¿Y si tus agentes de IA se comportaran menos como chatbots aislados y más como un equipo de especialistas que de verdad colaboran entre sí? 🤖

Eso es exactamente lo que quise probar con el plugin de escritorio Modo Bot de Hermes, lanzado recientemente.

En lugar de cambiar manualmente entre diferentes perfiles de Hermes, copiar contexto y disparar cada etapa yo mismo, construí un pequeño equipo de tres agentes de IA:

Investigador → Analista de Riesgos → Editor de Tesis

Luego le di una sola tarea a un solo agente.

El objetivo era simple: ver si los agentes podían reunir evidencia, cuestionar el trabajo de los demás y producir una respuesta final mediante handoffs (traspasos) de agente a agente, sin que yo operara cada etapa manualmente.

Y en su mayoría funcionó.

Pero lo interesante no es la demo de investigación bursátil en sí. Es lo que el Modo Bot cambia en la forma en que interactuamos con Hermes Agent, con los agentes de IA persistentes y con los flujos multiagente.

🧠 ¿Qué es el Modo Bot de Hermes?

Hermes ya soporta perfiles. Un perfil puede tener su propia configuración, ajustes de modelo, “soul”, memoria, skills y herramientas. Es decir, ya podías crear múltiples agentes Hermes especializados.

El Modo Bot no reemplaza ese sistema: le agrega una capa visual de usabilidad y orquestación sobre los perfiles. La forma más fácil de describirlo:

Los perfiles de Hermes te dan múltiples cerebros aislados. El Modo Bot les da a esos cerebros caras, salas y una interfaz de equipo.

En lugar de recordar nombres de perfiles o manejarlo todo por CLI, tienes un roster visible de bots. Cada bot puede tener su propio:

  • 🪪 Nombre e identidad visual
  • 🎯 Rol especializado
  • 🧠 Personalidad y memoria
  • 🛠️ Herramientas y skills
  • 💬 Conversación persistente
  • 🔄 Capacidad de comunicarse con otros bots

Esa última capacidad es donde las cosas se ponen interesantes.

🧪 El experimento: ¿pueden 3 agentes de IA completar una tarea de investigación?

Quería una tarea donde simplemente generar una respuesta no fuera suficiente. El flujo necesitaba diferentes tipos de juicio. Así que creé tres bots especializados.

🔎 Bot 1: Investigador del mercado bursátil

El primer agente reúne evidencia. Su trabajo es investigar dos empresas listadas en EE. UU. del mismo sector usando documentos públicos y datos de mercado confiables.

Para la demo comparé NVIDIA y AMD en áreas como:

  • Crecimiento de ingresos
  • Márgenes
  • Riesgo del balance
  • Contexto de valuación
  • Catalizadores del negocio

Pero no quería que la respuesta del primer agente se convirtiera automáticamente en la respuesta final. Ahí entra el segundo bot.

⚠️ Bot 2: Analista de Riesgos

El Analista de Riesgos es deliberadamente adversarial. En lugar de expandir las conclusiones del investigador, su trabajo es atacarlas. Revisa cosas como:

  • ¿Son comparables los períodos reportados?
  • ¿Están respaldadas las cifras?
  • ¿Son razonables los supuestos de valuación?
  • ¿Qué riesgos a la baja faltan?
  • ¿Hay evidencia contradictoria?
  • ¿Algún lenguaje suena a pronóstico injustificado?

Esto crea una separación importante entre generar investigación y revisar investigación.

📝 Bot 3: Editor de Tesis

Finalmente, el material revisado llega al Editor de Tesis. Su trabajo no es investigar todo de nuevo: toma la evidencia y la crítica de los agentes anteriores y produce una comparación balanceada con:

  • 📚 Fuentes
  • 📅 Fechas relevantes
  • 🎚️ Notas de confianza
  • ❓ Incógnitas conocidas
  • ⚖️ Un análisis final más equilibrado

Ahora tenemos un pipeline multiagente simple:

Investigar → Cuestionar → Sintetizar

🔄 Lo interesante: solo hablé con un agente

Esta fue la prueba real. Le di mis instrucciones al Investigador del mercado bursátil. Esa fue mi única instrucción inicial.

No tomé su salida manualmente para pegársela al Analista de Riesgos. No abrí el Editor de Tesis para decirle qué hacer después.

En cambio, el investigador reunió su evidencia y luego intentó pasar el trabajo al Analista de Riesgos. El analista lo revisó e intentó pasar el material revisado más abajo en la cadena. Los bots estaban componiendo y enrutando estos handoffs por sí mismos.

Ese es un modelo de interacción mucho más interesante que:

Humano → Agente A → Humano → Agente B → Humano → Agente C

En su lugar, nos movemos hacia:

Humano → Agente A → Agente B → Agente C → Humano

El humano define el objetivo mientras los agentes especializados manejan parte de la coordinación.

👀 Las conversaciones persistentes hacen el flujo más fácil de entender

Algo que me gusta del Modo Bot es que estos no son llamadas invisibles en segundo plano. Cada especialista existe como un bot reconocible con su propia conversación persistente.

Puedo abrir el investigador e inspeccionar lo que hizo. Puedo abrir el Analista de Riesgos y ver qué recibió. Puedo inspeccionar qué pasó durante un handoff.

Eso importa cuando estás experimentando con sistemas multiagente. Si un equipo de IA produce un mal resultado, no quieres solo la respuesta final: quieres entender dónde falló el flujo. ¿La investigación original fue débil? ¿El crítico se perdió algo? ¿Desapareció información durante un handoff? ¿El agente final exageró la evidencia?

Hacer visibles a los agentes y sus conversaciones te da un modelo mental mucho mejor del sistema.

🛠️ Creando bots especializados

Crear un bot desde la interfaz de escritorio es bastante directo. Puedes darle nombre, título, descripción y avatar.

La configuración avanzada es donde la especialización se vuelve más potente: puedes configurar el soul del bot, asignarle skills, controlar sus herramientas disponibles o clonarlo desde un perfil Hermes existente.

Eso significa que no tienen que ser tres copias del mismo asistente genérico con nombres distintos. Puedes diseñar especialistas genuinamente diferentes. Por ejemplo:

  • Agente Investigador: acceso web + skills de investigación + instrucciones centradas en evidencia.
  • Agente Crítico: instrucciones de verificación + personalidad escéptica + reglas estrictas contra afirmaciones sin respaldo.
  • Agente Editor: instrucciones fuertes de síntesis + mandato limitado para introducir afirmaciones nuevas.

La arquitectura se vuelve interesante cuando los agentes tienen diferentes responsabilidades, contexto, herramientas e instrucciones de comportamiento, y no simplemente etiquetas distintas.

⏰ Los bots también pueden ejecutar trabajos recurrentes

Otra función útil son los trabajos programados. Puedes configurar un bot con una instrucción y programarlo para que corra con una frecuencia determinada. Por ejemplo, el bot de investigación bursátil podría ejecutar una tarea de investigación matutina recurrente.

Eso abre casos de uso más allá de las conversaciones iniciadas manualmente:

  • 📊 Investigación de mercado diaria
  • 📰 Monitoreo de noticias
  • 🔍 Inteligencia competitiva
  • 📈 Análisis de negocio recurrente
  • 📋 Reportes periódicos
  • 🧭 Actualizaciones de investigación

Los especialistas persistentes se vuelven mucho más útiles cuando pueden realizar trabajo recurrente en lugar de esperar un chat nuevo cada vez.

⚡ Pero el Modo Bot NO es un motor de workflows completo

Esta distinción es importante. Es fácil ver agentes comunicándose y asumir que de repente construiste un sistema completo de orquestación multiagente. Eso no es lo que el Modo Bot es actualmente.

Los handoffs son reales, pero son por invocación. Un bot receptor podría responder más tarde, y un bot que ya está procesando algo podría no ser interrumpido de inmediato. El Modo Bot tampoco garantiza ejecución en paralelo. Mi demo fue efectivamente secuencial:

Investigador → Analista de Riesgos → Editor de Tesis

Así que no lo trataría como reemplazo de un DAG o un motor de workflows estructurados.

🐛 Además, sigue en beta

De hecho, encontré un handoff fallido durante la demo. El Analista de Riesgos completó su revisión pero falló al pasar el trabajo al Editor de Tesis.

En lugar de ocultar la falla, la dejé en el video porque demuestra una limitación importante. El Modo Bot está en versión beta: las fallas pueden pasar. En mi caso, le indiqué al investigador que la delegación anterior había fallado y le pedí reintentar. El investigador se comunicó con el Editor de Tesis, le pasó el material revisado y el flujo continuó.

Para workflows autónomos de nivel producción, esa distinción importa. Una buena interfaz de agente no te da automáticamente garantías sobre:

  • reintentos (retries)
  • dependencias
  • estado de ejecución
  • paralelismo
  • enrutamiento determinista
  • recuperación de fallas

Esos son problemas de orquestación.

🆚 Modo Bot vs. Perfiles vs. Kanban de Hermes

Estos tres conceptos resuelven problemas distintos.

  • Perfiles de Hermes: proporcionan la especialización subyacente. Dan a los agentes configuraciones separadas, ajustes de modelo, memorias, souls, herramientas y skills.
  • Modo Bot: hace que esos especialistas sean más fáciles de operar como un equipo visible. Obtienes identidades, conversaciones persistentes, un roster y comunicación agente-a-agente.
  • Kanban de Hermes: sigue siendo más apropiado cuando necesito un proyecto estructurado con tareas explícitas, dependencias y colaboración multiagente organizada.

He usado Kanban extensivamente para workflows de agentes más complejos porque esas tareas necesitan más estructura.

Así que no pensaría en el Modo Bot como “reemplaza a los perfiles o al Kanban”. Lo pensaría como otro modelo de interacción:

  • Perfiles = especialización 🧠
  • Modo Bot = especialistas persistentes + comunicación 💬
  • Kanban = orquestación estructurada de tareas 🗂️

La elección correcta depende del workflow.

💡 Por qué creo que esta dirección es interesante

La mayoría de los asistentes de IA todavía giran alrededor de una sola interfaz: un usuario ↔ un chatbot. Pero muchas tareas reales no son naturalmente problemas de un solo rol.

Considera la investigación de startups: podrías querer Investigador de Mercado → Analista de Competencia → Escéptico → Editor de Memo para Founder.

Para desarrollo de software: Arquitecto → Desarrollador → Revisor → Agente QA.

Para contenido: Investigador → Guionista → Verificador de Datos → Editor.

Para ventas: Investigador de Leads → Analista de Cuentas → Redactor de Outreach.

El valor no está simplemente en tener “más agentes”. Agregar diez agentes a un workflow no lo hace automáticamente mejor. La pregunta interesante es si podemos dar a los especialistas responsabilidades claras y handoffs útiles, manteniendo el sistema comprensible para el humano que lo opera.

El Modo Bot es un paso interesante hacia hacer esa experiencia más accesible.

Y estoy particularmente interesado en hacia dónde va este modelo. Porque la oportunidad más grande no es solo darle a los agentes de IA mejores respuestas: es darnos mejores formas de organizar, observar y operar equipos de agentes de IA especializados.

Video completo del experimento: youtu.be/w3VI6zC4_0I

Sigue explorando estos temas en el blog de DojoFullStack: los equipos de agentes de IA, la automatización y la orquestación multiagente están redefiniendo cómo trabajamos — y entenderlos hoy te pone un paso adelante mañana.