entre un 60 y 80% en enjambres de alto volumen.
Paralelización sobre ejecución secuencial: En lugar de un agente haciendo 10 tareas secuencialmente, 10 agentes hacen 1 tarea cada uno simultáneamente. El tiempo total de pared cae entre un 80 y 90%, y el costo por tarea permanece igual.
Archivos de contexto compartido: Los agentes escriben sus hallazgos, decisiones y aprendizajes en archivos markdown compartidos. Esto es más barato que pasar el contexto completo en cada prompt. Cada agente lee solo las partes del contexto compartido relevantes para su tarea.
Agrupamiento de tareas: El Agente Chief agrupa tareas pequeñas y similares y las envía como lotes a los agentes trabajadores. Esto reduce la sobrecarga de la inicialización del agente y la carga del contexto.
Terminación temprana: El agente de verificación corre primero verificaciones rápidas y baratas (linting, validación de formato) antes de las verificaciones costosas (suite de pruebas completa, revisión basada en LLM). Las tareas que fallan en las verificaciones rápidas se retornan inmediatamente sin correr la verificación costosa.
5. Diseñar el Agente Chief: La Decisión más Crítica
La arquitectura del Agente Chief determina si tu enjambre tiene éxito o falla. El ingeniero de Anthropic proporciona una plantilla de diseño clara.
Qué debe hacer el Agente Chief:
-
Descomponer el objetivo en tareas atómicas, ejecutables independientemente. Una tarea es atómica si puede completarse sin conocer el resultado de otra tarea incompleta.
-
Asignar tareas con contexto completo. Cada delegación de tarea incluye: la descripción de la tarea, los archivos de código relevantes, los criterios de aceptación y el formato de salida esperado. Los agentes que reciben tareas ambiguas producen resultados ambiguos.
-
Rastrear el estado de las tareas. El Agente Chief mantiene un tablero de tareas (un archivo JSON o markdown simple) con: tareas pendientes, tareas en progreso (qué agente, cuándo comenzó), tareas completadas y tareas fallidas (con razón del fallo).
-
Manejar fallos con política. El Agente Chief tiene políticas explícitas de reintento: cuántas veces reintentar una tarea fallida, cuándo escalar a un agente diferente y cuándo marcar la tarea para revisión humana.
-
Sintetizar resultados. Cuando todas las tareas están completas, el Agente Chief revisa los resultados, resuelve conflictos (cuando dos agentes produjeron cambios incompatibles) y ensambla el producto final.
Qué NO debe hacer el Agente Chief:
- Escribir código o ejecutar tareas directamente. Su trabajo es coordinación, no ejecución.
- Mantener demasiado estado en contexto. Después de cada ciclo de coordinación, escribe su estado al archivo y puede reinicializarse limpiamente.
- Tomar decisiones que deberían escalarse al humano. El Agente Chief tiene una lista clara de tipos de decisiones que requieren aporte humano, y pausa y pregunta en lugar de adivinar.
6. Diseñar los Agentes Trabajadores: La Especialización lo Es Todo
Cada agente trabajador debe estar tan especializado que tenga casi ninguna toma de decisiones que hacer — solo ejecuta su función estrecha de manera extremadamente eficiente.
El principio de contexto mínimo viable: Un agente trabajador debe recibir solo la información que necesita para su tarea específica. No todo el codebase. No el historial del proyecto. Solo los archivos relevantes, la especificación de la tarea y los criterios de aceptación.
Tipos de agentes trabajadores efectivos en un enjambre de desarrollo de software:
| Tipo de Agente | Responsabilidad |
|---|---|
| Implementador | Escribir el código para una funcionalidad o función específica |
| Escritor de Pruebas | Generar una suite de pruebas completa para un módulo dado |
| Revisor | Verificar una implementación contra la especificación y marcar problemas |
| Refactorizador | Mejorar la calidad del código sin cambiar el comportamiento |
| Escritor de Documentación | Generar o actualizar documentación técnica |
| Depurador | Diagnosticar y corregir pruebas fallidas |
| Auditor de Seguridad | Revisar el código en busca de vulnerabilidades de seguridad |
| Analista de Rendimiento | Identificar y corregir cuellos de botella de rendimiento |
La regla clave de diseño: si un agente trabajador necesita tomar una decisión significativa (una que afecte el resultado más allá de su tarea estrecha), debería detenerse y escalar al agente PM, no adivinar.
7. Memoria Compartida: El Tejido Conectivo del Enjambre
El bucle de auto-aprendizaje solo funciona porque los agentes comparten memoria. Sin un sistema de memoria compartida, cada agente comienza desde cero — las lecciones aprendidas por un agente se pierden para todos los demás.
La arquitectura de memoria compartida del ingeniero de Anthropic:
- Archivo de Contexto del Proyecto (
CONTEXT.md): Descripción del proyecto de alto nivel, decisiones de arquitectura, restricciones clave. Leído por todos los agentes al inicializarse. - Tablero de Tareas (
TASKS.json): Estado actual de todas las tareas. Escrito por el Agente Chief, leído por todos los agentes PM y trabajadores. - Lecciones Aprendidas (
LESSONS.md): Conocimiento acumulado de fallos y éxitos pasados. Agregado por cualquier agente que encuentre un hallazgo no obvio. - Índice de Código (
INDEX.md): Un resumen estructurado de lo que hace cada archivo. Actualizado por agentes de documentación después de cambios significativos. - Registro de Decisiones (
DECISIONS.md): Decisiones clave de arquitectura e implementación con su justificación. Evita que los agentes re-litiguen decisiones ya tomadas.
Estos archivos son baratos de mantener y reducen drásticamente la cantidad de contexto que cada agente necesita llevar en su prompt. También hacen el enjambre reanudable: si el sistema se cae, reinicias desde el estado actual de estos archivos en lugar de desde cero.
8. Manejo de Errores y Recuperación en Enjambres de Producción
Los enjambres de producción fallan. Las redes dan timeout. Las APIs devuelven errores. Los agentes producen salidas inválidas. El ingeniero que no planifica el fallo reconstruirá su sistema desde cero cada pocas semanas.
La taxonomía de errores para enjambres de Claude Code:
Fallos transitorios (reintentar automáticamente): timeouts de red, límites de velocidad de API, indisponibilidad temporal del servicio. Usar retroceso exponencial con jitter. Máximo 3 reintentos antes de escalar.
Fallos de salida (reintentar con retroalimentación): el agente produjo una salida que falla la verificación. Incluir el mensaje de fallo de verificación en el prompt de reintento. Máximo 2 reintentos antes de escalar a un agente diferente o humano.
Fallos de contexto (reestructurar y reintentar): el agente no tenía suficiente información para completar la tarea. El Agente Chief identifica el contexto faltante, lo agrega y reintenta una vez.
Fallos lógicos (escalamiento humano): la tarea es genuinamente ambigua, contradictoria, o requiere una decisión más allá de la autoridad del agente. El Agente Chief la marca para revisión humana y continúa con otras tareas.
Fallos en cascada (pausar y recuperar): un fallo en un agente está bloqueando múltiples tareas posteriores. El Agente Chief pausa las ramas afectadas, notifica al humano y espera la resolución antes de reanudar.
La regla: fallar rápido, recuperarse inteligentemente, escalar apropiadamente. Un enjambre que continúa silenciosamente después de un fallo lógico causa mucho más daño que uno que pausa y pide ayuda.
9. Setup Práctico: Corriendo tu Primer Enjambre
El workshop incluye un recorrido práctico para comenzar. Aquí está la versión condensada:
Paso 1 — Define tu objetivo con precisión. Escribe un párrafo describiendo lo que el enjambre debe producir. Los objetivos ambiguos producen resultados inútiles independientemente de cuán buenos sean tus agentes.
Paso 2 — Identifica tu descomposición de tareas. Desglosa el objetivo en 5 a 15 tareas atómicas. Cada tarea debe ser: completable en menos de 10 minutos, verificable independientemente y asignable a un único agente.
Paso 3 — Escribe tus criterios de aceptación. Para cada tarea, define exactamente cómo se ve "terminado." Esto se convierte en la lista de verificación del agente de verificación.
Paso 4 — Configura tus archivos de memoria compartida. Crea CONTEXT.md, TASKS.json, LESSONS.md. Llena CONTEXT.md con la descripción de tu proyecto y TASKS.json con tu lista de tareas.
Paso 5 — Inicia el Agente Chief. Dale tu objetivo, apúntalo a los archivos de memoria compartida y deja que comience la orquestación.
Paso 6 — Monitorear, no microgestionar. Revisa el tablero de tareas cada 5 a 10 minutos. Responde a los escalamientos. Deja que los agentes trabajen.
Paso 7 — Revisa el resultado final. El Agente Chief produce una síntesis. Revísala, identifica lecciones para LESSONS.md y ya sea envía o itera.
10. El Futuro del Desarrollo de Software: El Humano como Arquitecto
El ingeniero de Anthropic cierra el workshop con una visión que reencuadra el rol del desarrollador de software.
El desarrollador de 2026 no es un programador. Un programador escribe funciones. Esa es una tarea que los agentes de IA hacen mejor, más rápido y de manera más consistente que cualquier humano.
El desarrollador de 2026 es un arquitecto de sistemas agénticos: alguien que diseña la estructura del enjambre, define los roles y límites de decisión de cada agente, escribe los criterios de aceptación que los agentes de verificación hacen cumplir y toma las decisiones de alto nivel que ningún agente está autorizado a tomar solo.
Este es un rol con más apalancamiento. Un desarrollador único supervisando un enjambre bien diseñado de 100 agentes puede producir el resultado de un equipo de ingeniería completo. El cuello de botella ya no es la velocidad de escritura, el conocimiento de sintaxis ni siquiera la habilidad algorítmica. El cuello de botella es el diseño de sistemas: la capacidad de descomponer objetivos complejos en tareas claras, atómicas y verificables independientemente.
Los desarrolladores que aprenden esta habilidad ahora — mientras la mayoría de sus pares todavía usan Claude Code como Google — tendrán una ventaja estructural que se compone con el tiempo.
El workshop termina con un desafío: construye un enjambre esta semana. Empieza pequeño. Cinco agentes, tres tareas. Aprende los modos de fallo. Mejora. Luego escala.
Puntos Clave
- El 99% usa Claude Code como una herramienta de chat. El 1% lo usa como plataforma de orquestación.
- La arquitectura central: Agente Chief → Agentes PM → Agentes Trabajadores. Replica la jerarquía de un equipo de ingeniería real.
- El bucle de auto-aprendizaje: Ejecutar → Verificar → Reflexionar → Corregir → Actualizar Memoria Compartida.
- Máximo valor al mínimo costo: escalamiento selectivo de modelos, paralelización, archivos de contexto compartido, terminación temprana.
- La memoria compartida (CONTEXT.md, TASKS.json, LESSONS.md) es el tejido conectivo que hace los enjambres inteligentes con el tiempo.
- Taxonomía de errores: transitorio (reintentar), salida (reintentar con retroalimentación), contexto (reestructurar), lógico (escalar), cascada (pausar).
- El rol del desarrollador futuro: arquitecto de sistemas agénticos, no escritor de código.