TEMM1E v3.0.0 Introduce Inteligencia de Enjambre para la Coordinación de Agentes de IA

Inteligencia de Enjambre para Entornos de Ejecución de Agentes de IA

TEMM1E v3.0.0 presenta "Many Tems" — un sistema de inteligencia de enjambre donde múltiples trabajadores agentes de IA se coordinan mediante estigmergia: comunicación indirecta a través de señales ambientales. Este enfoque elimina la sobrecarga de coordinación que afecta a los marcos multiagente tradicionales como AutoGen, CrewAI y LangGraph, donde cada mensaje de coordinación requiere una llamada a un LLM y cuesta tokens.

Cómo Funciona

• El Alfa (coordinador) descompone las tareas en un gráfico de dependencias con una sola llamada a LLM
• Una Manada de Tems (trabajadores) se genera como tareas paralelas reales de tokio
• Cada Tem reclama una tarea mediante una transacción atómica de SQLite (sin bloqueos distribuidos)
• Los Tems emiten señales de Rastro (feromonas que decaen con el tiempo) mientras trabajan — "Terminé", "Estoy atascado", "esto es difícil"
• Otros Tems leen estas señales para elegir su próxima tarea — pura aritmética, cero llamadas a LLM
• Los resultados se agregan cuando todas las tareas se completan

Detalles Técnicos

La idea clave aborda el crecimiento del contexto: un solo agente que procesa 12 subtareas lleva TODAS las salidas anteriores en su contexto. Para la subtarea 12, el contexto ha crecido 28 veces. Cada subtarea adicional cuesta más porque el LLM lee todo lo anterior — crecimiento cuadrático: h*m(m+1)/2.

Los trabajadores de la Manada llevan solo la descripción de su tarea + los resultados de las tareas de las que dependen. El contexto se mantiene plano en ~190 bytes sin importar cuántas subtareas totales existan. Lineal, no cuadrático.

Puntos de Referencia

Llamadas reales a la API de Gemini 3 Flash (no simuladas):

• 12 funciones independientes: Agente único 103 segundos, Manada 18 segundos. 5.86 veces más rápido. 7,379 tokens frente a 2,149 tokens. 3.4 veces más barato. Calidad: ambos 12/12 pruebas aprobadas.
• 5 subtareas paralelas: Agente único 7.9 segundos, Manada 1.7 segundos. 4.54 veces más rápido. Mismos tokens (proporción 1.01x — demuestra cero desperdicio).
• Mensajes simples ("hola"): La Manada correctamente NO se activa. Cero sobrecarga. Invisible.

Qué lo Hace Diferente

• Cero tokens de coordinación. AutoGen/CrewAI usan chat de LLM a LLM para coordinación — cada mensaje cuesta. El campo de rastro de TEMM1E es aritmético (decaída exponencial, similitud de Jaccard, superposición). Las matemáticas son más baratas que un solo token.
• Invisible para tareas simples. El clasificador (que ya se ejecuta en cada mensaje) decide. Si dice "simple" o "estándar" — agente único, cero sobrecarga. La Manada solo se activa para tareas genuinamente complejas con múltiples entregables.

Detalles de Implementación

La ecuación de selección de tareas son 40 líneas de aritmética, no una llamada a LLM:

S = Afinidad^2.0 * Urgencia^1.5 * (1-Dificultad)^1.0 * (1-Fracaso)^0.8 * Recompensa^1.2

1,535 pruebas. 71 solo en la caja del enjambre, incluyendo dos que prueban paralelismo real (4 trabajadores completando tareas de 200ms en ~200ms, no ~800ms).

Construido en Rust. 17 cajas. Código abierto. Licencia MIT. El artículo de investigación tiene cada comando de referencia — puedes reproducir cada número tú mismo con una clave de API.

Limitaciones y Aprendizajes

El enjambre no ayuda para tareas de un solo turno donde el LLM maneja "haz estas 7 cosas" en una respuesta. No hay acumulación de historial que eliminar. Ayuda cuando las tareas involucran múltiples rondas de bucle de herramientas donde el contexto crece — que es cómo realmente sucede el trabajo agéntico.

El equipo ejecutó puntos de referencia en Gemini Flash Lite ($0.075/M entrada), Gemini Pro y GPT-5.2. Costo total del experimento: $0.04 de un presupuesto de $30. El informe completo del experimento incluye cada escenario donde el enjambre perdió, no solo donde ganó.