¿Qué herramientas funcionan con estos prompts?

Frameworks como CrewAI, LangGraph y AutoGen están diseñados para trabajar con prompts multi-agente estructurados. Para despliegue en producción con infraestructura gestionada, plataformas como MakeYourCrew proporcionan el entorno de ejecución.

Prompts para crear equipos de agentes IA | Guía 2026

Q: ¿Cómo hacer que varios agentes IA trabajen juntos?

Define cada agente con un prompt de sistema que incluya su rol, experiencia, herramientas y límites. Luego establece protocolos de comunicación compartidos (idealmente en JSON), plantillas de traspaso y un mecanismo de supervisión o enrutamiento.

Los sistemas multi-agente son la arquitectura más potente en el desarrollo de IA hoy. Pero hay un desafío que muchos desarrolladores enfrentan: ¿cómo se crean prompts para que varios agentes trabajen juntos de forma efectiva?

Un agente individual puede investigar un tema o escribir un borrador. Pero orquestar una tripulación de agentes —un investigador, un redactor, un revisor, un editor— requiere prompts que sean estructurados, intencionales y diseñados para la comunicación entre agentes. Es una habilidad diferente a la ingeniería de prompts tradicional, y es lo que cubre esta guía.

Para una introducción a las arquitecturas multi-agente, te recomendamos nuestra guía de arquitectura de sistemas multi-agente (en inglés). Este artículo se enfoca en los prompts en sí mismos — las plantillas y técnicas exactas que hacen que los sistemas multi-agente funcionen.

Por qué los prompts multi-agente son diferentes

Cuando escribes un prompt para un solo agente, solo necesitas considerar el contexto de ese agente. Con prompts multi-agente, estás diseñando un sistema de componentes que interactúan. Cada prompt debe:

Definir el rol, la experiencia y los límites del agente
Especificar cómo se comunica con otros agentes
Incluir reglas para delegación, escalamiento y manejo de errores
Formatear las salidas para que otros agentes puedan consumirlas
Respetar el contexto compartido y no invadir las responsabilidades de otros agentes

Esto cambia todo sobre el diseño de prompts. Exploremos los patrones específicos que hacen que los sistemas multi-agente sean confiables y efectivos.

Prompts para definir roles de agentes

La base de cualquier sistema multi-agente son definiciones de rol claras. Cada agente necesita un prompt de sistema que establezca su identidad, capacidades y limitaciones. Aquí tienes una plantilla que funciona con CrewAI, LangGraph, AutoGen y otros frameworks:

Eres el agente [Nombre del Rol] en un sistema multi-agente. Tu experiencia: [dominio de conocimiento específico]. Tus herramientas: [lista de herramientas/APIs que puedes usar]. Tus responsabilidades: - [Responsabilidad 1] - [Responsabilidad 2] Tus límites: - NO realices tareas asignadas a [otro rol de agente]. - Si te piden algo fuera de tu alcance, escala al [agente supervisor/coordinador]. - No modifiques el contexto compartido sin registrar el cambio. Protocolo de comunicación: - Todas las salidas deben ser JSON válido con los campos: { "agente": "[rol]", "tarea": "[id_tarea]", "resultado": {}, "confianza": 0.0-1.0 } - Si la confianza es menor a 0.7, marca para revisión humana. - Incluye un array "siguientes_pasos" sugiriendo qué debe hacer el siguiente agente. Manejo de errores: - Reintenta hasta 3 veces en fallos transitorios. - Después de 3 fallos, envía un reporte de error al agente supervisor. - Registra todos los errores con marca de tiempo y contexto.

Este prompt de rol estructurado le da al agente una identidad, límites y protocolos claros. La clave está en la sección de protocolo de comunicación — define el contrato que todos los agentes del sistema siguen, haciendo la integración predecible.

Ejemplo: Prompt para agente investigador

Aquí tienes un ejemplo concreto para un agente investigador en una tripulación de producción de contenido:

Eres el Agente Investigador en una tripulación de producción de contenido. Tu experiencia: Encontrar, verificar y sintetizar información de fuentes web, papers académicos y conjuntos de datos. Tus herramientas: busqueda_web, consulta_wikipedia, analisis_datos, verificacion_fuentes. Tus responsabilidades: - Recopilar información completa sobre los temas asignados - Verificar hechos con al menos 3 fuentes independientes - Estructurar la investigación como esquemas anotados con citas - Señalar información contradictoria para resolución Tus límites: - NO redactes contenido — pasa la investigación al Agente Redactor - NO tomes decisiones editoriales sobre qué incluir - Si las fuentes contradicen, presenta ambas versiones con evidencia Protocolo de comunicación: - Salida: { "agente": "investigador", "tarea": "[id]", "hallazgos": [], "fuentes": [], "confianza": 0.8, "vacíos": [], "siguientes_pasos": ["revisión_redactor"] } - Incluye un array "vacíos" con la información que no pudiste encontrar - Califica tu confianza en cada hallazgo (0.0-1.0)

Prompts para configurar la comunicación entre agentes

En los sistemas multi-agente, cómo se comunican los agentes importa tanto como lo que hacen. Un diseño de comunicación pobre lleva a pérdida de contexto, trabajo duplicado y errores en cascada.

El enfoque más confiable es el paso de mensajes estructurados con esquemas tipados. Aquí tienes un prompt que configura un agente supervisor para coordinar la comunicación entre los trabajadores:

Eres el Agente Supervisor de este sistema multi-agente. Tu tripulación consiste en: [lista de roles de agente con sus capacidades]. Tu flujo de trabajo: 1. Recibe la solicitud del usuario y descomponse en subtareas 2. Asigna cada subtarea al agente apropiado 3. Monitorea el progreso revisando la salida de cada agente 4. Gestiona escalamientos y resuelve conflictos 5. Sintetiza los resultados finales Protocolo de descomposición de tareas: - Divide solicitudes complejas en subtareas que se ajusten a la experiencia de cada agente - Cada subtarea debe tener: objetivo claro, formato de salida esperado, fecha límite (en pasos) - Si una tarea abarca múltiples agentes, define los puntos de traspaso explícitamente Enrutamiento de mensajes: - Trabajador → Supervisor: Siempre enruta los resultados a través de ti - Trabajador → Trabajador: Solo permitido cuando has establecido un canal directo - Todos los mensajes deben incluir: agente_origen, agente_destino, tipo_mensaje, contenido, marca_tiempo Resolución de conflictos: - Si dos agentes producen salidas contradictorias, investiga la fuente de datos - Si el conflicto no se puede resolver, incluye ambas perspectivas en la salida final - Escala a humano si la confianza en la resolución es menor a 0.6 Formato de salida: { "estado": "completado|en_progreso|escalado", "resultados": {}, "problemas_no_resueltos": [], "requiere_revision_humana": false }

Prompts para depurar sistemas multi-agente

Depurar un sistema multi-agente es significativamente más difícil que depurar un solo agente. Los problemas se propagan en cascada y la causa raíz puede estar lejos del síntoma. Estos prompts te ayudan a construir observabilidad desde el inicio.

Prompt de logging diagnóstico

Estás ejecutando en modo DEBUG. Por cada acción que realices, genera una entrada de registro de diagnóstico: { "marca_tiempo": "[ISO 8601]", "agente": "[tu_rol]", "accion": "tarea_recibida|procesando|completado|error", "id_tarea": "[id]", "resumen_entrada": "[entrada truncada]", "tokens_usados": [cantidad], "latencia_ms": [tiempo], "errores": [], "instantanea_estado": { "contexto_actual": {}, "decisiones_pendientes": [] } }

Flujo completo: Tripulación de producción de contenido

Pongamos todo junto. Aquí tienes un sistema completo de prompts multi-agente para una tripulación de producción de contenido con 4 agentes:

Paso 1: El supervisor descompone el brief

Agente Supervisor: Descompón esta solicitud de contenido en tareas para la tripulación. Solicitud: "[Brief de contenido del usuario]" Genera un plan de tareas: { "objetivo": "Publicar un artículo de 2000 palabras sobre [tema]", "tareas": [ { "id": "T1", "agente": "investigador", "descripcion": "Investigar [tema] y compilar hallazgos", "depende_de": [] }, { "id": "T2", "agente": "redactor", "descripcion": "Redactar primer borrador desde la investigación", "depende_de": ["T1"] }, { "id": "T3", "agente": "revisor", "descripcion": "Revisar precisión y SEO", "depende_de": ["T2"] }, { "id": "T4", "agente": "editor", "descripcion": "Pulido final y formato", "depende_de": ["T3"] } ], "criterios_calidad": ["Precisión factual", "Optimización SEO", "Puntuación de legibilidad > 60"], "tokens_estimados": 8000 }

Paso 2: Traspaso Investigador → Redactor

Agente Redactor: Has recibido la investigación del Agente Investigador. Hallazgos de investigación: [resultado_investigacion] Tu trabajo: 1. Revisa la investigación para verificar que está completa 2. Identifica vacíos que necesitas llenar 3. Redacta un primer borrador siguiendo estas especificaciones: - Tono: [profesional pero accesible] - Extensión objetivo: 2000 palabras - Incluye: introducción, 4-5 secciones principales, FAQ, conclusión 4. Después de redactar, prepara un traspaso para el Agente Revisor Salida: { "agente": "redactor", "tarea": "T2", "borrador": "[artículo completo]", "vacíos_llenados": [], "secciones": [], "siguientes_pasos": ["revisión_revisor"] }

Este flujo de trabajo completo demuestra cómo los prompts estructurados crean un pipeline multi-agente confiable y auditable. Cada agente sabe exactamente qué hacer, cómo pasar su trabajo al siguiente y cómo manejar excepciones.

Para ejecutar esto en producción necesitas infraestructura que gestione los ciclos de vida de los agentes, las colas de mensajes, el logging y la recuperación de errores. Si quieres una plataforma completa para desplegar y orquestar estos equipos de agentes sin montar infraestructura, descubre MakeYourCrew — el sistema operativo para tu tripulación de agentes.

Mejores prácticas para prompts multi-agente

1. Usa formatos de salida estructurados

Cada agente debe generar JSON con un esquema consistente. Esto hace que los traspasos sean predecibles y la depuración sencilla. El texto libre es la causa #1 de fallos en sistemas multi-agente.

2. Incluye puntuaciones de confianza

Haz que cada agente califique su confianza (0.0-1.0) en sus salidas. Esto permite que los agentes downstream (o los humanos) decidan cuándo confiar y cuándo verificar.

3. Define límites de rol explícitos

Cada prompt de agente debe incluir lo que el agente NO hace. Esto evita superposiciones, reduce el desperdicio de tokens y hace el sistema predecible. Si dos agentes podrían manejar la misma tarea, el prompt del supervisor debe decidir las reglas de enrutamiento.

4. Diseña para degradación gradual

Tus prompts deben incluir rutas de recuperación para cada modo de fallo probable. Un agente que se agota debe devolver resultados parciales, no colapsar todo el flujo de trabajo.

Errores comunes y cómo evitarlos

Error	Por qué falla	Solución
Descripciones de rol vagas	Los agentes se superponen o pierden tareas	Usa la plantilla de rol estructurado con límites explícitos
Traspasos en texto libre	Datos críticos se pierden entre agentes	Exige salida JSON con campos obligatorios
Sin recuperación de errores	Un fallo mata todo el flujo de trabajo	Incluye el protocolo de recuperación en cada prompt
Sobrecargar el contexto del agente	Los agentes pierden enfoque y producen baja calidad	Mantén cada prompt enfocado. Delega, no dupliques

Lleva tus prompts multi-agente a producción

Los prompts de esta guía funcionan para tripulaciones pequeñas (2-5 agentes). A medida que escalas a más agentes y flujos de trabajo más complejos, necesitarás infraestructura adicional: gestión del ciclo de vida de agentes, colas de mensajes persistentes, logging centralizado y monitoreo de rendimiento.

Frameworks como CrewAI y LangGraph manejan la capa de orquestación. Pero para despliegue en producción —gestionar infraestructura, escalar agentes, monitorear rendimiento— necesitas una plataforma diseñada para ello. MakeYourCrew proporciona el entorno de ejecución que lleva tus prompts multi-agente de prototipos a sistemas de producción con despliegue en un clic, monitoreo en tiempo real y gestión de infraestructura integrada.

Preguntas Frecuentes

¿Qué son los prompts para equipos de agentes IA?

Son instrucciones estructuradas que definen el rol de cada agente, los protocolos de comunicación, las reglas de delegación y los formatos de salida en sistemas con múltiples agentes de IA trabajando en equipo.

¿Cómo hago que varios agentes IA trabajen juntos?

Define cada agente con un prompt de sistema que cubra su rol, experiencia, herramientas y límites. Luego establece protocolos de comunicación compartidos (preferiblemente en JSON) y un mecanismo de supervisión.

¿Cuál es el mejor formato de prompt para orquestación?

Los prompts estructurados en JSON funcionan mejor. Cada prompt debe incluir: definición del rol, capacidades, límites, protocolo de comunicación y esquema de salida.

¿Cómo depuro prompts multi-agente?

Usa prompts de logging diagnóstico que capturen cada acción con marcas de tiempo. Implementa prompts de auditoría que reconstruyan la cadena completa de mensajes. Registra todas las comunicaciones entre agentes.

¿Puedo usar estos prompts con cualquier framework?

Sí. Las plantillas funcionan con CrewAI, LangGraph, AutoGen e implementaciones personalizadas en Python. Los patrones son independientes del framework. Para producción, plataformas como MakeYourCrew proporcionan la infraestructura para ejecutarlos a escala.

Construye equipos de agentes IA más rápido

Consigue más de 1.200 prompts curados para Claude, ChatGPT y Gemini — incluyendo plantillas multi-agente y patrones de orquestación.

Explorar Prompts →

📖 Sigue Leyendo

Sistemas Multi-Agente: Arquitectura — Patrones de diseño para sistemas multi-agente (EN).

AI Prompts for Multi-Agent Systems — Versión en inglés de esta guía.

Prompt Engineering for Agent Orchestration — Técnicas avanzadas de orquestación (EN).

Mejores Frameworks de Agentes IA — Comparativa LangChain, CrewAI, AutoGen (EN).