🤖 AI

Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs

Este artículo propone un pipeline para generar dinámicamente agentes basados en personas bajo demanda en tiempo de ejecución, a fin de superar las limitaciones de las arquitecturas multiagente fijas y codificadas mediante la adaptación de los flujos de trabajo a las necesidades y contextos específicos de los usuarios.

Autores originales: Giuseppe Arbore, Andrea Sillano, Luigi De Russis

Publicado 2026-05-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Giuseppe Arbore, Andrea Sillano, Luigi De Russis

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que entras en un restaurante donde la cocina está dirigida por un equipo de robots. En la versión actual de este restaurante, los robots tienen trabajos fijos que nunca cambian. Un robot es siempre el chef gruñón que solo habla en comandos cortos y técnicos. Otro es siempre el camarero lento y excesivamente cortés. No importa quién seas ni qué pidas, la cocina funciona exactamente igual. Si quieres una comida rápida y casual, aún tienes que lidiar con el chef gruñón. Si quieres una explicación detallada de tu comida, aún tienes que esperar al camarero lento.

Este artículo sostiene que este enfoque de "talla única" está frenando el potencial de la IA. Los autores, investigadores del Politecnico di Torino, proponen una nueva forma de construir estos equipos de IA (llamados "sistemas multiagente") donde los robots pueden cambiar sus personalidades y roles sobre la marcha, específicamente para ti.

Así es como funciona su idea, desglosada en pasos simples:

El Problema: La Cocina Rígida

Actualmente, la mayoría de los sistemas avanzados de IA se construyen con una estructura "codificada de forma rígida". Los diseñadores deciden de antemano: "El Agente A siempre será el planificador, el Agente B siempre será el investigador, y siempre hablarán entre sí en este orden específico".

El Problema: Si eres un experto que quiere una respuesta rápida, el sistema podría obligarte a pasar por un proceso lento y amigable para principiantes. Si eres un principiante que necesita una explicación amigable, el sistema podría darte un informe frío y técnico. El sistema no te conoce a ti; solo conoce su guion preescrito.

La Solución: La Cocina "Camaleón"

Los autores sugieren un sistema donde el equipo de IA se construye en tiempo real en función de lo que necesitas en ese momento exacto. Piensa en ello como una cocina donde los robots pueden transformarse instantáneamente en cualquier personalidad necesaria para ayudarte específicamente a ti.

Si haces una pregunta compleja, el sistema podría crear instantáneamente una personalidad de "profesor estricto pero brillante" para explicar los detalles. Si haces una pregunta sencilla, podría cambiar a una personalidad de "vecino amigable" para dar una respuesta rápida y casual.

Cómo Funciona: El Proceso de Cuatro Pasos

El artículo describe un proceso específico (un flujo de trabajo) que ocurre cada vez que haces una pregunta. Así es el flujo:

Escuchar y Comprender (Análisis de la Consulta):
Primero, el sistema escucha tu pregunta. No solo lee las palabras; intenta averiguar quién eres (¿eres un experto o un principiante?) y qué quieres realmente (¿necesitas un resumen rápido o un análisis profundo?). Descompone tu gran pregunta en tareas más pequeñas y manejables.
Crear el Equipo (Generación de Agentes):
Este es el paso mágico. Basándose en lo aprendido en el paso uno, el sistema crea los agentes de IA perfectos al instante.
- No elige de una lista predefinida. Escribe una nueva "descripción de trabajo" (una personalidad) para un robot que se ajuste a tus necesidades.
- Ejemplo: Si necesitas un programador, crea una personalidad de "programador preciso y sin rodeos". Si necesitas un escritor creativo, crea una personalidad de "escritor imaginativo y florido".
- Luego "despierta" a estos nuevos agentes, dándoles sus instrucciones específicas y rasgos de personalidad.
El Equipo Se Pone a Trabajar (Ejecución):
El sistema asigna las pequeñas tareas a los agentes recién creados. Si dos tareas pueden hacerse al mismo tiempo, los agentes trabajan en paralelo. Si una tarea necesita el resultado de otra, el sistema se asegura de que el primer agente termine antes de que el segundo comience. Trabajan juntos, pero todos están adaptados a tu solicitud específica.
Servir el Plato Final (Agregación):
Una vez que todos los agentes terminan sus partes, el sistema recopila su trabajo. Une las piezas en una respuesta fluida y coherente. Se asegura de que el tono sea consistente y de que el resultado final coincida exactamente con lo que pediste, eliminando cualquier repetición o confusión.

Por Qué Esto Es Importante

El punto principal del artículo es que deberíamos dejar de tratar a los agentes de IA como herramientas estáticas con personalidades fijas. En su lugar, deberíamos tratarlos como actores dinámicos que pueden cambiar su actuación para adaptarse a la audiencia.

Forma Actual: Tienes que adaptarte al estilo fijo de la IA.
Nueva Forma: La IA adapta su estilo, rol y estructura de equipo para ajustarse a ti.

Los autores creen que esto hace que la tecnología sea más útil y menos frustrante. Permite que el sistema sea un "camaleón", cambiando sus colores para coincidir con la experiencia, las preferencias y la situación específica del usuario, en lugar de obligar a cada usuario a encajar en un molde único y rígido.

En resumen: En lugar de un equipo de robots que siempre actúa igual, imagina un equipo que puede convertirse instantáneamente en los expertos exactos que necesitas, hablando exactamente de la manera que prefieres, cada vez que pides ayuda. Eso es lo que propone este artículo.

Basado en el artículo "Building Persona-Based Agents On Demand: Tailoring Multi-Agent Workflows to User Needs" de Arbore, Sillano y De Russis, aquí se presenta un resumen técnico detallado.

1. Declaración del Problema

Los sistemas multiagente (MAS) actuales impulsados por Modelos de Lenguaje Grande (LLM) sufren de restricciones arquitectónicas rígidas.

Decisiones Fijas en Tiempo de Diseño: Los sistemas existentes dependen de roles de agente codificados de forma rígida, patrones de coordinación predefinidos y flujos de interacción estáticos establecidos antes del despliegue.
Falta de Adaptabilidad: Estos esquemas fijos dificultan adaptar las interacciones a necesidades específicas del usuario, niveles de experiencia o matices contextuales sin reescribir manualmente los prompts o reingenierizar la lógica de orquestación.
La Brecha: Si bien se sabe que el "prompting de personalidad" influye en el razonamiento y el estilo de salida de los LLM, las arquitecturas agenticas actuales no tratan las personalidades como variables dinámicas en tiempo de ejecución. En su lugar, permanecen como "editores de estilo" estáticos en lugar de componentes arquitectónicos centrales para la adaptabilidad.

2. Metodología: La Pipeline de Generación de Personalidades Bajo Demanda

Los autores proponen una pipeline novedosa que desplaza la configuración de los agentes de tiempo de diseño a tiempo de ejecución. El sistema sintetiza personalidades y roles de agente dinámicamente basándose en la consulta del usuario, sus características y el contexto de la tarea.

La pipeline opera sobre un modelo basado en sesiones (manteniendo la coherencia a través de múltiples consultas dentro de una sesión) y consta de cuatro pasos distintos gestionados por un Orquestador central:

Paso 1: Análisis de la Consulta

El orquestador transforma la entrada del usuario, cruda y abierta, en una representación estructurada sin forzar plantillas predefinidas.

ProfileEncode: Analiza la consulta del usuario (señales explícitas o implícitas) para generar un perfil de usuario ( $u$ ). Esto captura la experiencia en el dominio, el estilo de comunicación preferido, la familiaridad con la tarea y la intención específica.
TaskDecompose: Descompone la consulta en un conjunto de tareas discretas ( $t_1...t_n$ ). Crucialmente, este paso mapea las dependencias entre tareas, determinando cuáles pueden ejecutarse en paralelo y cuáles deben ser secuenciales.

Paso 2: Generación e Instanciación de Agentes

Esta es la innovación central donde los roles estáticos son reemplazados por síntesis dinámica.

PersonaCraft: Para cada sub-tarea, el sistema elabora dinámicamente una Especificación de Personalidad ( $p_i$ ). Esta especificación define el rol del agente, las competencias del dominio, el estilo de comunicación y las capacidades de uso de herramientas. Asegura que no se creen roles duplicados y se alinea con el perfil del usuario.
AgentFactory: Instancia una instancia de agente respaldada por LLM ( $a_i$ ) utilizando la personalidad sintetizada. La personalidad actúa como una capa de configuración que moldea el estilo de razonamiento del agente, el comportamiento de interacción y el formato de salida.

Paso 3: Asignación y Ejecución de Agentes

El orquestador gestiona el flujo de ejecución basándose en el gráfico de dependencias generado en el Paso 1.

Programación: Las tareas sin dependencias se ejecutan en paralelo; las tareas dependientes se ponen en cola secuencialmente.
Enrutamiento Controlado de Información: Los agentes reciben únicamente el contexto específico y los resultados parciales que requieren de los agentes precedentes. Esto preserva la modularidad y evita que los agentes necesiten conocer el funcionamiento interno de los demás.
Ejecución: Cada agente ejecuta su tarea asignada ( $r_i$ ) y devuelve un resultado parcial.

Paso 4: Agregación y Visualización de Respuestas

Integración: El orquestador agrega todos los resultados parciales ( $r_1...r_n$ ).
Refinamiento: Fusiona las respuestas, resuelve inconsistencias, elimina redundancias y alinea la salida final con el estilo y formato solicitados por el usuario.
Entrega: Se entrega una única respuesta coherente ( $R$ ) al usuario.

Continuidad de la Sesión: Si un usuario envía una nueva consulta dentro de la misma sesión, la pipeline se reejecuta. Los agentes y personalidades instanciados previamente se conservan, y solo se añaden nuevos si se requiere una especialización adicional.

3. Contribuciones Clave

Síntesis de Personalidad en Tiempo de Ejecución: El artículo introduce un marco donde los roles de agente y las políticas de interacción no son constantes fijas, sino variables en tiempo de ejecución generadas bajo demanda para coincidir con el contexto del usuario.
Pipeline de Integración Sistemática: Detalla una pipeline técnica de cuatro pasos (Análisis, Generación, Ejecución, Agregación) que integra la elaboración de personalidades directamente en el bucle de orquestación de agentes.
Adaptabilidad Basada en Sesiones: El diseño permite que el sistema evolucione dentro de una sesión, reteniendo agentes útiles mientras añade dinámicamente nuevos, asegurando coherencia sin requerir un reinicio completo del sistema.
Desacoplamiento de la Topología de Usuario y Sistema: El sistema se adapta al usuario, en lugar de forzar al usuario a adaptarse a una topología de agente fija.

4. Resultados y Evaluación

Nota: Dado que esto parece ser un artículo de posición o una propuesta para un taller (AutomationXP26), el texto no presenta resultados empíricos cuantitativos (por ejemplo, puntuaciones de referencia, métricas de latencia o estadísticas de estudios con usuarios).

Argumento Cualitativo: Los autores sostienen que este enfoque aborda la "fricción" que experimentan los usuarios con sistemas multiagente rígidos.
Validación Teórica: La metodología aprovecha investigaciones existentes que muestran que el prompting de personalidad influye en las estrategias de razonamiento, el rendimiento zero-shot y la calidad de la interacción (credibilidad, compromiso).
Cambio de Paradigma de Diseño: Los "resultados" se presentan como un nuevo paradigma de diseño para plataformas agenticas, avanzando más allá de las configuraciones "talla única" hacia una adaptabilidad sensible al contexto.

5. Significado e Impacto

Personalización Mejorada: Al tratar las personalidades como variables controladas, el sistema puede adaptar las interacciones a diversos antecedentes de usuarios, niveles de experiencia y preferencias (por ejemplo, tono, verbosidad).
Escalabilidad de la Adaptación: Resuelve el problema de escalabilidad de la configuración manual. En lugar de crear miles de perfiles de agente predefinidos, el sistema genera el perfil necesario para el momento específico.
Colaboración Humano-IA: Este enfoque reduce la carga cognitiva de los usuarios, quienes ya no necesitan comprender jerarquías complejas de agentes. El sistema se convierte en una interfaz "fluida" que se moldea a la intención del usuario.
Futuro de la IA Agéntica: El artículo posiciona la generación de personalidades bajo demanda como un pilar arquitectónico fundamental (junto con la memoria, las herramientas y la orquestación) para la próxima generación de sistemas agenticos accesibles y significativos.