¿Por qué más de un agente?

Cuando empiezas, un solo agente es suficiente. Pero a medida que le das más responsabilidades, llegas a un punto donde no es la mejor solución.

Razones para separar agentes

Especialización del modelo: Diferentes tareas requieren diferentes modelos. Un briefing diario no necesita el modelo más potente. Una análisis complejo sí.

Coste: Separar por modelo te permite asignar el modelo caro solo a las tareas que lo necesitan.

Disponibilidad: Si un agente falla, los otros siguen funcionando.

Organización: Cada agente con su propio system prompt, skills y memoria.

Ejemplo práctico: dos agentes coordinados

Agente primario (calidad): Claude Sonnet o GPT-4. Para conversación interactiva, decisiones importantes.

Agente secundario (volumen): Kimi K2.5 via NVIDIA NIM o LLaMA via Groq. Para tareas automáticas, briefings, traducciones. Coste casi cero.

Workspaces en OpenClaw

OpenClaw soporta workspaces — entornos separados con configuración independiente. Cada workspace puede tener un modelo diferente, skills diferentes, y un system prompt diferente.

Conceptos clave de hoy

  • Separar por coste: Modelo caro para calidad, modelo barato para volumen
  • Separar por función: Cada agente experto en su dominio
  • Workspaces: Entornos separados dentro de OpenClaw
  • No complicarse: Si un agente es suficiente, uno es mejor que dos

Próxima lección: Seguridad y privacidad — tu agente en el mundo real.