Cuatro patrones de ingeniería de las mejores presentaciones de agentes de IA

En una publicación en el Google Developers Blog en septiembre de 2026, los ingenieros resumieron las decisiones arquitectónicas clave del Desafío de Agentes de IA de Google for Startups. El análisis se centró en miles de presentaciones globales, aislando cuatro patrones específicos que distinguieron a las entradas mejor clasificadas del resto. Estas prácticas abordan problemas comunes en la concurrencia, la gestión de costos y la integración de sistemas para agentes autónomos.

Qué ocurrió

El Desafío de Agentes de IA de Google for Startups concluyó recientemente, con miles de desarrolladores presentando agentes en tres categorías. Los jueces evaluaron estos proyectos, observando que, aunque muchos afirmaban usar sistemas multiagente, solo algunos implementaban arquitecturas verdaderamente sofisticadas. Muchas presentaciones eran simplemente modelos únicos ejecutando cadenas de prompts con etiquetas de diferentes agentes adjuntas. Sin embargo, las entradas mejor clasificadas demostraron consistentemente cuatro patrones de ingeniería distintos que mejoraron la confiabilidad y el rendimiento.

Estos patrones surgieron de presentaciones de código reales en lugar de diseños teóricos. El informe anonimizó a los equipos para centrarse en las decisiones técnicas mismas. Las estrategias identificadas incluyen el uso bidireccional del Model Context Protocol (MCP), la concurrencia dirigida por eventos, la validación estricta de alternativas y el enrutamiento jerárquico de solicitudes. Estos enfoques ayudaron a los equipos a construir sistemas que podían manejar la carga y la complejidad del mundo real sin depender únicamente de modelos más grandes o nuevos.

Cómo funciona

El primer patrón implica hacer que un agente sea tanto cliente como servidor usando MCP. Típicamente, los agentes usan MCP para llamar a herramientas externas para obtener datos. En las presentaciones ganadoras, los agentes también expusieron sus propias herramientas internas de razonamiento como servidores MCP. Esto permitió a otros agentes consultarlos directamente sin intervención humana. Por ejemplo, un agente de codificación podría preguntar a un agente de rendimiento sobre un trabajo específico mediante MCP, evitando la necesidad de una interfaz de chat. Este enfoque requiere un control de acceso estricto, ya que los llamadores externos ahora pueden invocar la capa de razonamiento directamente. También previene el agotamiento del presupuesto de tokens al filtrar datos programáticamente antes de que lleguen al contexto del modelo.

El segundo patrón reemplaza las cadenas de llamadas lineales con concurrencia dirigida por eventos. En lugar de que el Agente A llame al Agente B y espere una respuesta, los agentes publican eventos tipados en un bus compartido. Cada agente se suscribe a temas relevantes y procesa eventos en paralelo utilizando corutinas de trabajadores separadas. Esto desacopla agentes con diferentes ritmos de procesamiento. Por ejemplo, una verificación de cumplimiento puede ejecutarse simultáneamente con una tarea de mensajería si no dependen de la salida del otro. Esto reduce la latencia total porque ningún agente lento bloquea toda la tubería.

El tercer patrón garantiza que los modelos de alternativa cumplan con los mismos estándares de calidad que los modelos principales. Cuando un modelo de gama alta como Gemini 3.1 Pro devuelve errores bajo carga, los sistemas suelen cambiar a una alternativa más barata como Gemini 3.6 Flash. Las mejores entradas utilizaron una única función de validación para ambas rutas. Esta función verifica citas u otras métricas de calidad antes de aceptar cualquier respuesta. Al centralizar la validación, los equipos evitaron que las alternativas bajaran silenciosamente la calidad de la salida. El cuarto patrón utiliza enrutamiento jerárquico para reducir los costos de inferencia. Las consultas simples son manejadas por regex locales o modelos baratos antes de llegar a modelos frontera costosos. Un equipo informó que esta primera pasada manejó más del 40 por ciento de los mensajes, ahorrando un presupuesto significativo.

Detalles clave

• El MCP bidireccional permite a los agentes exponer herramientas internas como servidores para que otros agentes las llamen directamente.
• Las arquitecturas dirigidas por eventos utilizan buses de señales compartidos para habilitar el procesamiento paralelo en lugar del bloqueo secuencial.
• Los modelos de alternativa deben pasar por las mismas funciones de validación que los modelos principales para mantener los estándares de calidad.
• El enrutamiento jerárquico filtra solicitudes simples usando regex o modelos baratos antes de invocar motores de razonamiento costosos.
• Las mejores presentaciones usaron frecuentemente el Agent Development Kit (ADK) y Agents CLI para implementar estos patrones.
• El control de acceso es crítico cuando se exponen herramientas de agentes externamente mediante servidores MCP.

Por qué importa

Para los ingenieros de software que construyen productos de IA, estos patrones ofrecen soluciones prácticas a problemas de escalabilidad y costo. Las cadenas de agentes lineales a menudo fallan bajo condiciones del mundo real porque la latencia se acumula con cada paso. Pasar a un modelo dirigido por eventos permite que los sistemas escalen horizontalmente y respondan más rápido a señales críticas. Esto es especialmente importante en aplicaciones sensibles al tiempo como el monitoreo de salud, donde los retrasos pueden tener consecuencias graves.

La gestión de costos es otra preocupación mayor ya que los precios de inferencia permanecen altos. El enrutamiento jerárquico asegura que los modelos costosos solo se usen para tareas complejas que realmente requieren razonamiento profundo. De manera similar, el MCP bidireccional convierte a los agentes en componentes de infraestructura reutilizables en lugar de chatbots aislados. Esto habilita la composibilidad, donde el agente de un equipo puede convertirse en una herramienta para el flujo de trabajo de otro equipo sin construir integraciones personalizadas. Estos patrones enfatizan la ingeniería sólida sobre el tamaño del modelo, demostrando que la arquitectura a menudo importa más que la potencia bruta del modelo.

Qué puedes hacer

• Audita el acceso a datos de tu agente para ver si las herramientas MCP internas pueden exponerse de forma segura como servidores externos.
• Identifica agentes que esperan entre sí y refáctoralos para usar un bus de eventos para ejecución paralela.
• Centraliza la lógica de validación para que los modelos de alternativa no puedan evadir las comprobaciones de calidad aplicadas a los modelos principales.
• Analiza la distribución de tu tráfico para determinar si las consultas simples pueden ser manejadas por modelos más baratos o regex.
• Implementa controles de acceso estrictos si expones herramientas de agentes vía MCP para prevenir uso no autorizado.
• Usa frameworks como ADK que soportan concurrencia y compartir herramientas para simplificar la implementación de estos patrones.