Kimi lanza Agent Swarm: hasta 100 subagentes y 1500 llamadas a herramientas

Moonshot AI ha añadido a Kimi K2.5 el modo Agent Swarm. Al recibir una tarea, el modelo decide por sí mismo cómo dividirla, crea hasta 100 subagentes, los lanza en paralelo y emplea en el trabajo más de 1500 llamadas a herramientas. Según la compañía, el resultado llega 4,5 veces más rápido que con una ejecución secuencial. La función se ha lanzado como early research preview y por ahora solo está disponible para los suscriptores del plan superior.

El techo del agente único

El diagnóstico de partida que plantea el blog de Kimi es este: el principal límite actual no está en la inteligencia del modelo, sino en el esquema secuencial con el que trabaja un único agente. Si se pide a una herramienta de deep research que estudie en panorámica un centenar de empresas o que sintetice decenas de artículos, la ventana de contexto se va llenando poco a poco. El sistema empieza entonces a comprimir el historial y a resumirlo para liberar espacio para nuevos tokens. Esa compresión pierde información, y los pasos de razonamiento posteriores salen peor. Moonshot lo describe como un techo estructural, no como un bug temporal.

La respuesta de la compañía: escalar también en anchura, además de hacerlo en vertical (más parámetros, mejores puntuaciones en benchmarks). Un agente funciona como un solo experto; una red de agentes que se autoorganizan se parece más a una pequeña empresa.

Cómo nació

Los orígenes son modestos. En junio de 2025, poco después del lanzamiento de Kimi Researcher, una integrante del equipo aficionada al trading quiso automatizar la recopilación diaria de datos sobre acciones. Tenía que revisar noticias sobre macrotendencias, consultar el historial de «limit-ups» y profundizar si se cumplían ciertas condiciones. Escribió en Python una cascada de if-else y, hacia la línea cien, se dio cuenta de que estaba construyendo a mano un sistema multiagente. De ahí surgió la pregunta: si el modelo sabe usar herramientas y sostener tareas largas, ¿por qué no puede decidir por sí mismo cuándo paralelizar el trabajo, a quién «contratar» y cómo delegar?

En Agent Swarm, el agente principal actúa como director: busca a los ejecutores (investigadores, analistas, verificadores de datos) y los crea para la tarea concreta. El usuario no tiene que definir la orquestación.

Características

• Modelo: Kimi K2.5
• Subagentes en paralelo: hasta 100
• Llamadas a herramientas por tarea: más de 1500
• Velocidad: 4,5 veces superior a la de la ejecución secuencial (datos de la compañía, no hay mediciones independientes)
• Estado: early research preview, acceso para suscriptores del plan superior
• En el plan de trabajo: comunicación directa entre subagentes y gestión dinámica de la amplitud del paralelismo

Qué muestra Kimi

Los ejemplos del blog se dividen en tres tipos. El primero es la búsqueda a gran escala. El agente identifica 100 temáticas de nicho de YouTube y lanza un subagente distinto para cada una, con el fin de encontrar a los 3 mejores autores. En otro ejemplo, el enjambre reunió más de 200 ensayos de Paul Graham dispersos entre sitios personales, blogs antiguos y transcripciones de charlas, y los organizó en seis carpetas temáticas con un informe final.

El segundo tipo es el resultado de gran volumen. A partir de 40 PDF sobre psicología social se obtuvo una revisión bibliográfica de 100 páginas, a dos columnas y con referencias formateadas. Los subagentes autores se encargan de secciones concretas y después se unifican los textos.

El tercer tipo es el más curioso: el desacuerdo deliberado. Un plan de producto lo evalúan un inversor de capital riesgo escéptico, un PM con experiencia, un especialista en ética y un responsable de customer success. En un experimento literario, 20 «escritores», con estilos que van de Virginia Woolf a Borges y Kafka, continúan «El problema de los tres cuerpos», de Liu Cixin. Los autores del blog afirman que los agentes independientes llegan a conclusiones distintas, que luego hay que conciliar. Según ellos, esto protege estructuralmente frente al pensamiento de grupo.

Cómo probarlo

El enjambre tiene sentido donde el trabajo se puede paralelizar de verdad: investigación amplia, cargas por lotes, procesamiento de muchos archivos, análisis desde varios ángulos, textos largos. Si los pasos dependen estrictamente unos de otros, la ganancia, a juzgar por la lógica del enfoque, será bastante menor. Esta es una conclusión nuestra, no una declaración de Moonshot.

Hay también salvedades prácticas. Más de 1500 llamadas a herramientas implican un consumo notable de tokens, y en el propio blog se mide, medio en broma, la alfabetización en la era de la IA por la cantidad de tokens gastados. Conviene revisar por muestreo el resultado de este tipo de trabajo: cien agentes pueden equivocarse en paralelo con total seguridad. Por último, de momento los subagentes no se comunican directamente entre sí, y esa es una de las mejoras anunciadas. Para empezar, conviene una tarea con un formato de salida claro: una tabla, un conjunto de carpetas, un informe con secciones. Así resulta más fácil comprobar si el multiplicador de velocidad declarado está justificado.