Coordinación Multi-Agente con LLMs
Investigación sobre la coordinación de agentes basados en LLMs hacia un objetivo común, explorando arquitecturas de memoria, protocolos de comunicación inter-agente y mecanismos de explicabilidad en entornos ricos en herramientas.
Enfoque novedoso de memoria y comunicación entre agentes
Explicabilidad en sistemas LLM multi-agente
Orquestación en entornos ricos en herramientas
Investigación académica con aplicabilidad real
Mi trabajo de fin de grado en la FIB-UPC investiga uno de los desafíos más relevantes en los sistemas de IA modernos: cómo coordinar múltiples agentes basados en LLMs para trabajar juntos hacia un objetivo común manteniendo la transparencia y la explicabilidad.
La investigación se centra en tres pilares interconectados. Primero, arquitecturas de memoria — cómo los agentes almacenan, recuperan y comparten información entre interacciones, incluyendo tanto contexto conversacional a corto plazo como conocimiento a largo plazo que persiste entre tareas. Segundo, comunicación inter-agente — diseño de protocolos que permiten a los agentes delegar tareas, compartir hallazgos y resolver conflictos sin un controlador central rígido. Tercero, explicabilidad — asegurar que las decisiones multi-agente puedan ser trazadas, comprendidas y auditadas por humanos, algo crítico para el despliegue en contextos empresariales y sensibles en materia de seguridad.
El trabajo se desarrolla en entornos prácticos ricos en herramientas donde los agentes no solo deben razonar sino también actuar — llamando APIs, consultando bases de datos, manipulando archivos y coordinando flujos de trabajo secuenciales.
Esto refleja escenarios del mundo real como las plataformas de IA que he construido profesionalmente, donde los sistemas de agentes necesitan gestionar procesamiento complejo de documentos, extracción de datos y lógica de negocio multi-paso.
La tesis contribuye tanto un marco teórico para pensar sobre la coordinación de agentes LLM como experimentos prácticos que demuestran cómo diferentes estrategias de memoria y comunicación afectan la completitud de tareas, precisión y explicabilidad en configuraciones multi-agente.