Los sistemas multiagente no fallan como los chatbots simples. Fallan a trav\u00e9s de transferencias: el planificador llama al especialista equivocado, el paso de recuperaci\u00f3n omite una restricci\u00f3n, un nodo de herramienta gasta demasiado o una tarea de larga duraci\u00f3n sigue asignando trabajo costoso al mismo modelo de frontera.<\/p>\n\n\n\n
Es por eso que la ingenier\u00eda de grafos se est\u00e1 convirtiendo en una disciplina pr\u00e1ctica para los equipos que construyen agentes en producci\u00f3n. El grafo es el mapa operativo para el trabajo del agente. Define qu\u00e9 nodos pueden actuar, qu\u00e9 aristas pueden tomarse, d\u00f3nde se lleva el estado, cu\u00e1ndo un humano debe aprobar el siguiente paso y d\u00f3nde deben enrutarse las llamadas a modelos a trav\u00e9s de una capa de API controlada.<\/p>\n\n\n\n
Los primeros sistemas de agentes a menudo parec\u00edan un bucle: recibir un objetivo, llamar a un modelo, usar una herramienta, inspeccionar el resultado, repetir. Los sistemas de agentes modernos est\u00e1n volvi\u00e9ndose m\u00e1s estructurados. Marcos como LangGraph describen grafos a trav\u00e9s de estado, nodos y aristas<\/a>. Google ha promovido la interoperabilidad Agent2Agent<\/a> para transferencias entre agentes. MCP proporciona a las aplicaciones de IA una forma est\u00e1ndar de conectarse con herramientas, datos y flujos de trabajo<\/a>.<\/p>\n\n\n\n Esas piezas hacen que los sistemas de agentes sean m\u00e1s capaces, pero tambi\u00e9n hacen que la ruta de ejecuci\u00f3n sea m\u00e1s dif\u00edcil de razonar. Una vez que los agentes pueden delegar, ramificarse, reintentar y llamar a herramientas externas, el costo y el riesgo del sistema ya no est\u00e1n contenidos en un solo aviso. Est\u00e1n distribuidos a lo largo del grafo.<\/p>\n\n\n\n Un grafo de agente en producci\u00f3n deber\u00eda ser lo suficientemente expl\u00edcito como para que un ingeniero pueda responder seis preguntas sin leer cada aviso:<\/p>\n\n\n\n Esto no es solo un ejercicio de observabilidad. Tambi\u00e9n es un ejercicio de producto y margen. Un nodo de clasificaci\u00f3n de bajo riesgo, un nodo de recuperaci\u00f3n, un nodo de generaci\u00f3n de c\u00f3digo y un nodo de revisi\u00f3n final no necesariamente deben usar el mismo modelo. Cuando cada nodo utiliza el modelo m\u00e1s caro por defecto, el gr\u00e1fico se convierte en un amplificador de costos.<\/p>\n\n\n\n ShareAI ofrece a los equipos una \u00fanica API para acceder a m\u00e1s de 150 modelos de IA, con enrutamiento inteligente, alternativas, se\u00f1ales de mercado y precios por token. En un sistema de agentes basado en gr\u00e1ficos, eso hace que la capa de llamadas a modelos sea m\u00e1s f\u00e1cil de cambiar sin reescribir el gr\u00e1fico en s\u00ed.<\/p>\n\n\n\n Un constructor puede mantener el orquestador, el marco de la aplicaci\u00f3n, la base de datos, la cola y el tiempo de ejecuci\u00f3n del agente fuera de ShareAI, luego usar el API de ShareAI<\/a> para el acceso a modelos en los nodos que necesitan inferencia. El gr\u00e1fico a\u00fan controla el flujo de trabajo. ShareAI controla el acceso a modelos, la flexibilidad de enrutamiento y el camino comercial en torno al uso.<\/p>\n\n\n\n Esa distinci\u00f3n importa. ShareAI no es el motor del gr\u00e1fico. Es el mercado de modelos y la capa de API que ayuda a los equipos a mantener abierta la elecci\u00f3n de modelos a medida que los sistemas de agentes evolucionan.<\/p>\n\n\n\n Antes de que un sistema de m\u00faltiples agentes llegue a los clientes, mapea el gr\u00e1fico en t\u00e9rminos operativos:<\/p>\n\n\n\n Para los Constructores, la ingenier\u00eda de gr\u00e1ficos no se trata solo de confiabilidad. Se trata de mantener el uso de la IA alineado con el modelo de negocio del producto.<\/p>\n\n\n\n Si una aplicaci\u00f3n permite a los clientes ejecutar agentes de investigaci\u00f3n, agentes de soporte, agentes de codificaci\u00f3n o agentes de flujo de trabajo, cada ruta del gr\u00e1fico puede crear un perfil de costo diferente. Un flujo de resumen corto puede ser f\u00e1cil de incluir en un plan base. Una investigaci\u00f3n profunda de m\u00faltiples agentes puede necesitar l\u00edmites de uso, recargas pagadas o un recargo.<\/p>\n\n\n\n Que el Consola de Constructores de ShareAI<\/a> ayuda a los propietarios de aplicaciones a conectar aplicaciones externas a ShareAI, establecer su margen de IA o recargo, y permitir que los clientes paguen directamente a ShareAI por el uso. Eso les da a los Constructores un camino m\u00e1s claro desde las llamadas al modelo dentro de los gr\u00e1ficos de agentes hasta precios sostenibles para los clientes.<\/p>\n\n\n\n Los gr\u00e1ficos de agentes tienden a crecer silenciosamente. Un planificador gana otro especialista. Un especialista gana otra herramienta. Un flujo de trabajo de soporte gana una ruta de revisi\u00f3n humana. Una alternativa se convierte en una segunda llamada al modelo. Ninguna de esas elecciones es necesariamente incorrecta, pero cada una cambia la superficie de costo y control.<\/p>\n\n\n\n El movimiento \u00fatil es hacer visible el gr\u00e1fico desde el principio. Mant\u00e9n la orquestaci\u00f3n expl\u00edcita, dirige las llamadas al modelo a trav\u00e9s de una capa que pueda cambiar a medida que cambian los modelos, y fija el precio del uso orientado al cliente antes de que el trabajo del agente se vuelva demasiado costoso para entender.<\/p>\n\n\n\n Comienza explorando el mercado de modelos de ShareAI<\/a> y la documentaci\u00f3n de ShareAI<\/a>.<\/p>\n\n\n\n La ingenier\u00eda de gr\u00e1ficos es la pr\u00e1ctica de dise\u00f1ar los nodos, bordes, estados, aprobaciones, llamadas a herramientas y llamadas a modelos que conforman un flujo de trabajo multiagente. Se centra en c\u00f3mo el trabajo se mueve a trav\u00e9s del sistema, no solo en c\u00f3mo se redacta cada instrucci\u00f3n.<\/p>\n\n\n\n La ingenier\u00eda de instrucciones mejora las indicaciones dadas a un modelo. La ingenier\u00eda de gr\u00e1ficos define qu\u00e9 agente o funci\u00f3n se ejecuta a continuaci\u00f3n, qu\u00e9 herramientas est\u00e1n disponibles, qu\u00e9 modelo debe ser llamado y cu\u00e1ndo una ejecuci\u00f3n debe detenerse, ramificarse, reintentarse o solicitar aprobaci\u00f3n.<\/p>\n\n\n\n No. LangGraph es un ejemplo \u00fatil de orquestaci\u00f3n de agentes basada en gr\u00e1ficos, pero la idea principal se aplica a cualquier sistema donde m\u00faltiples agentes, herramientas, llamadas a modelos y puntos de decisi\u00f3n est\u00e9n conectados en un flujo de trabajo.<\/p>\n\n\n\n El enrutamiento de modelos pertenece a cada nodo que necesita inferencia. El grafo decide que se necesita una llamada a un modelo; la capa de enrutamiento decide qu\u00e9 modelo elegible debe manejar esa llamada en funci\u00f3n del costo, la latencia, la disponibilidad y la adecuaci\u00f3n a la tarea.<\/p>\n\n\n\n No. ShareAI no es un orquestador ni un marco de aplicaciones. Es un mercado de IA impulsado por personas y una API que ayuda a los Constructores a acceder y enrutar llamadas a modelos desde aplicaciones que poseen y ejecutan en otros lugares.<\/p>\n\n\n\n Hace visibles los caminos costosos. Una vez que los equipos saben qu\u00e9 nodos llaman a modelos, con qu\u00e9 frecuencia se ejecutan esos nodos y qu\u00e9 clase de modelo requiere cada nodo, pueden mover trabajos m\u00e1s simples a modelos de menor costo y reservar modelos avanzados para pasos de alto valor.<\/p>\n\n\n\n Los Constructores deber\u00edan rastrear inquilino, usuario, versi\u00f3n del grafo, nodo, modelo, tokens, latencia, costo, eventos de respaldo y estado de uso facturable. Esos campos facilitan el soporte a los clientes y protegen los m\u00e1rgenes de IA.<\/p>\n\n\n\n S\u00ed. Las aplicaciones con prioridad en la privacidad y autohospedadas a\u00fan necesitan control expl\u00edcito sobre d\u00f3nde fluye la informaci\u00f3n, qu\u00e9 puntos finales de modelos se utilizan y qu\u00e9 acciones de los clientes requieren aprobaci\u00f3n. El grafo ayuda a documentar esos l\u00edmites.<\/p>\n\n\n\n MCP puede facilitar la exposici\u00f3n de herramientas y fuentes de datos a los agentes, pero tambi\u00e9n aumenta la necesidad de control de acceso, l\u00edmites de herramientas, revisi\u00f3n de esquemas y permisos por nodo. El acceso a herramientas debe ser parte del dise\u00f1o del grafo, no una idea posterior.<\/p>\n\n\n\n La aprobaci\u00f3n humana pertenece antes de acciones irreversibles o de alto riesgo, como enviar mensajes externamente, cambiar el estado de facturaci\u00f3n, eliminar datos, escalar casos de soporte o tomar decisiones que afecten una cuenta de cliente.<\/p>\n\n\n\n Dibuja el flujo de trabajo actual como nodos y transiciones, luego marca cada llamada de modelo, llamada de herramienta, punto de aprobaci\u00f3n, reintento, alternativa y l\u00edmite de presupuesto. Ese mapa generalmente revela las primeras correcciones de costo y confiabilidad.<\/p>","protected":false},"excerpt":{"rendered":" Los sistemas multiagente se vuelven m\u00e1s f\u00e1ciles de confiar cuando su grafo es expl\u00edcito: qu\u00e9 agentes pueden llamar modelos, usar herramientas, solicitar aprobaci\u00f3n, gastar tokens y transferir trabajo a otro nodo.<\/p>","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"cta-title":"Route Model Calls Through One API","cta-description":"Use ShareAI to access 150+ models, compare options, and keep model choice flexible as your agent graph grows.","cta-button-text":"Explore AI Models","cta-button-link":"https:\/\/shareai.now\/models\/?utm_source=blog&utm_medium=content&utm_campaign=graph-engineering-multi-agent-systems","rank_math_title":"Graph Engineering for Multi-Agent Systems | ShareAI","rank_math_description":"Learn how to design multi-agent graphs with model routing, budgets, approvals, fallbacks, and ShareAI API access for production AI systems.","rank_math_focus_keyword":"graph engineering for multi-agent systems, multi-agent AI governance, agent graph architecture, AI agent routing","footnotes":""},"categories":[4,6],"tags":[240,99,152,239,51,238,241],"class_list":["post-3160","post","type-post","status-publish","format-standard","hentry","category-developers","category-insights","tag-agent-orchestration","tag-ai-agents","tag-ai-governance","tag-graph-engineering","tag-model-routing","tag-multi-agent-systems","tag-shareai-api"],"_links":{"self":[{"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/posts\/3160","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/comments?post=3160"}],"version-history":[{"count":1,"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/posts\/3160\/revisions"}],"predecessor-version":[{"id":3192,"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/posts\/3160\/revisions\/3192"}],"wp:attachment":[{"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/media?parent=3160"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/categories?post=3160"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/shareai.now\/es\/api\/wp\/v2\/tags?post=3160"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Tratar el Grafo como Arquitectura de Producci\u00f3n<\/h2>\n\n\n\n
D\u00f3nde encaja ShareAI en el gr\u00e1fico<\/h2>\n\n\n\n
Lista de verificaci\u00f3n pr\u00e1ctica para la ingenier\u00eda de gr\u00e1ficos<\/h2>\n\n\n\n
El Enfoque del Constructor: El Costo del Gr\u00e1fico se Convierte en el Margen del Producto<\/h2>\n\n\n\n
Dise\u00f1a el Gr\u00e1fico Antes de que Dise\u00f1e tu Estructura de Costos<\/h2>\n\n\n\n
Preguntas frecuentes<\/h2>\n\n\n\n
\u00bfQu\u00e9 es la ingenier\u00eda de gr\u00e1ficos para sistemas multiagente?<\/h3>\n\n\n
\u00bfEn qu\u00e9 se diferencia la ingenier\u00eda de gr\u00e1ficos de la ingenier\u00eda de instrucciones?<\/h3>\n\n\n
\u00bfNecesito LangGraph para usar ideas de ingenier\u00eda de gr\u00e1ficos?<\/h3>\n\n\n
\u00bfD\u00f3nde encaja el enrutamiento de modelos en un grafo de agentes?<\/h3>\n\n\n
\u00bfPuede ShareAI reemplazar a mi orquestador de agentes?<\/h3>\n\n\n
\u00bfC\u00f3mo puede la ingenier\u00eda de grafos reducir los costos de IA?<\/h3>\n\n\n
\u00bfQu\u00e9 deber\u00edan rastrear los Constructores en los grafos de agentes orientados al cliente?<\/h3>\n\n\n
\u00bfEs relevante la ingenier\u00eda de grafos para aplicaciones autohospedadas o con prioridad en la privacidad?<\/h3>\n\n\n
\u00bfC\u00f3mo cambia MCP el dise\u00f1o de grafos?<\/h3>\n\n\n
\u00bfCu\u00e1ndo deber\u00eda un grafo incluir aprobaci\u00f3n humana?<\/h3>\n\n\n
\u00bfCu\u00e1l es el primer paso hacia un grafo de agentes gobernado?<\/h3>\n\n\n