Flujos de Trabajo Dinámicos de Claude Code: Subagentes Paralelos y Modo UltraCode

✍️ OpenClawRadar📅 Publicado: 29 de mayo de 2026🔗 Source
Flujos de Trabajo Dinámicos de Claude Code: Subagentes Paralelos y Modo UltraCode
Ad

Claude Code ahora admite flujos de trabajo dinámicos que permiten al agente orquestar decenas o cientos de subagentes paralelos en una sola sesión, verificando el trabajo antes de que llegue a ti. Disponible en vista previa de investigación en la CLI, escritorio y extensión de VS Code para los planes Max, Team y Enterprise, además de la API (Amazon Bedrock, Vertex AI, Microsoft Foundry).

Cómo usar

  • Pregunta directamente: "Crea un flujo de trabajo"
  • Activa UltraCode desde el menú de esfuerzo (configura el esfuerzo en xhigh), dejando que Claude decida automáticamente cuándo iniciar un flujo de trabajo.

Los flujos de trabajo consumen significativamente más tokens que una sesión típica — comienza con un alcance acotado.

Capacidades mostradas en acceso temprano

  • Búsqueda de errores en todo el código: búsqueda paralela en un repositorio, luego verificación independiente de cada hallazgo.
  • Migraciones grandes: cambios de framework, deprecaciones de API, portes de idioma que abarcan miles de archivos de principio a fin.
  • Resultados doblemente verificados: intentos de solución independientes y agentes adversarios que intentan romper el resultado antes de entregarlo.
Ad

Ejemplo real: reescritura de Bun

Jarred Sumner usó flujos de trabajo dinámicos para portar Bun de Zig a Rust: ~750,000 líneas de Rust en 11 días, con el 99.8% de las pruebas existentes pasando. Pasos del flujo de trabajo:

  1. Mapear tiempos de vida de Rust para cada campo de estructura.
  2. Escribir cada archivo .rs mediante cientos de agentes paralelos, cada uno con dos revisores.
  3. Bucle de corrección que impulsa la compilación/prueba hasta que esté limpio.
  4. Flujo de trabajo nocturno para eliminar copias de datos innecesarias, abriendo un PR para cada corrección.

Cómo funciona

Claude planifica dinámicamente a partir de tu indicación, divide la tarea en subtareas, distribuye el trabajo entre subagentes paralelos, verifica los resultados de forma independiente e itera hasta que las respuestas convergen — produciendo una respuesta coordinada única.

📖 Lee la fuente completa: HN AI Agents

Ad

👀 Ver también

Agentes de Airbyte: Una capa de contexto pre-indexada para agentes de IA frente a MCPs de API sin procesar
Herramientas

Agentes de Airbyte: Una capa de contexto pre-indexada para agentes de IA frente a MCPs de API sin procesar

Airbyte lanza Airbyte Agents, una capa de contexto que pre-indexa datos de sistemas operativos (Slack, Salesforce, Linear, Zendesk, Gong) para reducir el consumo de tokens del agente hasta en un 90% en comparación con los MCP directos de los proveedores.

OpenClawRadar
Vigil: Un Sistema de Identificación Criptográfico para Agentes OpenClaw para Prevenir el Bloqueo
Herramientas

Vigil: Un Sistema de Identificación Criptográfico para Agentes OpenClaw para Prevenir el Bloqueo

Un desarrollador que ejecuta agentes OpenClaw ha identificado que el tráfico anónimo de agentes está siendo bloqueado cada vez más por los sitios, y propone Vigil, un sistema de inicio de sesión que proporciona a los agentes identificadores criptográficos para construir reputación y evitar bloqueos indiscriminados.

OpenClawRadar
El formato WCY reduce la sobrecarga de tokens en LLM entre un 50 y 71% e incorpora marcadores estructurales de "no lo sé".
Herramientas

El formato WCY reduce la sobrecarga de tokens en LLM entre un 50 y 71% e incorpora marcadores estructurales de "no lo sé".

WCY (Observar → Computar → Producir) es un formato orientado a líneas que reduce la sobrecarga de tokens JSON en un 50-71% e introduce marcadores estructurales '?' para que los LLM indiquen incertidumbre durante el razonamiento. El formato no requiere ajuste fino—solo tres ejemplos de pocas muestras.

OpenClawRadar
Engram: Un Plugin de Aprendizaje para OpenClaw Que Realmente Hace que el Conocimiento se Mantenga
Herramientas

Engram: Un Plugin de Aprendizaje para OpenClaw Que Realmente Hace que el Conocimiento se Mantenga

Engram es un plugin de OpenClaw que utiliza técnicas basadas en neurociencia como pre-evaluación, calificación ciega y programación FSRS-4.5 para asegurar que retengas lo que aprendes, incluso mientras los agentes de IA aceleran tu trabajo.

OpenClawRadar