🤖 AI

Faithful, Not Corrective: Message-Format Effects in Multi-Hop Agent Relays Are Tier-Dependent

Este artículo demuestra que el impacto de los formatos de mensaje en los relevos de agentes LLM de múltiples saltos depende del nivel, revelando que mientras los agentes fuertes mantienen una fidelidad casi sin pérdidas a través de los formatos, los agentes débiles sufren una divergencia de rendimiento significativa impulsada por el formato donde las estructuras rígidas incurren en costos de codificación pero el JSON de clave fija ofrece una resistencia a la deriva superior, estableciendo finalmente que la estructura proporciona fidelidad de localización de errores en lugar de corrección de errores.

Autores originales: Zayx Shawn

Publicado 2026-07-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zayx Shawn

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 un juego de "Teléfono Descompuesto", pero en lugar de niños susurrando secretos, tienes una cadena de robots de IA pasando una lista de doce hechos importantes. La gran pregunta que los investigadores plantearon fue: ¿Importa la forma en que los robots escriben el mensaje? ¿Deberían escribir en frases desordenadas y fluidas, o deberían forzar los hechos dentro de una caja estricta y rígida como una hoja de cálculo JSON o una lista de pares clave-valor?

Durante mucho tiempo, los expertos discutieron sobre esto. Algunos decían: "¡La estructura es genial! Ahorra dinero y mantiene la precisión". Otros decían: "¡De ninguna manera! Forzar a los robots en cajas los vuelve estúpidos y arruina su razonamiento".

Este artículo decidió resolver la disputa construyendo una gigantesca carrera de relevos controlada. Crearon 12 hechos falsos (como "El presupuesto es de $500" o "La fecha límite es el martes") y los enviaron a través de una cadena de seis traspasos. Probaron esto con dos tipos de robots: un Super-Cerebro (una IA poderosa y costosa) y un Pequeño-Cerebro (un modelo pequeño y barato de 1.5B). Probaron cinco estilos de escritura diferentes, desde texto de forma libre hasta código rígido.

Esto es lo que encontraron, y cambia la forma en que debemos pensar en el trabajo en equipo de la IA.

1. El juego del "Teléfono Descompuesto" no siempre se rompe

Si usas el Super-Cerebro, el juego es sorprendentemente aburrido. Después de seis traspasos, el mensaje es casi perfecto. El famoso efecto del "Teléfono Descompuesto" —donde el mensaje se distorsiona y se convierte en un sinsentido— simplemente no ocurre con un robot fuerte. Independientemente de si el robot escribe en una elegante caja JSON o en un párrafo fluido, los hechos permanecen intactos. La única pequeña pérdida de información ocurre justo en el primer paso, cuando el robot intenta escribir el mensaje por primera vez. Después de eso, el mensaje simplemente viaja sin cambiar.

2. El mito del "Robot Ocupado"

Podrías pensar: "¿Qué pasa si el robot está haciendo otro trabajo mientras pasa el mensaje? Por ejemplo, ¿qué pasa si tiene que resolver un problema matemático primero?". Los investigadores probaron esto haciendo que el Super-Cerebro realizara un trabajo de pensamiento adicional en cada paso.
¿El resultado? El robot se cansó y los mensajes se hicieron más largos (costando entre un 24% y un 53% más de "tokens", lo que es como pagar más por el mensaje), pero la precisión no disminuyó. Estar ocupado no hizo que el Super-Cerebro cometiera errores en los hechos. El formato del mensaje tampoco importó mucho aquí; el robot era simplemente demasiado bueno para fallar.

3. El verdadero drama: El relevo del Pequeño-Cerebro

Las cosas se ponen interesantes cuando cambias al Pequeño-Cerebro. Aquí es donde el juego del "Teléfono Descompuesto" realmente se rompe, pero de una manera extraña.

El peaje de codificación: Cuando el Pequeño-Cerebro intenta escribir el mensaje en un formato rígido (como JSON o Clave-Valor), lucha justo al principio. Es difícil para un cerebro pequeño forzar los hechos en una caja estricta, por lo que pierde aproximadamente el 20% de los hechos inmediatamente.
La defensa contra la deriva: PERO, una vez que el Pequeño-Cerebro logra meter el mensaje en esa caja JSON rígida, algo mágico sucede. La caja estricta actúa como un arnés de seguridad. Incluso mientras el mensaje pasa por cinco manos más, los hechos dentro de la caja JSON apenas se desvían. Se mantienen fijos en sus lugares.
El desastre del texto libre: En contraste, si el Pequeño-Cerebro escribe en texto de flujo libre, comienza fuerte pero luego olvida las cosas lentamente. Para el sexto traspaso, el mensaje de texto libre es un desastre, con los hechos derivando por todas partes.

El giro: Los formatos rígidos (JSON) comienzan pareciendo peores porque al pequeño robot le cuesta escribirlos, pero terminan ganando porque evitan que el mensaje se pudra con el tiempo. El texto libre comienza fuerte pero se desmorona. El artículo encontró que la diferencia en la precisión entre los mejores y peores formatos creció 8.7 veces más grande al usar el robot débil en comparación con el fuerte.

4. La estructura es un "Mensajero Fiel", no un "Reparador Mágico"

Esta es la regla más importante que el artículo descubrió. Mucha gente espera que, si pones un error en un formato rígido, el formato lo arregle mágicamente. El artículo descarta esto explícitamente.
Probaron esto cambiando secretamente un nombre correcto por uno falso en medio de la cadena.

El Resultado: Una vez que apareció el nombre falso, todos los formatos (JSON, texto libre, tríos) transportaron ese nombre falso hasta el final. La caja rígida no corrigió el error. Simplemente transportó el error fielmente.
Sin reacción en cadena: Además, el nombre falso no causó que otros hechos se rompieran. El error se mantuvo aislado.

Así que, la estructura es como un mensajero fiel. Si le das un paquete correcto, lo entrega perfectamente. Si le das un paquete roto, entrega el paquete roto perfectamente. No actúa como un taller de reparaciones que arregla el paquete mientras este se mueve.

La conclusión para tu equipo de IA

Si estás construyendo un sistema donde agentes de IA se pasan mensajes entre sí:

No te preocupes por el formato si tu IA es súper inteligente. Hará el trabajo de cualquier manera.
Si estás usando una IA más pequeña y barata, DEBES usar un formato rígido (como JSON) para cadenas largas. Aunque sea más difícil para la pequeña IA empezar, la caja rígida evitará que el mensaje se pudra mientras viaja.
Nunca esperes que el formato corrija los errores. Si un robot comete un error, el formato no te salvará. Debes revisar el trabajo tú mismo.

En resumen: la estructura no hace al robot más inteligente, y no corrige sus errores. Pero si tienes un robot pequeño haciendo una larga carrera de relevos, la caja rígida es lo único que evita que el mensaje se desmorone.

Resumen Técnico: Fiel, no Correctivo: Los Efectos del Formato de Mensaje en los Relevos de Agentes Multi-salto son Dependientes del Nivel

1. Planteamiento del Problema

Los sistemas de modelos de lenguaje de gran tamaño (LLM) multi-agente funcionan fundamentalmente como sistemas de relevo donde la información es re-codificada por un modelo para el consumo de otro. Mientras que la literatura existente ofrece orientaciones contradictorias sobre los formatos de mensaje —algunas sugieren que los formatos estructurados reducen el costo sin sacrificar la precisión, mientras otras afirman que los esquemas rígidos degradan el razonamiento—, ninguna de estas líneas de investigación ha abordado la dinámica específica de los relevos multi-salto. En los intercambios de un solo salto, el desafío principal es la calidad de la generación; en las cadenas multi-salto, el desafío dominante es la fidelidad de la copia (prevenir la deriva acumulativa). El signo del efecto del formato en un régimen de relevo sigue siendo desconocido, particularmente a medida que los pipelines despliegan cada vez más modelos más pequeños y rentables en los límites de relevo, donde el desalineamiento entre agentes es una causa principal de fallo.

2. Metodología

Los autores introducen un banco de pruebas de relevo controlado diseñado para aislar los efectos del formato de la capacidad del modelo y la complejidad de la tarea.

Verdad de Referencia (Ground Truth): El estudio utiliza una verdad de referencia programática derivada de doce hechos atómicos sintéticos (propietarios, cantidades, plazos, restricciones, dependencias, prohibiciones) a través de tres dominios. La fidelidad se mide contra la salida del generador, no contra la generación de otro modelo.
Protocolo de Relevo: Los informes de tareas se re-codifican salto a salto a lo largo de seis saltos. Cada agente recibe solo el mensaje del salto anterior y debe emitir nuevamente el traspaso completo en el formato asignado.
Formatos: Se probaron cinco formatos que abarcan el espectro de la estructura:
1. FREE: Lenguaje natural libre.
2. CONSTR: Lenguaje natural con instrucciones de precisión (números/nombres literales).
3. JSON: Un esquema fijo de seis claves.
4. TRIPLES: Sujeto | Predicado | Objeto en líneas.
5. KV: Líneas de clave–valor planas en snake_case.
Niveles de Capacidad: Los experimentos se realizaron en dos niveles de relevo distintos:
- Nivel Fuerte (Strong Tier): DeepSeek-v4-flash (modelo API).
- Nivel Débil (Weak Tier): Qwen2.5-1.5B-Instruct (cuantizado de 4 bits, local).
- Crucialmente, un único modelo fuerte sirvió como calificador para todas las condiciones para asegurar que las distorsiones observadas no fueran artefactos de un evaluador débil.
Métricas:
- Recuperación de QA (Primaria): Un calificador fuerte fijo responde 12 preguntas de forma cerrada basadas en el mensaje del salto, con coincidencia exacta de tokens contra la verdad de referencia.
- Recuperación de Cadena (Secundaria): Contención literal de las formas superficiales de los hechos (sin juez).
Condiciones Experimentales:
- Relevo Puro: Re-codificación estándar.
- Carga Cognitiva (Nivel Fuerte): Los agentes deben realizar un paso de análisis antes de la re-codificación para simular el procesamiento del mundo real.
- Inyección de Bifurcación Emparejada (Nivel Débil): Se inyecta programáticamente un error específico (un nombre de propietario) en el Salto 3. La cadena se divide en un brazo "limpio" y un brazo "inyectado" para medir la persistencia del error y el daño colateral.

3. Resultados Clave

A. Nivel Fuerte: Relevo Casi Sin Pérdidas

Bajo el modelo de relevo fuerte, el colapso del "teléfono descompuesto" (degradación progresiva de la precisión) no ocurre.

Después de seis saltos, todos los formatos retuvieron una recuperación de QA $\ge 0.973$ .
La pérdida residual se concentra casi por completo en el primer paso de codificación (Salto 1) en lugar de acumularse en los saltos subsiguientes.
Carga Cognitiva: Añadir tareas de análisis por salto aumentó los costos de generación entre un 24 y un 53%, pero tuvo un impacto insignificante en la fidelidad (limitado dentro de $\pm 1.8$ puntos).
Eficiencia de Formato: El lenguaje natural con instrucciones de precisión (CONSTR) logró una recuperación perfecta con un 26% menos de tokens que JSON, lo que sugiere que los esquemas estructurados no son estrictamente necesarios para los modelos fuertes.

B. Nivel Débil: Efectos de Formato Dependientes del Nivel

Cuando la capacidad de relevo cae (modelo 1.5B), la dinámica cambia drásticamente. La dispersión de la recuperación entre formatos en el Salto 6 crece por un factor de 8.7 (ratio de desviación estándar).

Dos Mecanismos Opuestos:
1. Peaje de Codificación: Los formatos rígidos (JSON, KV) imponen un alto costo inicial a los modelos débiles, resultando en una recuperación menor en el Salto 1 en comparación con los formatos de lenguaje natural.
2. Resistencia a la Deriva: Una vez codificado, el esquema JSON de clave fija actúa como un ancla fuerte, resistiendo la deriva acumulativa. JSON perdió solo 4.7 puntos brutos durante los saltos 1–6, mientras que la prosa libre y los triples perdieron más de 20 puntos.
Inversión de Ranking: Debido a estas fuerzas opuestas, el ranking de los formatos se invierte durante el tránsito. JSON comienza en el 4º lugar en el Salto 1 (debido al peaje de codificación) pero termina en el 2º lugar en el Salto 6 (debido a la resistencia a la deriva).
Conclusión: La estructura preserva el contenido pero no lo repara. El "mejor" formato depende del relevo más débil en la cadena.

C. Adjudicación Causal: Fiel, no Correctivo

Utilizando la inyección de bifurcación emparejada, el estudio probó si los esquemas previenen la deriva o reparan errores.

Persistencia: Una vez inyectado un error, este se propaga fielmente hasta el último salto en el 83–100% de las cadenas en todos los formatos.
Sin Corrección: Ningún formato exhibió la capacidad de "corregir" el error inyectado.
Sin Cascada: La inyección de un solo error no causó ningún daño colateral detectable a los hechos vecinos.
Implicación: La estructura proporciona un canal fiel y de localización de errores, no un código de corrección de errores.

4. Contribuciones

Primer Estudio de Relevo Controlado por Formato: Los autores completan el espacio de diseño "formato $\times$ saltos $\times$ capacidad", demostrando que el colapso del "teléfono descompuesto" no es intrínseco al relevo de texto multi-salto, sino que es contingente a la capacidad del relevo y la transformación de la tarea.
Identificación de Regímenes de Capacidad: El estudio establece que los efectos del formato dependen del nivel. En la frontera (modelos fuertes), la elección del formato es casi gratuita; por debajo del techo (modelos débiles), la elección es decisiva y está impulsada por un compromiso entre los costos de codificación y la resistencia a la deriva.
Descomposición de Mecanismos: El artículo aisla dos mecanismos opuestos en los relevos débiles: el "peaje de codificación" de los esquemas rígidos frente a la "resistencia a la deriva" de los esquemas de clave fija, explicando por qué los rankings de JSON se invierten con el tiempo.
Adjudicación Causal de la "Prevención por Esquema": El estudio refuta la idea de que los esquemas actúan como códigos de corrección de errores. En su lugar, se muestran como canales fieles que localizan los errores sin amplificarlos ni repararlos.

5. Significado y Guía Práctica

El artículo argumenta que, a medida que los pipelines dependen cada vez más de modelos pequeños y rentables para las tareas de relevo, el formato del mensaje pasa de ser una elección de estilo a un parámetro crítico de fiabilidad.

Para Relevos Fuertes: El lenguaje natural con instrucciones de precisión es óptimo, ofreciendo una fidelidad de grado de esquema con costos de tokens significativamente menores.
Para Relevos Débiles (Cadenas Largas): Se recomienda un esquema de clave fija (JSON) a pesar del peaje de codificación inicial, ya que su resistencia a la deriva preserva el contenido mejor que el lenguaje natural a lo largo de múltiples saltos.
Regla General: La elección del formato debe estar dictada por el relevo más débil en el pipeline.
Implicación de Diseño: La estructura localiza el daño pero no lo arregla. Los sistemas que requieren corrección de errores deben implementar mecanismos explícitos de validación y re-fundamentación, ya que el formato del mensaje por sí solo no reparará los datos corruptos.

Los autores concluyen que el "teléfono descompuesto" no es una ley de los pipelines de LLM, sino un fenómeno dependiente de la capacidad, y que el mecanismo específico de degradación multi-salto varía significamente según la elección de diseño del formato de mensaje.