El maestro no solo activa subagentes: los encadena: el resultado de A alimenta a B, que alimenta a C. Este módulo enseña a diseñar, depurar y escalar pipelines secuenciales sin hacer que los agentes conversen entre sí.
El maestro coordina toda la cadena. Los agentes no se comunican directamente: cada uno responde solo al maestro.
Encadenar subagentes significa que el output de A se convierte en el input de B, que a su vez alimenta a C — y el maestro orquesta cada paso. No existe una conversación directa entre los agentes: la cadena vive por completo en el contexto del maestro.
El maestro extrae el resultado de A y lo incorpora como contexto en el prompt de B.
A→B→C siempre en ese orden; el director no se salta etapas sin revisar el resultado anterior.
Entre cada etapa, el maestro puede validar, transformar o abortar antes de continuar.
Skills son instrucciones cargadas en el contexto del maestro; ellas guían el comportamiento. Agents son subprocesos con su propia ventana; ellos ejecutan trabajo aislado. En una cadena, la skill define el flujo; los agents realizan las etapas.
✓ Skill: sirve para
◎ Agent: bueno para
💡 Consejo práctico
Usa la skill como el maestro de la cadena — contiene el prompt que inicia cada agent en secuencia e indica al maestro que haga el traspaso de outputs entre ellos.
Confundir skill con agent es el error más común al diseñar cadenas. Entender la distinción evita sobrecargar el contexto del maestro con trabajo que debería estar en una ventana separada.
En Claude Code, un subagente no tiene permiso para lanzar otro subagente directamente. Toda delegación pasa por el maestro. Esto no es una limitación: es un diseño intencional para garantizar la trazabilidad, el control de costos y la visibilidad del flujo.
⛔ Patrón prohibido
# ❌ NÃO funciona assim
Agent A → lança Agent B internamente
Agent B → lança Agent C internamente
# ✓ Como funciona de fato
Maestro → Agent A → retorna resultado
Maestro → Agent B (com output de A) → retorna resultado
Maestro → Agent C (com output de B) → retorna resultado✗ Riesgo de ignorarlo
✓ Beneficio del modelo
La arquitectura es estrella (maestro en el centro), no malla (todos conectados). Cada subagente es una hoja del árbol — nunca un nodo intermedio con hijos propios.
Cada subagente tiene exactamente una relación: con el maestro que lo creó. No conoce a otros subagentes, no tiene acceso a su contexto y no puede influir en ellos. Es un especialista contratado para una única misión: entrega el informe y termina.
Maestro arma el prompt
Incluye el contexto necesario + la salida de la etapa anterior
El subagente abre una ventana propia
Contexto vacío: solo ve lo que envió el maestro
Ejecuta la tarea
Puede usar herramientas, leer archivos y llamar APIs
Devuelve el resultado al maestro
Texto limpio — informe único, sin conversación
La ventana se cierra: se libera el contexto
No existe un "después" para el subagente
Entender la relación 1 a 1 evita intentar "hacer que los agentes colaboren directamente", lo que falla silenciosamente, sin un error explícito.
La decisión de secuenciar es del maestro, no de los agentes. El maestro evalúa: «¿B depende del output de A?» Si es así, es una cadena. Si no, puede ser en paralelo. Esta decisión determina la latencia vs. el costo.
🔗 Encadena cuando:
⚡ Paraleliza cuando:
💡 Regla general
Si puedes describir la tarea como "investiga y después redacta y después revise", es una cadena. Si es "investigue y al mismo tiempo recopilar ejemplos", es paralelo.
Encadenar cuando podrías paralelizar desperdicia latencia. Paralelizar cuando hay dependencias produce resultados incorrectos. Saber distinguirlo es la habilidad central de la orquestación.
Una skill puede contener instrucciones que guían al maestro para lanzar subagentes en secuencia.
La skill no ejecuta nada: se carga en el contexto del maestro y guía cada llamada a
Agent tool.
Enumera las etapas, lo que recibe cada agente y lo que debe devolver.
Lanza el Agent A, captura el output, prepara el prompt para el Agent B, y así sucesivamente.
El mismo flujo puede invocarse en cualquier proyecto sin reescribirlo.
Poner la lógica de la cadena en una skill hace que el proyecto sea auditable, versionable y portable. Sin este patrón, la orquestación queda dispersa en prompts ad hoc imposibles de mantener.
Una cadena de 3-5 agentes funciona bien con un maestro humano. Por encima de eso, los outputs acumulados inflan el contexto y aumentan el costo de cada etapa. El siguiente paso natural es migrar a un workflow: herramientas como n8n, LangGraph o scripts de Python que coordinan las llamadas a agentes fuera del contexto del LLM.
⚠ Señales de alerta
✓ Solución: workflow
Saber cuándo parar de usar el maestro conversacional y migrar a un workflow es la diferencia entre un pipeline que funciona en producción y uno que colapsa en la tercera semana.
Skill que orquesta subagentes en cadena: investigación → borrador → revisión
# pipeline-pesquisa
Orquestra 3 subagentes em cadeia para produzir um artigo pesquisado e revisado.
## Quando usar
Quando o usuário pedir "pesquise X e escreva um artigo" com qualidade alta.
## Etapas
### ETAPA 1 — Pesquisa (web-research-assistant)
Lançar um subagente `web-research-assistant` com o prompt:
```
Pesquise profundamente sobre: {TEMA}
Retorne:
- 5 fatos verificados com fonte
- 3 perspectivas contraditórias
- 1 dado quantitativo recente
Formato: markdown estruturado, máx. 400 palavras.
```
Capture o output como `PESQUISA`.
### ETAPA 2 — Rascunho (general-purpose)
Com `PESQUISA` em mãos, lançar `general-purpose`:
```
Com base nas pesquisas abaixo, escreva um artigo de 600 palavras sobre {TEMA}.
Tom: educativo, direto, sem jargão.
Use os fatos como base; cite as perspectivas contraditórias.
--- PESQUISA ---
{PESQUISA}
```
Capture como `RASCUNHO`.
### ETAPA 3 — Revisão (general-purpose)
Lançar `general-purpose` com o rascunho:
```
Revise o artigo abaixo para:
1. Precisão factual (corrija erros vs. pesquisa fornecida)
2. Clareza e fluidez
3. Tamanho: mantenha 500-650 palavras
Retorne APENAS o artigo final, sem comentários.
--- RASCUNHO ---
{RASCUNHO}
--- PESQUISA ORIGINAL ---
{PESQUISA}
```
## Output
Retorne ao usuário o artigo revisado com o cabeçalho:
`## Artigo: {TEMA} (pesquisado + revisado)`
## Regras
- Maestro NÃO encurta as etapas
- Se ETAPA 1 falhar, abortar com mensagem clara
- Agentes não se comunicam diretamente
Etapa 1
web-research-assistant recopila hechos con fuentes
Etapa 2
general-purpose transforma la investigación en un borrador
Etapa 3
general-purpose revisa y entrega el artículo final
Copia y adapta: cada prompt activa una cadena de subagentes
Use a skill pipeline-pesquisa. Tema: "impacto dos LLMs no mercado de trabalho".
Encadeie: [1] web-research-assistant para coletar 5 fatos recentes com fonte,
[2] general-purpose para rascunhar artigo de 600 palavras,
[3] general-purpose para revisar precisão e fluência.
Retorne apenas o artigo final.Encadeie 3 subagentes:
1. Explore para mapear todos os arquivos em src/ e listar funções com mais de 50 linhas
2. general-purpose para refatorar as 3 maiores funções encontradas (recebe output do 1)
3. general-purpose para escrever testes unitários das funções refatoradas (recebe output do 2)
Cada agente recebe apenas o output do anterior — não o contexto todo.Monte uma cadeia de 3 subagentes para processar o relatório em /docs/relatorio.pdf:
[A] web-research-assistant: pesquise o contexto de mercado do tema do relatório
[B] general-purpose: sintetize relatório + pesquisa num resumo executivo de 1 página
[C] general-purpose: formate o resumo em HTML compatível com o design system INEMA
Passe o output de cada etapa como contexto para a próxima.Maestro orquestando una cadena de 3 subagentes en la terminal
Diseña una cadena de 3 etapas para un problema real tuyo
✓ Cadena bien modelada
✗ Señales de problemas
💡 Consejo de autoevaluación
Pon a prueba tu modelo con el "¿y si A falla?": si el director puede detectarlo y abortar antes de iniciar B, la cadena está bien diseñada. Si no, falta un punto de control.