Hace cinco días presenté un proyecto final llamado Entrenador de Fotografía con IA, desarrollado como un sistema multiagente durante el curso intensivo Google AI Agents. Fue más que un ejercicio técnico: cambió por completo mi forma de pensar sobre cómo construir aplicaciones inteligentes que resuelven problemas reales.
Antes del curso conocía los agentes a nivel conceptual, había leído artículos y había experimentado con grandes modelos de lenguaje, pero existía una brecha entre entender y diseñar arquitecturas robustas. El curso cerró esa brecha mostrando que la inteligencia no reside en un único modelo omnipotente, sino en la especialización y la coordinación entre varios agentes enfocados.
La idea clave que transformó el proyecto fue abrazar el patrón orquestador nativo de ADK. En lugar de construir un sistema de enrutamiento personalizado, aproveché la orquestación integrada del kit de desarrollo de agentes. La arquitectura central quedó así: un agente de visión especializado en análisis de imágenes y extracción EXIF, un agente de conocimiento encargado de generar consejos pedagógicos y fundamentarlos con RAG, y un agente orquestador que coordina estados de sesión, compresión de contexto y persistencia de memoria en SQLite con adaptadores ADK Cloud Memory.
Un primer principio sólido: el orquestador media todas las comunicaciones. El agente de visión nunca envía mensajes directos al agente de conocimiento. En su lugar produce salidas estructuradas como diccionarios EXIF, resúmenes de composición, detección de defectos y elementos fuertes. El orquestador agrega ese análisis con el contexto de sesión y entrega al agente de conocimiento un contexto unificado para generar respuestas de coaching. Finalmente el orquestador actualiza el historial y persiste el estado. Ese flujo evita errores en cascada y hace que la depuración sea mucho más sencilla.
Otro aprendizaje fue distinguir la arquitectura de agentes de su despliegue. El mismo sistema central puede exponerse de tres maneras según la necesidad: ADK Runner en la nube para capacidades de producción y escalado, MCP Server para ejecución local y compatibilidad con clientes como Claude Desktop, y una API Python para notebooks, dashboards y prototipos. Diseñar la lógica de agentes primero y elegir la interfaz de despliegue después resulta una separación de responsabilidades poderosa.
Durante la depuración descubrí que la excelencia surge del diseño por negación: definir con nitidez qué NO hace cada agente. El agente de visión analiza exclusivamente la imagen y no ofrece consejos; el agente de conocimiento enseña usando el análisis recibido sin reanalizar imágenes; el orquestador enruta y sintetiza sin generar análisis originales. Ese espacio negativo reduce errores, hace la compresión de contexto obvia y clarifica la delegación de tareas.
La compresión de contexto y la memoria son fundamentos arquitectónicos. En un ecosistema multiagente el contexto es un recurso que hay que gestionar con rigor. Implementé una memoria en dos niveles: memoria de sesión para el contexto a corto plazo y un modelo de usuario para historial de preferencias y progreso. Antes de pasar información entre agentes el orquestador compacta el contexto resumiento análisis de visión en campos estructurados, truncando el historial cuando corresponde y manteniendo solo lo relevante del perfil del usuario. Con tres agentes y múltiples intercambios, sin compresión el contexto crece descontrolado.
Las herramientas son la columna vertebral de la capacidad de los agentes. No se trata solo de prompts; se trata de imponer límites mediante herramientas: APIs de visión que devuelven salidas estructuradas, una base de vectores y RAG híbrido que garantiza que las respuestas estén fundamentadas, y utilidades específicas de fotografía para cálculos ópticos. Cada herramienta funciona como un guardarraíl contra las alucinaciones, haciendo que el sistema sea predecible y trazable.
Reflexionando sobre el curso, lo que funcionó mejor fueron los codelabs prácticos y las charlas de ingenieros que llevan agentes a producción. Ver el patrón del orquestador en teoría y luego implementarlo en un sistema real generó una comprensión profunda. Sin embargo, echo en falta un módulo más profundo sobre modos de fallo en sistemas multiagente: errores en cascada, artefactos de compresión de contexto y bugs sutiles en la lógica de delegación requieren análisis y herramientas específicas.
Qué cambia en mi forma de construir: primero defino especializaciones y límites de los agentes, trato el orquestador como primitivo y priorizo la compresión de contexto en el diseño. Uso herramientas para restringir comportamiento en lugar de depender solo de mayores parámetros. La arquitectura pasa a ser la palanca principal para construir sistemas inteligentes, no únicamente el tamaño o la sofisticación del modelo.
En Q2BSTUDIO, empresa de desarrollo de software y aplicaciones a medida, hemos adoptado estas lecciones para proyectos de software a medida y soluciones de inteligencia artificial para empresas. Como especialistas en aplicaciones a medida, inteligencia artificial, ciberseguridad y servicios cloud, ofrecemos estrategias que combinan arquitectura de agentes, seguridad y despliegue en la nube. Si buscas integrar agentes IA en tu organización o desarrollar aplicaciones a medida robustas, en Q2BSTUDIO podemos ayudarte a diseñar la arquitectura correcta desde el principio.
Además, trabajamos con servicios cloud aws y azure para desplegar soluciones escalables, implementamos prácticas de ciberseguridad y pentesting para proteger datos y procesos, y ofrecemos servicios de inteligencia de negocio y Power BI para transformar datos en decisiones. Para iniciativas centradas en IA empresarial disponemos de consultoría completa y desarrollo de agentes especializados que se integran con pipelines de RAG, almacenamiento en vectores y persistencia fiable.
Resumen técnico breve: agentes centrales nativos ADK compuestos por un agente de visión con Gemini 2.5 Flash Vision para análisis estructurado, un orquestador responsable de gestión de sesiones, compresión de contexto y persistencia en SQLite, y un agente de conocimiento con RAG híbrido que genera respuestas con citación. Despliegues posibles: ADK Runner en la nube, MCP Server para entornos desktop y una API Python para experimentación. Patrones de integración: comunicación mediada por orquestador, pasaje de contexto estructurado, RAG con citas y compresión de contexto previa a la comunicación interagente.
Si quieres explorar cómo aplicar estos patrones en tu negocio con un socio que entiende tanto la arquitectura como la operativa de producción, consulta nuestras soluciones de soluciones de inteligencia artificial y ponte en contacto con Q2BSTUDIO. Construir sistemas inteligentes hoy significa diseñar especialización, límites y herramientas adecuadas. Esa es la diferencia entre una demo impresionante y una solución que realmente resuelve problemas en producción.
