Ralph on KnightLi Blog

Ralph y la colaboración entre múltiples agentes: cómo mantener la IA funcionando de manera confiable durante tareas largas

Mon, 27 Apr 2026 08:19:02 +0800

Si ha estado utilizando agentes de codificación últimamente, rápidamente se encontrará con una pregunta muy práctica: La IA puede funcionar, claro, pero ¿cómo se puede mantener funcionando durante horas sin desviarse, olvidar requisitos o rehacer el mismo trabajo?

Ésa es la verdadera pregunta detrás de muchas discusiones sobre “Ralph” y la colaboración entre múltiples agentes. La cuestión no es simplemente comparar qué modelo es más fuerte. La pregunta más útil es esta: ¿cómo se diseña un flujo de trabajo que permita a la IA mantenerse estable durante tareas largas?

Si analizamos el problema, normalmente hay dos rutas principales:

El enfoque Ralph: seguir iniciando sesiones nuevas y conectar el contexto a través del sistema de archivos
El enfoque de múltiples agentes: dejar que un agente líder coordine mientras los agentes trabajadores dividen la ejecución

Dicho de manera más simple, la pregunta no es “qué modelo es más poderoso”, sino “¿cómo se organiza la IA para que se comporte más como un pequeño equipo que pueda seguir cumpliendo?”.

01 Por qué las tareas largas se descarrilan

En tareas breves, muchos problemas quedan ocultos. Usted da una instrucción, el modelo lee algunos archivos, cambia algunas líneas y el trabajo está hecho.

Una vez que la tarea se hace más larga, los modos de falla comunes comienzan a acumularse:

Las conversaciones se hacen más largas y el contexto comienza a abultarse.
Los requisitos anteriores quedan eliminados por la información más reciente.
Un agente tiene que planificar, implementar y probar al mismo tiempo.
Sin un paso de aceptación claro, “está hecho” a menudo significa simplemente “dice que está hecho”.

Entonces, cuando la IA funciona durante mucho tiempo, el verdadero desafío no suele ser la calidad del modelo de un solo disparo. Se trata de división de tareas, transferencia de estados, separación de roles y bucles de retroalimentación.

02 El enfoque Ralph: dividir las tareas largas en rondas cortas

Ralph encaja bien cuando el problema principal es un contexto sucio y sobrecargado.

Su patrón central es sencillo:

Sigue lanzando nuevas sesiones de agentes en bucle
Deje que cada ronda se encargue solo de una tarea lo suficientemente pequeña
Almacene el estado cruzado en archivos en lugar de forzar todo en una sola conversación

El beneficio es inmediato: cada ronda comienza con un contexto nuevo, por lo que la sesión permanece más centrada y es menos probable que se vea arrastrada por la vieja historia.

Si ya ha visto proyectos estilo “Ralph”, la estructura le resultará familiar:

Las tareas actuales viven en archivos estructurados.
Los aprendizajes intermedios van a los archivos de progreso.
Los cambios de código permanecen en el historial de git.

En otras palabras, “Ralph” no intenta que un agente recuerde todo para siempre. Exterioriza la memoria a propósito para que la sesión en sí sea más ligera.

Este tipo de configuración funciona especialmente bien cuando:

La obra ya se puede dividir en pequeñas historias.
Cada historia puede caber dentro de una ventana de contexto.
El proyecto ya cuenta con pruebas, verificación de tipos u otras comprobaciones.

Es una solución al problema de cómo hacer que la IA siga avanzando ronda a ronda.

03 El enfoque de múltiples agentes: dividir el trabajo que un agente no puede realizar solo

La otra ruta es la colaboración entre múltiples agentes.

En este tipo de diseño de flujo de trabajo, el patrón más prometedor suele ser el siguiente: el agente principal no debe hacer todo el trabajo directamente. En cambio, coordina mientras otros agentes se encargan del desarrollo, las pruebas, la verificación y la aceptación.

Esto difiere de Ralph en un aspecto importante:

Ralph se siente más como una iteración en serie
El trabajo con múltiples agentes se parece más a una división paralela del trabajo. Cuando la tarea contiene naturalmente diferentes roles, la colaboración entre múltiples agentes se vuelve más fácil de usar. Por ejemplo:
Un agente desglosa la tarea y escribe el plan de ejecución.
Un agente implementa el cambio real.
Un agente prueba y valida el resultado.
Un agente comprueba si el resultado sigue coincidiendo con el objetivo original.

La cuestión no es abrir más ventanas porque sí. El valor real es la separación de roles. Las tareas que antes recaían sobre un solo agente ahora se pueden dividir en etapas más claras.

Una vez que los límites de los roles están claros, varios problemas se aclaran:

La persona que escribe no tiene que ser la misma que revisa
La parte de pruebas no tiene que reconstruir el requisito completo cada vez.
Es menos probable que el agente principal se ahogue en los detalles de la implementación.

Esta es una solución al problema de cómo hacer que la IA coopere más como un equipo pequeño.

04 La verdadera clave no es el paralelismo, sino el diseño de tareas

Ya sea que elija Ralph o la colaboración entre múltiples agentes, lo más fácil de subestimar es esto: el diseño del flujo de trabajo importa más que abrir más agentes.

Si la división de tareas es incorrecta, agregar más agentes sólo crea un paralelismo con la confusión.

Una avería más estable suele tener algunas características:

Una tarea se asigna a un objetivo claro
Un rol posee una categoría de salida
Cada ronda tiene una condición clara de finalización.
La producción de una ronda puede ser consumida directamente por la siguiente.

Por ejemplo, en lugar de darle a la IA una instrucción gigante como “construir toda la característica”, una estructura más estable suele ser:

Primero, rompa los requisitos y los límites.
Luego dividir la implementación
Luego dividir las pruebas
Entonces haz de la aceptación su propio paso.

La ventaja es que cuando algo sale mal, resulta más fácil saber si el problema radica en los criterios de comprensión, implementación, prueba o entrega.

05 Por qué la aceptación es tan importante

Muchos flujos de trabajo de IA fallan no porque no haya sucedido nada antes, sino porque el último paso careció de un pase de confirmación genuinamente independiente.

En tareas largas, suele haber una gran brecha entre “se produjo un resultado” y “el resultado es realmente utilizable”.

Por eso, una dirección especialmente importante es separar el desarrollo de la aceptación. Incluso sin un proceso complejo, vale la pena hacerse al menos estas preguntas:

¿Realmente completó la tarea original?
¿Solo parchó la superficie sin solucionar la causa raíz?
¿Las pruebas cubrieron sólo el camino más feliz?
¿Se cambiaron silenciosamente los requisitos upstream a lo largo del camino?

Sin esa capa, la IA puede seguir declarando éxito fácilmente dentro de un flujo de trabajo prolongado.

06 Cómo elegir entre los dos

Si desea una regla general rápida:

Si su principal problema es la sobrecarga del contexto y la deriva de las sesiones largas, comience con “Ralph”
Si su principal problema es que un agente desempeña demasiadas funciones, comience con la colaboración de varios agentes.

Más específicamente:

Ralph se adapta al trabajo que es claro, granular y fácil de avanzar paso a paso
La colaboración entre múltiples agentes se adapta al trabajo con fuertes límites de roles y una necesidad de paralelismo y verificación cruzada.

En la práctica, estos dos enfoques no siempre son competidores. Una configuración madura suele combinarlos:

Utilice un bucle exterior estilo “Ralph” para impulsar la tarea más grande.
Utilice la colaboración de múltiples agentes dentro de cada ronda para investigación, implementación, prueba y aceptación.

Eso les brinda a ambos un mejor control sobre el contexto prolongado y una mejor colaboración dentro de una sola ronda.

07 Resumen de una oración

Lo que hace que valga la pena estudiar estos enfoques no es que recomienden “Ralph” o la colaboración entre múltiples agentes de forma aislada. Es que dejan muy clara una verdad práctica: mantener la IA estable durante tareas largas depende menos del modelo en sí y más de si se diseñó bien el contexto, las tareas, los roles y la aceptación.

Si ya está pidiendo a “Claude Code”, “Codex” u otros agentes de codificación que manejen tareas más largas del mundo real, este tipo de pensamiento de flujo de trabajo suele ser más valioso que simplemente cambiar a un modelo más sólido.

Qué es Ralph: convertir Claude Code y Amp en un circuito de desarrollo autónomo repetible

Mon, 27 Apr 2026 08:08:55 +0800

Si últimamente ha estado prestando atención a los flujos de trabajo de agentes de codificación de larga duración, snarktank/ralph es un proyecto que vale la pena analizar de cerca. No es otro contenedor de modelo ni otra interfaz de usuario de chat. En cambio, organiza “Claude Code” o “Amp” en un bucle autónomo que sigue recorriendo las historias en un “PRD” hasta que todo está hecho.

Su idea central es simple: no obligar al mismo agente a seguir trabajando dentro de un contexto cada vez más largo y desordenado. En su lugar, inicie una nueva sesión de codificación de IA para cada iteración. Eso evita que el contexto se hinche y hace que los límites de las tareas sean mucho más claros.

01 ¿Qué es Ralph?

Ralph se describe a sí mismo muy claramente: es un bucle de agente de IA autónomo que ejecuta repetidamente una herramienta de codificación de IA hasta que se completan los elementos de un “PRD”.

El repositorio actualmente admite dos herramientas:

Amplificador CLI
Código Claude

Cada iteración inicia una nueva instancia. En otras palabras, no depende de una conversación interminable. En cambio, mantiene la memoria en estado externo:

historia de git
progreso.txt
prd.json

Ese detalle importa mucho. Cuando la gente deja que un agente ejecute tareas grandes, el principal problema a menudo no es que el modelo no pueda codificar. Es que la sesión se vuelve más pesada con el tiempo, empieza a perder contexto, olvida requerimientos y repite trabajo. Ralph está diseñado casi exclusivamente en torno a ese problema.

02 Cómo funciona

El flujo de trabajo de Ralph tiene tres pasos.

1. Escribe primero un PRD

El archivo README sugiere comenzar con la habilidad “prd” incluida para generar un documento de requisitos y dividir la función en historias más pequeñas.

2. Convierta el PRD a `prd.json`

Luego, la habilidad ralph convierte el Markdown PRD en un prd.json estructurado. Ese archivo almacena las historias de los usuarios y si cada una ha pasado.

3. Ejecute el script de bucle

La ejecución real está a cargo de ralph.sh. Los comandos se ven así:

1
2

./scripts/ralph/ralph.sh [max_iterations]
./scripts/ralph/ralph.sh --tool claude [max_iterations]

El valor predeterminado es 10 iteraciones. En cada ronda, Ralph hace aproximadamente lo siguiente:

Crea una rama desde branchName
Elija la historia de mayor prioridad donde “pasa: falso”.
Implemente solo esa historia
Ejecute controles de calidad, como verificación de tipos y pruebas.
Comprometerse si pasan los controles
Actualiza prd.json
Adjunte lo aprendido a progress.txt
Continuar a la siguiente ronda.

Entonces Ralph no está tratando de terminar todo de una vez. Comprime el trabajo en muchos bucles pequeños que pueden caber dentro de una única ventana de contexto.

03 ¿Qué hace que Ralph sea interesante?

1. Cada ronda utiliza un contexto nuevo

Esta es la elección de diseño que define a Ralph. El archivo README enfatiza que cada iteración es una instancia de IA completamente nueva y que la memoria entre iteraciones reside solo en git, progress.txt y prd.json.

Esto es muy diferente del patrón común de mantener el “Código Claude” u otra herramienta dentro de una larga conversación. Una vez que las tareas aumentan, ese enfoque a menudo se ralentiza debido a su propia historia y gradualmente pierde enfoque. Ralph acepta que ninguna ronda debería recordar todo y, en su lugar, mueve la memoria a archivos.

2. Obliga a que las tareas sean pequeñas

Los documentos dicen explícitamente que cada elemento PRD debe ser lo suficientemente pequeño como para terminar dentro de una ventana de contexto. Tareas como agregar un filtro, actualizar una acción del servidor o agregar una columna de base de datos tienen aproximadamente el tamaño correcto. Tareas como reconstruir toda la API o crear un panel completo son demasiado grandes. Esa restricción es práctica. Muchos bucles de agentes autónomos fallan no porque el bucle sea malo, sino porque la división de tareas es demasiado burda y cada ronda lleva demasiado a la vez.

3. Preserva el aprendizaje, no solo el código

Más allá de progress.txt, el README también hace hincapié en la actualización de AGENTS.md. La razón es sencilla: las iteraciones futuras y los futuros desarrolladores leerán esas notas, por lo que los patrones, errores y convenciones descubiertos en cada ronda deben anotarse en el proyecto mismo.

Dicho de otra manera, Ralph no sólo intenta mantener a un agente codificando continuamente. También intenta ayudar al agente a desarrollar memoria de trabajo sobre el código base a lo largo del tiempo.

04 Cuando encaja mejor

Ralph encaja bien cuando su tarea se ve así:

Ya se puede dividir en un conjunto claro de historias de usuarios.
El código base tiene bucles de retroalimentación confiables, como pruebas, verificación de tipos o CI
Quiere que el agente siga avanzando sin poner todo en una larga conversación.
Estás de acuerdo con el progreso iterativo en lugar de exigir una finalización de una sola vez.

Por otro lado, si el requisito aún es vago, o el trabajo depende de discusiones frecuentes y cambios constantes de dirección, es posible que Ralph no sea el primero a quien recurrir. Se adapta mejor una vez que los requisitos ya están definidos y la ejecución debe ser constante.

05 En qué se diferencia del uso normal del código Claude

Con Claude Code simple, el patrón habitual es simple: abra una sesión y déjela seguir leyendo código, editando archivos y ejecutando comandos. Esto funciona muy bien para tareas pequeñas y medianas, pero las tareas más grandes suelen tener dos problemas:

El contexto sigue creciendo
Las decisiones intermedias son más difíciles de preservar de forma estructurada.

Ralph convierte “Claude Code” o “Amp” en algo más parecido a un ejecutor por lotes:

La fuente de la tarea es prd.json, no instrucciones de chat ad hoc.
Cada iteración reconoce solo una historia.
El estado de finalización se vuelve a escribir en los archivos.
Los aprendizajes van en progress.txt
Los cambios de código se conservan en git

Entonces, en la práctica, se siente menos como un nuevo asistente de IA y más como un controlador de iteración agregado sobre un agente de codificación.

06 Un requisito importante

Que Ralph funcione bien depende menos del bucle en sí y más de la calidad de sus bucles de retroalimentación. El archivo README dice esto de manera muy directa: sin verificación de tipo, pruebas y CI, los errores se agravarán en iteraciones posteriores.

Para tareas frontend, el repositorio incluso recomienda agregar la verificación del navegador a los criterios de aceptación. Sin una verificación real, un agente puede confundir fácilmente “parece hecho” con “realmente funciona”.

Ese punto es importante. Ralph no es una automatización mágica. Es más como un multiplicador de fuerza para la disciplina de ingeniería que ya tienes. Si su proyecto ya tiene desgloses de tareas claros y controles confiables, Ralph se vuelve mucho más útil. Si faltan esos fundamentos, el bucle sólo repetirá la confusión.

07 Resumen de una oración

Lo que hace que valga la pena estudiar “Ralph” no es que introduzca una enorme cantidad de infraestructura nueva. Toma una idea simple pero útil y la convierte en un flujo de trabajo práctico: deje que Claude Code o Amp manejen una pequeña historia por ronda, mantenga el enfoque en un contexto nuevo y preserve la continuidad a través de git, prd.json y progress.txt. Si ya está utilizando agentes de codificación en proyectos reales y sigue estancado en cómo impulsar tareas largas de manera confiable, vale la pena tomar prestado el enfoque de Ralph.

Referencias

Repositorio de GitHub: https://github.com/snarktank/ralph
Diagrama de flujo interactivo: https://snarktank.github.io

Ralph on KnightLi Blog

Ralph y la colaboración entre múltiples agentes: cómo mantener la IA funcionando de manera confiable durante tareas largas

01 Por qué las tareas largas se descarrilan

02 El enfoque Ralph: dividir las tareas largas en rondas cortas

03 El enfoque de múltiples agentes: dividir el trabajo que un agente no puede realizar solo

04 La verdadera clave no es el paralelismo, sino el diseño de tareas

05 Por qué la aceptación es tan importante

06 Cómo elegir entre los dos

07 Resumen de una oración

Qué es Ralph: convertir Claude Code y Amp en un circuito de desarrollo autónomo repetible

01 ¿Qué es Ralph?

02 Cómo funciona

1. Escribe primero un PRD

2. Convierta el PRD a prd.json

3. Ejecute el script de bucle

03 ¿Qué hace que Ralph sea interesante?

1. Cada ronda utiliza un contexto nuevo

2. Obliga a que las tareas sean pequeñas

3. Preserva el aprendizaje, no solo el código

04 Cuando encaja mejor

05 En qué se diferencia del uso normal del código Claude

06 Un requisito importante

07 Resumen de una oración

Referencias

2. Convierta el PRD a `prd.json`