Una cadena de agentes condensó 32 GB de datos de una empresa en un informe tras abrir 30 mil tickets
¿Cómo conseguir que una IA analice 32 GB de documentos de una empresa si no caben en el contexto? El autor del canal «LLM под капотом» repartió los fragmentos de datos entre agentes siguiendo un esquema Map Reduce, y los tickets, como en un equipo humano, les sirvieron para coordinar el trabajo. El sistema abrió más de 30 mil tickets, trabajó más de un día y entregó un informe breve para directivos. Una práctica útil: conviene guardar la memoria de los agentes en archivos legibles, porque así se pueden revisar.
Procesado por IA desde TG: @llm_under_hood (LLM под капотом); editado por Hamidun News
Imagine que le entregan 32 GB de volcados de datos sobre una empresa (texto mezclado con JSON) y le piden que, de una sola vez, diga a la dirección qué hay que arreglar primero en el negocio. Esa cantidad no cabe en ninguna ventana de contexto de un modelo, y un chat convencional no sirve de nada aquí. El autor del canal de Telegram «LLM под капотом» resolvió esta tarea la semana pasada: montó una cadena de agentes que abrieron más de 30 mil tickets, trabajaron más de un día y lo condensaron todo en un informe breve, como si lo hubieran escrito unos consultores muy caros.
Si construye sistemas de agentes para trabajo real y no para demos, este esquema merece atención.
Cómo funcionaba en la práctica
Los agentes se ejecutaban de forma secuencial y cada uno tenía su propio paso. Los primeros los ejecutó Fable 5.2 en modo de investigación. Su tarea consistía en buscar las mejores prácticas para una empresa de ese tipo y reunirlas en un informe con enlaces a casos y estudios. Ese era el «modelo ideal» con el que después se comparó la realidad.
A continuación entraron en juego los agentes basados en Codex. Peinaron todo el conjunto de datos y recopilaron casos, construyeron un mapa de los procesos de la empresa y realizaron un análisis de brechas (gap analysis): en qué se diferencia el proceso real del ideal. El resultado fue un informe priorizado para los directivos: qué corregir primero y por qué.
Antes de empezar, cada agente cargaba al principio de su ventana de contexto la descripción del proyecto y el contexto general del «Company Brain» (así llama el autor a su base de conocimiento). Lo compara con la carga del kernel: primero el agente ve el panorama general y después se sumerge en su tarea.
Cómo meter 32 GB en ventanas de unas pocas páginas
El autor creó un formato optimizado para representar los datos y dividió el trabajo según el principio Map Reduce. En pocas palabras, cada agente toma su porción del conjunto de datos y después se consolidan los resultados. Un ejemplo para aclararlo: un agente lee los documentos de ventas y deja la nota «los contratos no coinciden con cómo describe el proceso el reglamento»; otro toma esa nota y busca discrepancias similares en compras. Es una ilustración del principio, no un ejemplo del caso real.
Los datos estaban en Company Brain como archivos, siguiendo el modelo de un sistema operativo personal. El agente no lee todo de corrido: va de lo general a lo particular (progressive disclosure) y usa los scripts docs/tools/tree.py y outline.py, que muestran la estructura de carpetas y documentos. Para coordinar a los agentes y transferir contexto entre ellos, el autor añadió una nueva herramienta de gestión de tickets.
En el esquema no hubo lugar para las bases de datos vectoriales ni para otras cajas negras similares. El pipeline y su línea de razonamiento había que ajustarlos continuamente a las prioridades de los directivos que leerían el informe. Para ello, el autor rediseñó el propio proceso de análisis de modo que pudiera optimizarse. Los tickets y los archivos de texto se pueden leer, corregir y reorganizar a mano. El contenido de un índice vectorial no se puede depurar así.
Qué se logró y qué viene después
La conclusión final resultó interesante. Además de una lista de prioridades con su justificación y enlaces a las fuentes, el agente recomendó enviar una breve lista de preguntas a personas concretas, recopilar las respuestas y cargarlas de nuevo en el sistema. Es decir, la máquina entendió por sí sola que le faltaban datos y a quién había que preguntárselos.
El autor ve el siguiente paso en un cambio de enfoque. En lugar de un único «consultor caro», pasar el conjunto de datos por varios: el especialista en RR. HH. más perspicaz, el responsable de seguridad más paranoico y un experto de primer nivel en operaciones. Para cada uno se puede construir una metodología a partir de los mejores libros y estudios.
Según el autor, las metodologías se pueden armar por cuenta propia. Basta con lanzar ChatGPT o Claude sobre los artículos y vídeos públicos de empresas punteras, desde OpenAI y Anthropic hasta integradores, y pedirles que los sistematicen en una base de conocimiento. Todo ello está en acceso abierto.
Salvedades. Es un relato personal, no un estudio. El autor no indica el coste de la ejecución, no compara el informe con el trabajo de consultores humanos y no explica cómo verificó la exactitud de las conclusiones. Él mismo escribe «veremos qué pasa»: la reacción de los directivos al informe aún se desconoce.
La conclusión práctica para desarrolladores y product managers es esta. Si los datos superan el tamaño de la ventana, divida el trabajo con Map Reduce, guarde la memoria en archivos legibles, coordine a los agentes mediante tickets y dé a cada uno el contexto general al inicio. Y piense de antemano cómo podrá una persona verificar los pasos intermedios.
- 8 nov 2026Destilacion de ensembles en Kaggle: un solo modelo supero a su maestro y ahorro 6,5 horas
- 24 oct 2026Agente de IA estrecho frente a navaja suiza: cómo recortamos la latencia de respuesta de 17 a 7,7 segundos
- 30 abr 2026Cae el beneficio de Hon Hai, socio de Nvidia, y crecen las dudas sobre la demanda de servidores de IA
- 2 may 2026Ejecutar redes neuronales grandes en local: la memoria se comprime 14 veces
Preguntas frecuentes sobre la noticia
Cómo funcionaba en la práctica?
Los agentes se ejecutaban de forma secuencial y cada uno tenía su propio paso. Los primeros los ejecutó Fable 5.2 en modo de investigación. Su tarea consistía en buscar las mejores prácticas para una empresa de ese tipo y reunirlas en un informe con enlaces a casos y estudios. Ese era el «modelo ideal» con el que después se comparó la realidad. A continuación entraron en juego los agentes basados en Codex.
Cómo meter 32 GB en ventanas de unas pocas páginas?
El autor creó un formato optimizado para representar los datos y dividió el trabajo según el principio Map Reduce. En pocas palabras, cada agente toma su porción del conjunto de datos y después se consolidan los resultados. Un ejemplo para aclararlo: un agente lee los documentos de ventas y deja la nota «los contratos no coinciden con cómo describe el proceso el reglamento»; otro toma esa nota y busca discrepancias similares en compras. Es una ilustración del principio, no un ejemplo del caso real.
¿Qué se sabe sobre Qué se logró y qué viene después?
La conclusión final resultó interesante. Además de una lista de prioridades con su justificación y enlaces a las fuentes, el agente recomendó enviar una breve lista de preguntas a personas concretas, recopilar las respuestas y cargarlas de nuevo en el sistema. Es decir, la máquina entendió por sí sola que le faltaban datos y a quién había que preguntárselos. El autor ve el siguiente paso en un cambio de enfoque. En lugar de un único «consultor caro», pasar el conjunto de datos por varios: el especialista en RR.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.