Shared memory vs message passing en sistemas multiagente
La memoria compartida y el paso de mensajes son los dos paradigmas básicos de coordinación entre agentes. Con memoria compartida (patrón Blackboard), todos los agentes leen y escriben sobre un estado común. Con paso de mensajes, los agentes se comunican exclusivamente mediante mensajes y no comparten estado. La elección determina la consistencia, el acoplamiento, la escalabilidad y la depurabilidad de un sistema multiagente.
De un vistazo
- Memoria compartida (Blackboard) significa un estado común sobre el que todos los agentes leen y escriben; el paso de mensajes encapsula cada agente y solo le permite comunicarse mediante mensajes.
- La regla crítica de consistencia es esta: las lecturas pueden ejecutarse en paralelo como fan-out, las escrituras deben seguir en un solo hilo. Según Cognition, las escrituras concurrentes sobre un estado compartido provocan decisiones implícitas contradictorias y resultados frágiles.
- El paso de mensajes domina los estándares de 2026: A2A define un ciclo de vida de tareas en el que los detalles internos de cada agente permanecen opacos, el OpenAI Agents SDK usa handoffs y el Anthropic Claude Agent SDK, la herramienta Agent (antes herramienta Task) con respuestas comprimidas.
- La memoria compartida es depurable en topologías con un único escritor, pero colapsa cuando se escribe libremente; el paso de mensajes necesita trazado distribuido de extremo a extremo con IDs de correlación.
- En la práctica, los sistemas en producción combinan ambos: un estado compartido interno (p. ej., el objeto de estado de LangGraph con checkpointing) y, hacia fuera, paso de mensajes mediante A2A.
La memoria compartida y el paso de mensajes son los dos paradigmas básicos con los que se pueden coordinar varios agentes de IA. Con memoria compartida (en su variante clásica, el patrón Blackboard), todos los agentes leen y escriben sobre un estado común. Con paso de mensajes, cada agente está encapsulado y se comunica exclusivamente mediante mensajes, sin estado compartido. La decisión entre ambos determina cuatro propiedades de un sistema multiagente: consistencia, acoplamiento, escalabilidad y depurabilidad. Este artículo compara los paradigmas a lo largo de estos ejes y muestra cuándo encaja cada uno.
- Memoria compartida / Blackboard: estado común (scratchpad, almacén vectorial, objeto de estado) sobre el que todos los agentes leen y escriben. Muy acoplado, intercambio de contexto sencillo, pero delicado con escrituras paralelas.
- Paso de mensajes: agentes aislados que solo intercambian información mediante mensajes. Desacoplado, escala más allá de los límites de procesos y proveedores, y es el estándar detrás de A2A, el OpenAI Agents SDK y el Anthropic Claude Agent SDK.
- La regla decisiva: la lectura puede ejecutarse en paralelo como fan-out; la escritura debería seguir en un solo hilo, independientemente del paradigma elegido.
La memoria compartida y el patrón Blackboard
En el enfoque de memoria compartida, todos los agentes comparten un almacenamiento central. El clásico patrón Blackboard procede de la investigación en IA: un «blackboard» común guarda el estado actual de una tarea, y los agentes especializados lo observan, leen las partes relevantes para ellos, anotan sus resultados parciales y reaccionan a los cambios que han provocado otros agentes. No hay un plan de ejecución fijo; el orden depende de qué agente puede aportar algo útil en cada momento.
En los sistemas multiagente modernos, la memoria compartida aparece de varias formas. Hay cuatro capas de almacenamiento externo muy extendidas:
- Almacenes vectoriales (pgvector, Pinecone, Weaviate, Qdrant) para contexto aumentado por recuperación.
- Bases de datos estructuradas (Postgres, BigQuery, SAP HANA, Snowflake) para hechos.
- Scratchpads como blocs de notas compartidos y efímeros que los agentes leen y escriben, normalmente con semántica append-only o compare-and-swap.
- Memoria persistente de agentes (al estilo de Letta/MemGPT, el almacén entre hilos de LangGraph, la herramienta Memory de Anthropic).
El patrón peer-to-peer o swarm también entra parcialmente aquí: agentes del mismo nivel sobre un bus de mensajes compartido y/o una memoria compartida, sin un orquestador fijo. OpenAI Swarm es la referencia: un framework experimental publicado en octubre de 2024 y sustituido en marzo de 2025 por el OpenAI Agents SDK, listo para producción. Sin embargo, para el contexto empresarial europeo, este modelo libre rara vez es adecuado, porque se resienten la depurabilidad y la atribución de responsabilidades.
El punto débil es la consistencia. En cuanto dos agentes leen el mismo almacenamiento y al menos uno escribe, hace falta una estrategia clara. Hay tres opciones habituales: (a) concurrencia optimista, (b) un único escritor con varios lectores o (c) semántica de bloqueo explícita. La mayoría de los sistemas en producción eligen (b), lo que corresponde a la regla de Cognition «Writes stay single-threaded».
Paso de mensajes y comunicación entre agentes mediante mensajes
Con el paso de mensajes, cada agente tiene su propio estado y su propia ventana de contexto. La información solo fluye mediante mensajes explícitos, nunca mediante acceso directo al estado ajeno. Esto desacopla los agentes: un agente no necesita saber nada del funcionamiento interno, el modelo o la memoria de otro; solo tiene que conocer el formato de los mensajes.
Esa es exactamente la idea de diseño del protocolo Agent-to-Agent (A2A), que Google publicó en abril de 2025 en Cloud Next y cedió a la Linux Foundation el 23 de junio de 2025. A2A define cómo hablan los agentes, no cómo piensan: cada agente publica una AgentCard (un documento JSON con endpoint, capacidades, skills, modalidades y esquemas de autenticación). La colaboración se desarrolla mediante un ciclo de vida de tareas:
submitted -> working -> input-required -> completed | failed | canceled
Los procesos internos del agente remoto permanecen opacos. Precisamente eso permite que un agente de Salesforce llame a un agente de SAP sin que ninguno revele al otro sus prompts, su memoria o su modelo. Mientras A2A cubre el nivel de agente a agente, el Model Context Protocol (MCP) regula el nivel de agente a herramienta. La regla práctica extendida en el sector (a 2026): MCP para capacidades (de agente a herramienta), A2A para colaboración (de agente a agente).
Otros stacks implementan el paso de mensajes con su propia semántica:
Stack | Semántica del paso de mensajes |
|---|---|
A2A | Ciclo de vida de tareas, mensajes de varias partes, artefactos como output, detalles internos opacos entre agentes |
OpenAI Agents SDK | Handoffs explícitos: un agente termina su turno, el siguiente toma el relevo y se transmite el historial de la conversación |
AutoGen (en modo de mantenimiento, sucesor: Microsoft Agent Framework) | Chat grupal por turnos, historial de conversación compartido, direccionamiento mediante menciones |
LangGraph | Objeto de estado tipado que pasa por los nodos, con checkpoints, persistente tras reinicios del servidor |
Anthropic Claude Agent SDK | El agente principal lanza subagentes mediante la herramienta Agent (antes herramienta Task); los subagentes devuelven outputs estructurados y comprimidos |
Bedrock Multi-Agent Collaboration | Supervisor más agentes colaboradores, modo de enrutamiento frente a orquestación completa |
Agentforce | Atlas Reasoning Engine enruta, los agentes especializados devuelven resultados y se conserva el contexto de la conversación |
LangGraph es aquí un caso límite interesante: el objeto de estado tipado es, de hecho, un estado compartido, pero se transmite de forma controlada de nodo a nodo y se guarda con checkpoints, es decir, no se escribe libremente. Es la forma mixta habitual en la práctica.
Los trade-offs en comparación directa
Dimensión | Memoria compartida / Blackboard | Paso de mensajes |
|---|---|---|
Acoplamiento | Alto: todos los agentes conocen el esquema del estado | Bajo: solo se comparte el formato de los mensajes |
Consistencia | Delicada: condiciones de carrera con escrituras concurrentes, requiere un único escritor o bloqueos | Más sencilla: no hay estado compartido que pueda corromperse |
Escalabilidad | Limitada por la contención de escritura en la memoria compartida | Escala más allá de los límites de procesos, equipos y proveedores |
Intercambio de contexto | Muy directo: el estado completo es visible al instante | Explícito: solo lo que se envía de forma deliberada |
Depurabilidad | Buena con un único escritor, colapsa con escrituras libres | Requiere trazado distribuido con IDs de correlación en todos los mensajes |
Auditabilidad | Snapshots del estado, pero «quién decidió qué» suele quedar poco claro | Cada mensaje es un dato relevante para la auditoría |
Uso típico | Subtareas estrechamente acopladas dentro de un proceso | Flujos de trabajo entre sistemas y entre proveedores |
Protocolo estándar en 2026 | propietario / interno del framework | A2A (Linux Foundation), MCP para herramientas |
Dos modos de fallo merecen especial atención. Primero, la fragmentación del contexto: los subagentes toman decisiones implícitas incompatibles. Cognition lo formula como principio: las acciones conllevan decisiones implícitas, y las decisiones contradictorias llevan a malos resultados. Los remedios son compartir trazas completas cuando el acoplamiento es alto, escrituras en un solo hilo y contratos de decisión explícitos. Segundo, el colapso de la depurabilidad: con paso de mensajes no hay una única traza que cubra toda la ejecución, sino N trayectorias de subagentes más la síntesis. El remedio es un trazado distribuido de extremo a extremo con IDs de correlación propagados en cada tarea A2A y cada llamada MCP.
Ejemplo concreto: fan-out de lectura con un único escritor
El Research Agent de Anthropic (junio de 2025) es la referencia para el reparto correcto. Un agente principal (Claude Opus 4) descompone la consulta y lanza N subagentes en paralelo (Claude Sonnet 4). Cada subagente tiene su propia ventana de contexto de unos 200k tokens, investiga de forma independiente y devuelve un resumen comprimido (no la transcripción completa) al agente principal, que se encarga de la síntesis. Es paso de mensajes puro con contextos aislados. Resultado según la evaluación interna de investigación de Anthropic: el sistema multiagente obtuvo un rendimiento un 90,2 % superior al de un solo agente con Claude Opus 4. El precio es un consumo de tokens unas 15 veces mayor que el de una interacción de chat normal; un agente individual se sitúa en unas 4 veces. Esta economía solo se justifica en tareas de alto valor y paralelizables.
Un contrapunto desde el sector asegurador es Allianz Project Nemo: siete agentes especializados (Planner, Cyber, Coverage, Weather, Fraud, Payout, Audit) para siniestros por deterioro de alimentos tras catástrofes naturales. En el caso práctico de Allianz, desde la notificación del siniestro hasta la revisión final pasan menos de cinco minutos. Esa revisión sigue en manos humanas: un tramitador lee el resumen de auditoría y toma la decisión final de pago (human-in-the-loop como requisito explícito). Allianz desarrolló el sistema en menos de 100 días y lo lanzó en julio de 2025 en Australia. Resultado documentado: un 80 % menos de tiempo de tramitación y liquidación para siniestros legítimos de menos de AUD 500.
En pseudocódigo, la topología de fan-out de lectura con un único escritor tiene este aspecto:
fragmente = parallel_map(sub_agent.recherchiere, teilaufgaben): las lecturas se ejecutan en paralelo como fan-out con contextos aislados.ergebnis = lead.synthetisiere(fragmente): exactamente un escritor combina los fragmentos.commit(ergebnis): la escritura sigue en un solo hilo.
En cambio, hay que evitar las escrituras concurrentes de varios agentes sobre el mismo estado, porque los agentes que escriben en paralelo toman decisiones implícitas que se contradicen entre sí.
Qué paradigma usar y cuándo
- Elige paso de mensajes cuando los agentes colaboren más allá de los límites de procesos, equipos o proveedores, cuando los detalles internos deban quedar encapsulados y cuando haya que auditar cada mensaje. Es la opción por defecto para flujos de trabajo entre sistemas (de Agentforce a Joule y a Copilot vía A2A) y para fan-out con predominio de lectura (investigación, recuperación, clasificación, revisión).
- Elige memoria compartida cuando se ejecuten subtareas estrechamente acopladas dentro de un proceso, el estado común sea pequeño y la frecuencia de escritura baja, y se pueda establecer un único escritor. El blackboard es adecuado para tareas sin un plan de ejecución fijo.
- Combina ambos, que es la realidad en producción: un flujo interno de LangGraph con un objeto de estado persistente y checkpointing, expuesto hacia fuera como endpoint A2A con AgentCard. Por dentro, estado compartido de forma controlada; por fuera, paso de mensajes limpio.
Para agencias y decisores B2B
La cuestión del paradigma es una cuestión de riesgo operativo. Si montas flujos multiagente en Europa, deberías elegir por defecto el paso de mensajes mediante la combinación estándar convergente de MCP y A2A, y limitar deliberadamente la memoria compartida a subtareas internas estrechamente acopladas con un único escritor. Para las agencias de marketing, esto significa en concreto que los pipelines de contenido, investigación y revisión se benefician de un fan-out de lectura en paralelo, mientras que el paso final de escritura (publicación, registro en el CRM) sigue en un solo hilo. Si planificas una arquitectura de agentes auditable y lista para producción, para tus clientes o para tu propia empresa, deberías fijar pronto el perfil de acoplamiento, la estrategia de consistencia y la infraestructura de trazado, antes de que exista la primera línea de orquestación. Justo ahí entra la consultoría de Blck Alpaca.
Abre el chat con un prompt ya preparado.
Preguntas frecuentes
¿Cuál es la diferencia entre memoria compartida y paso de mensajes en agentes?
¿Qué es el patrón Blackboard en agentes?
¿Cuándo debería elegir paso de mensajes en lugar de memoria compartida?
¿Por qué son problemáticas las escrituras paralelas sobre un estado compartido?
¿Qué paradigma usan los frameworks más habituales en 2026?
¿Quieres profundizar?
Recibe nuevos análisis directamente en tu bandeja de entrada o descubre cómo aplicamos este conocimiento en empresas.