Sub Agent Context Sharing: Cómo habilitar subagentes efectivos para codificación

Entonces, Cloud Code introdujo su función de sub-agente hace unas semanas, y fue un concepto súper emocionante. Sin embargo, para las personas que lo prueban, a menudo tienen una experiencia bastante negativa, donde un sub-agente se siente lento, consume muchos más tokens y, lo más importante, no parece estar contribuyendo a un mejor resultado. Y yo estaba entre esas personas, pero solo recientemente comencé a aprender las mejores prácticas para usar sub-agentes. Y eso ha cambiado totalmente el juego y ha hecho que mi Cloud Code funcione mucho mejor de manera consistente.

Por eso quiero compartir cómo pienso y diseño el sistema de sub-agentes. Entonces, primero, tenemos que entender por qué Cloud Code introdujo inicialmente el concepto de sub-agente. Si no sabes exactamente cómo funciona el agente de Cloud Code detrás de escena, es básicamente una herramienta llamada agente que está equipada con una lista de diferentes herramientas para leer un archivo, listar todos los archivos, editar archivos, cosas así. Y algunas de las herramientas pueden consumir muchos más tokens como la herramienta de lectura, porque vas a incluir todo el contenido de un archivo en el historial de la conversación. Y antes de que Cloud Code tuviera la función de sub-agente, todo lo hacía el propio agente de Cloud Code.

Lo que significa que antes de comenzar a implementar, ya podría usar el 80% de la ventana de contexto, porque esos archivos contendrán una gran cantidad de contexto, lo que probablemente activará este comando de conversación compacta que resumirá toda la conversación antes de que puedas continuar. Y como sabemos, cada vez que compactas la conversación, el rendimiento cae dramáticamente porque comienza a perder contexto sobre lo que ha hecho antes. Por eso más tarde introdujeron esta herramienta de tareas para el agente de Cloud Code. Permite a Cloud Code asignar una tarea a otro agente. Y este agente tendrá exactamente el mismo conjunto de herramientas, incluyendo leer archivo, buscar archivo. Así que puedes activar este agente para que realmente escanee toda la base de código, entienda cuáles son todos los archivos relevantes para cambiar. Y luego, basado en esa información, hacer la implementación real. Y la forma en que se ahorran tokens es porque desde la perspectiva del agente principal, todos los pasos que el sub-agente toma en el medio no serán parte del historial de la conversación para el agente principal.

Entonces vemos que se asignó la tarea al sub-agente y luego el sub-agente regresa con un resumen del informe de investigación, que puede usarse para guiar la siguiente mejor acción. Al hacer eso, efectivamente conviertes ese consumo masivo de tokens de la acción de leer archivo, buscar archivo, en algo como un resumen de solo unos pocos cientos de tokens, pero que aún contiene la información más importante para guiar la siguiente acción. Así que todo el propósito del sub-agente ha sido en torno a la ingeniería de contexto y la optimización de contexto. Pero donde las cosas fallan es cuando las personas comienzan a intentar que un sub-agente no solo haga el trabajo de investigación, sino que también realice directamente la implementación.

Por ejemplo, el primer pensamiento que tuve fue ¿qué pasaría si pudiéramos tener un agente de desarrollo front-end para hacer solo una implementación front-end con reglas y flujos de trabajo especiales, así como un agente de desarrollo back-end que esté especializado en la implementación back-end. Entonces, para el agente principal, realmente solo orquesta toda la conversación y delega tareas a otros. Esto suena muy bien al principio, pero en el momento en que lo que sea que el sub-agente implemente no sea 100% correcto y quieras que el agente lo arregle, ahí es donde comienza el problema. Porque para cada agente, solo tiene información muy limitada sobre lo que está sucediendo. Para el agente de desarrollo front-end, solo conoce la acción que toma así como el mensaje final que genera en esa tarea específica.

Lo mismo para el agente de desarrollo back-end. Y si le indicas al agente de Cloud Code que hay un error en el front-end, aunque se asigne nuevamente al desarrollo front-end, esto solo desencadenará una nueva conversación, porque el agente de desarrollo front-end no sabría qué sucedió antes en la última sesión de front-end, y tampoco tendrá ningún contexto sobre lo que el desarrollo back-end ha hecho antes. Así que cada tarea es una sesión muy contenida. Mientras tanto, para el agente principal de Cloud Code, también tiene información muy limitada, porque nuevamente, no verá todas las acciones que se han tomado para el sub-agente, lo que significa que no sabrá qué archivos específicos se han creado y qué se ha puesto realmente en esos archivos.

Todo lo que los agentes principales ven es que he asignado tareas al desarrollador front-end, y el desarrollador front-end regresa diciendo que completó la tarea, y lo mismo para el back-end. Así que si quieres que el agente de Cloud Code solucione el error por sí mismo, tendrá información muy limitada sobre qué está causando el problema. Esto probablemente se resolverá más adelante en el futuro, donde encontraremos una buena manera de compartir contexto entre esos diferentes agentes, para que cada uno de ellos esté siempre en la misma página sobre lo que se ha hecho. Pero por ahora, la mejor práctica sería considerar a cada sub-agente casi como un investigador, y pensar en qué tipo de pasos de planificación e investigación pueden realmente mejorar dramáticamente tu flujo de trabajo de codificación de IA actual. También recibí un comentario similar de Alan Wolfe, quien es uno de los ingenieros clave en el equipo de Cloud Code, donde dice que el sub-agente funciona mejor cuando solo busca información y proporciona una pequeña cantidad de resumen de vuelta al hilo principal de la conversación.

Así que con esto, tuve esta idea. ¿Qué pasaría si cada proveedor de servicios como Vercel, AI SDK, Superbase, Tailwind, pudieran simplemente tener un agente que esté equipado con todo el conocimiento más reciente sobre sus documentaciones, práctica y diseño. Entonces este agente puede comenzar a revisar mi base de código existente para idear un plan de implementación Y esto es exactamente lo que intenté. Comencé a crear diferentes sub-agentes expertos para cada servicio, desde Chessian, donde tiene acceso a una herramienta MCP especial que puede recuperar componentes relevantes y el mismo diseño para hacer un muy buen trabajo de front-end, o un experto en Vercel AI SDK que está cargado con la última doc de Vercel AI SDK V5, porque acaban de lanzar esta nueva versión hace un par de semanas, o un experto en Stripe que está cargado con la última doc de Stripe, así como herramientas como Context 7. Así que puedes hacer configuraciones complejas como precios basados en uso muy fácilmente desde el principio.

Mientras tanto, también hice algunas optimizaciones sobre el intercambio de contexto entre diferentes agentes. Esto es algo que aprendí del blog del equipo de Manos sobre ingeniería de contexto, donde hablan sobre todos los trucos y consejos de cómo hacen que Manos ejecute tareas de larga duración. Hay muchas cosas buenas allí, pero la parte que más me inspira es cómo usan el sistema de archivos como el sistema de gestión de contexto definitivo. Así que en lugar de almacenar todos los resultados de las herramientas directamente en el historial de la conversación, ellos reciben un resultado en un archivo local, que puede ser recuperado más tarde.

En su caso, cuando el agente ejecuta una herramienta de web scraping, en lugar de incluir todo el contexto del script dentro del historial de la conversación directamente, lo cual podría tomar más de 10,000 tokens, ellos simplemente guardarán el contenido del script en un archivo MD local, que puede ser recuperado más tarde en cualquier punto de la conversación.

Y esto es exactamente lo que diseñé aquí. Dentro de la carpeta doc cloud, habrá una carpeta de tareas que contiene el contexto de cada característica que deseas que un equipo implemente. Mientras tanto, cada sub-agente puede comenzar a crear esos archivos MD sobre un informe de investigación específico y un plan de implementación. De modo que el procesador será el agente principal que siempre creará un archivo de contexto que incluya toda la información sobre el proyecto específico que intentamos ejecutar.

Y para cada sub-agente, antes de que comiencen a trabajar, leerán este archivo de contexto primero para entender el plan general del proyecto y en qué punto se encuentran las cosas ahora. Y después de terminar, también actualizarán el archivo de contexto para indicar cuáles son los pasos principales que realizaron y guardarán el informe de investigación en un archivo MD en el doc. Así que el agente principal o todos los demás agentes pueden simplemente leer este doc más tarde para obtener más contexto. Y esta configuración ha mejorado dramáticamente la tasa de éxito y el resultado de mi cloud code. Y esto es lo que quiero mostrarles rápidamente hoy.

Así que, con suerte, tienes una idea sobre qué tipo de sub-agente puedes crear que realmente vaya a ser útil. Entonces, para construir esos sub-agentes, las reglas generales que tengo es que incluiré muchos documentos importantes directamente dentro de la indicación del sistema. Así puedo tener confianza en que seguirá la práctica más reciente. Y mientras tanto, también les daré herramientas aleatorias para recuperar contexto importante.

En este ejemplo de experto en ChassisN, como mencioné antes, hay herramientas MCP que están específicamente diseñadas para esta recuperación de información de ese paquete específico. Una es este componente MCP de ChassisN. Te permiten recuperar componentes, el código de ejemplo para cada componente, y bloques aleatorios. Así tendrá el contexto completo. Así como otro MCP para recuperar y diseñar Escena para ChassisN.

Este MCP es de TweakScene, que es un sitio web especializado en esos diseños de escena. Y este MCP simplemente recuperará algunas escenas bien diseñadas para que puedan usarse como referencia. Normalmente abriré el terminal para code.cloud.json. Esto abrirá tus configuraciones globales. Y aquí hay una clave llamada MCP server. Estamos pasando este componente ChassisN y la herramienta de escena ChassisN. Así los sub-agentes tendrán acceso a. Y podemos elegir a qué dos agentes deberían tener acceso.

El modelo, el color, y luego verás este nuevo agente creado. Puedes agregar un agente si lo deseas. Pero lo que normalmente hago es que abriré el terminal y luego haré code.cloud. Así se abrirán tus configuraciones personales para Cloud Code, que se aplicarán a todos los proyectos. Así que estamos creando un nuevo agente y podemos crear un agente específico para un proyecto o un agente a nivel personal que se usará en todos los proyectos. Para nuestro ejemplo, usaré un nivel personal y podemos generar este cloud. Intentará generar título, descripción y la indicación del sistema para el sub-agente basado en tu explicación rápida.

Así que aquí la descripción que doy es un experto en front-end de ChassisN que puede ayudar a diseñar una UI de front-end de clase mundial usando MCPs relevantes de ChassisN. Como mencioné antes, hay herramientas MCP especiales que usé aquí. Así que aquí puedes ver un ejemplo que creamos aquí. Normalmente lo que hago en este punto es pegar documentos en su indicación del sistema o adjuntar herramientas MCP especiales y reglas sobre cómo usar esta herramienta MCP. En la versión final que diseñé antes, tiene todas esas reglas sobre el proceso que debería seguir.

La idea aquí es que si estamos listando todos los componentes, eligiendo el componente correcto y obteniendo código de ejemplo para saber exactamente cómo usarlo y también obtener alguna referencia sobre cómo componer diferentes patrones de UI juntos usando el bloque, reunir temas relevantes así como algunas reglas sobre dónde colocar qué archivos de componentes. Y normalmente lo que también haría es que primero añadiría un objetivo aquí para cada sub-agente donde mencionaría que el objetivo es diseñar proponer un plan de implementación detallado y nunca hacer la implementación real. Una vez que terminen, solo guarden el archivo de diseño en doccloud slash doc file.

Y al final, también incluiré este formato de salida para instruir que el mensaje final de salida debería verse algo así. He creado un plan como este archivo. Por favor, léelo primero antes de proceder. Y este mensaje será enviado de vuelta al agente padre de cloud code para que sepa que necesitas consultar este archivo así como listar diferentes reglas para seguir instruyendo que no hagan realmente la implementación. Y antes de hacer cualquier trabajo, deberías mirar primero el archivo de contexto para obtener el contexto completo.

Y después de terminar tu trabajo, deberías actualizar este archivo de contexto. Y también hay un tipo de comportamiento extraño que observé. A veces los sub-agentes intentarán ejecutar este cliente Cloud MCP para llamarse a sí mismos. Mi sospecha es porque los sub-agentes realmente heredan el archivo cloud.md que tenemos. Así que solo añado esta regla aquí para asegurarme de que no se confunda. En este formato de salida, las reglas así como los objetivos son casi idénticos en todos los sub-agentes que creé. Por ejemplo, para este experto en Versailles AI SDK, también tengo la misma estructura para el formato de salida y las reglas.

La única diferencia aquí es que incluiré documentación más detallada sobre la última doc de Versailles AI SDK, que es algo que obtuve directamente de su sitio web. Simplemente copié algunas páginas fundamentales importantes sobre Versailles AI SDK v5 en el mensaje del sistema, así como una guía de migración para explicar claramente la diferencia entre 4.0 y 5.0. Eso también es algo que obtengo de su propia doc. Así que este es un ejemplo de cómo podemos configurar esos sub-agentes especializados para cada servicio que vas a utilizar.

Así que ahora vamos a intentarlo. Primero configuraré un proyecto de Next.js con JSON y luego haré cd myapp y Cloud. Así que esto configurará el proyecto inicial. Haré init para comenzar a inicializar la base de código y crear una regla base de cloud code. Crearé este archivo cloud.md. Pero para que funcione mejor, en el cloud.md, también quiero agregar algunas reglas especiales sobre los sub-agentes.

Así que primero, quiero que este agente padre siempre mantenga el plan del proyecto en el doc.cloud slash task slash contact sessions para que podamos usar esta fuente de verdad del archivo para mantener estos contactos. Y después de que termine el trabajo, debe actualizar este archivo MD. Y mientras tanto, también quiero dar algunas reglas sobre los sub-agentes. Así que sepa que tiene dos sub-agentes a los que debe delegar. Y también cuando pasamos tareas al sub-agente, asegurándonos de que pasamos este nombre de archivo MD. Y después de que cada sub-agente termine el trabajo, necesitan leer la documentación que crearon antes de ejecutar tareas.

Con esta configuración, vamos a intentarlo. Nuestro gear prompt me ayudó a construir una réplica de chat GPT usando chat.cn como front-end y el servicio Versatile AIS. Primero construyamos la UI, asegurándonos de consultar al sub-agente. Y primero, intentará crear este archivo de sesión de contacto MD para documentar los contactos sobre este proyecto que estamos ejecutando. Luego activa este agente de chat.cn. Si hago control R para abrir el detalle, podemos ver que da una tarea muy específica a este agente experto en UI de chat.cn, incluyendo el archivo de contactos para leer así como tareas específicas.

Luego, lo primero que hace el sub-agente es intentar leer este archivo de contactos. Luego comienza a ejecutar la herramienta MCP llamada chat.cn components. Así que esta es una herramienta MCP especial que conectamos. Así que si vuelvo al agente, continuará usando esas herramientas relevantes para recuperar información que pueda ayudarle a diseñar la UI con los componentes correctos. Y para cada componente, también puede obtener algún código de ejemplo de cómo usarlo.

Así que al final, este agente de chat.cn terminará el trabajo y creará un archivo doc sobre este diseño de UI, el diseño general y los componentes planeados para usar con una estructura muy detallada. Y basado en eso, el agente padre leerá este plan y comenzará a desglosar la implementación real. Y después de un tiempo, termina todo en una sola vez y también actualiza este archivo de sesión de contactos para indicar qué tipo de cosas se han hecho y cuál es la arquitectura general. Y puedo ejecutar esta aplicación. Por cierto, Cloud Code acaba de introducir esta sesión de fondo que puede seguir ejecutándose y monitoreando el resultado, lo cual es realmente útil.

Si abro esta interfaz de usuario, puedes ver que es de una fidelidad extremadamente alta con todas esas interacciones detalladas consideradas, lo que se ve casi idéntico a la primera versión de chat.gt. Y hay algunas flechas que podemos pegar. Luego comenzaremos a corregir esas flechas. Y es por eso que la nueva estructura de sub-agente es tan buena, porque toda la ejecución será realizada por este agente padre. Así que tendrá el contexto completo de cuál es la mejor manera de solucionar el problema. Genial.

Así que ahora no hay flechas. Si escribo un mensaje, también tendrá una buena interacción y la animación ha sido manejada. Así que a continuación podemos pedirle que se conecte al VerCell AI SDK. Así que le pediré que hagamos la integración del VerCell AI SDK y asegurarnos de que pueda instalar el sub-agente. Esto activará el planificador de implementación del VerCell AI SDK. Dentro de este agente, nuevamente, primero intentará leer este archivo de contexto. Luego revisará toda la base de código para ver cuál es la mejor manera de implementar esto.

Después de que termine, creará este documento sobre el plan de implementación para el VerCell AI SDK. Y también actualizará este archivo context-md para documentar lo que se ha hecho. Y luego este agente padre leerá todo el plan de implementación y propondrá los pasos de implementación específicos. Y genial. Nuevamente, después de que termine, las observaciones se completan y actualiza continuamente este archivo de contexto. Así que ahora tenemos esta aplicación en funcionamiento. Si solo escribo Hola, soy Jason, este agente realmente se conecta al modelo de gran longitud y me devuelve los resultados. En un solo intento, que es la parte asombrosa.