Estoy completamente de acuerdo: 1. La colaboración paralela de múltiples agentes no es tan estable como un hilo único; 2. RAG no es confiable y es peor que la búsqueda tradicional; 3. Cuantas más instrucciones hay en el prompt, menos sabe el modelo cómo elegir. —— Traducción original de Twitter —— En el camino de construir agentes inteligentes de IA (AI Agent), nuestro equipo @Cline ha identificado tres "virus del pensamiento". Lo que se llama "virus del pensamiento" son esas ideas atractivas que suenan muy inteligentes, pero que en la práctica no funcionan en absoluto. Estos tres virus son: * Colaboración de múltiples agentes (Multi-Agent Orchestration) * Generación aumentada por recuperación (RAG) * Más instrucciones = mejores resultados ¡Vamos a profundizar! 1. Colaboración de múltiples agentes Esa escena de película de ciencia ficción — "agentes de retaguardia, agentes de suministros, agentes de análisis, agentes de mando" enviando un gran número de subagentes y luego resumiendo los resultados — suena realmente genial. Pero la realidad es que la gran mayoría del trabajo útil de los agentes es de un solo hilo. Los complejos procesos de colaboración rara vez aportan un valor real, y a menudo generan confusión. Hay que tener en cuenta que simplemente hacer que el modelo funcione de manera estable en un solo hilo ya es bastante difícil, y ni hablar de manejar esas lógicas de colaboración paralela. Esto no solo aumenta la complejidad de la implementación, sino que también hace que el proceso de comprensión y decisión del modelo sea excepcionalmente complicado. 2. Usar RAG para construir agentes RAG, es decir, Generación Aumentada por Recuperación (Retrieval Augmented Generation), también es un virus del pensamiento. Teóricamente parece muy poderoso, pero en la práctica, especialmente en el contexto de los agentes, a veces incluso un comando básico de búsqueda de texto como GREP es más útil que esto. ¿Por qué el halo de RAG se desvanece en los flujos de trabajo de los agentes en la práctica? Porque la información recuperada a menudo son fragmentos dispersos, que no permiten que el modelo forme una "comprensión" coherente y útil. Casi siempre hay un mejor método: dejar que el modelo enumere los archivos por sí mismo, buscar de manera similar a grep, y luego abrir y leer todo el archivo (como lo haría un humano). El equipo @Cline comenzó a hacer esto hace tiempo, y luego vimos que @Amp — Research Preview y @Cursor también se estaban moviendo hacia este enfoque más pragmático. 3. Más instrucciones = mejores resultados Hay un malentendido muy extendido: que apilar cada vez más "instrucciones" en el prompt del sistema (system prompt) hará que el modelo sea más inteligente. Esto es completamente incorrecto. "Hidratar" el prompt solo confundirá al modelo, ya que más instrucciones a menudo conducen a conflictos entre sugerencias y sobrecarga de información. El resultado es que te ves obligado a reparar constantemente los extraños comportamientos del modelo, como si estuvieras jugando al juego de "golpear topos", en lugar de obtener una salida realmente útil. Para la mayoría de los modelos de vanguardia hoy en día, la mejor manera es no obstaculizarlos, en lugar de estar al lado gritando y tratando de guiarlos hacia una dirección específica. Aprecia cada una de tus palabras (o Tokens). En resumen, estas tres ideas son muy tentadoras. Si no estás lidiando con IA todo el día, podrías pensar que todas tienen mucho sentido — sin embargo, la realidad es diferente. Por supuesto, a medida que mejoran las capacidades de los modelos subyacentes, nuestra opinión sobre estos métodos también podría cambiar en el futuro.