Presentamos Lean Collab: Un Orquestador de Múltiples Agentes para Tareas de LLM de Larga Duración.
Lean Collab es un orquestador de código abierto desarrollado por Mutable State Inc., diseñado para manejar tareas complejas y prolongadas que generalmente no son adecuadas para modelos de lenguaje grande (LLMs) de un solo agente. El orquestador descompone las tareas en componentes manejables, delegándolas a subagentes que trabajan en paralelo y comparten descubrimientos en tiempo real.
Características Clave
- Descomposición de Tareas: El agente orquestador divide tareas largas y complejas en asignaciones más pequeñas para que los subagentes las manejen.
- Subagentes Paralelos: Los subagentes ejecutan sus tareas de manera concurrente, acelerando los tiempos de procesamiento.
- Suscripción al Estado y Progreso de Tareas: Realiza un seguimiento del progreso de la tarea con actualizaciones en tiempo real, permitiendo ajustes dinámicos según sea necesario.
- Compartición Intermedia en Tiempo Real: Los descubrimientos intermedios entre agentes se comparten en tiempo real para mejorar la eficiencia y precisión general de la tarea.
Esta configuración ha sido probada en problemas matemáticos complejos a nivel Putnam, pero también se aplica a la refactorización de software, construcción de aplicaciones y tareas de investigación exhaustiva.
Instalación y Configuración
Los requisitos previos incluyen la instalación de Lean 4 y Mathlib. Configura tu entorno instalando herramientas como Rust y estableciendo el proyecto Lean con las dependencias apropiadas. Para la autenticación, necesitarás una clave API de ensue.dev. Se proporcionan archivos de configuración de muestra y detalles sobre la configuración del entorno en la documentación fuente.
Para un recorrido detallado sobre la configuración y el código fuente, se recomienda clonar el repositorio y revisar el README para obtener instrucciones sobre cómo configurar y desplegar tu propia instancia de Lean Collab.
📖 Lee la fuente completa: HN AI Agents
👀 Ver también
Título: Argus: Una Extensión de VS Code para Depurar Costos y Comportamiento de Sesiones de Claude Code
Un desarrollador construyó Argus, una extensión de VS Code que analiza las transcripciones JSONL de Claude Code y las convierte en una línea de tiempo en tiempo real con desglose de tokens/costo por paso, tasa de aciertos de caché y detección de bucles de reintento, lecturas duplicadas y presión de contexto.
Prueba de LLMs locales para generación autónoma de código: Benchmark de calidad vs. velocidad
Un desarrollador creó un arnés para probar LLMs locales en tareas reales de generación de código Go, midiendo el éxito de compilación, la precisión en la extracción de campos y el rendimiento. Los resultados comparan modelos en calidad y velocidad.
Reduzca los costos de sesiones de codificación con IA en un 90% mediante la indexación de código basada en grafos
Un desarrollador creó una base de datos de grafos local que indexa un código fuente utilizando resúmenes generados por LLM, reduciendo los costos de las sesiones de Claude Code de $6-10 a centavos al evitar la relectura redundante de archivos.
Explorando la IA con pequeños robots: Comprendiendo los agentes de IA a través del tutor de nanobots.
Un miembro de la comunidad OpenClaw comparte sus conocimientos sobre el 'Nanobot Tutor', un marco miniatura diseñado para desmitificar la funcionalidad de los agentes de IA. Descubre cómo sumergirte en este entorno de aprendizaje compacto revela el funcionamiento de los agentes inteligentes.