Kevin | Auto Transport, Freight & Logistics
2.3K posts

Kevin | Auto Transport, Freight & Logistics
@carshippingguy
Founder @shipcargoai | building the execution infrastructure for AI-powered vehicle and large equipment transportation.


High-agency people genuinely believe that reality is negotiable in a "there are always more levers to pull" way. It's about having this bone-deep conviction that if you keep poking at something from different angles, eventually something will give.












Cuando trabajás con un solo agente, todo pasa por el mismo context window. Eso genera varios problemas: 1) el contexto se llena rápido (archivos, logs o diffs consumen muchos tokens) 2) las tareas se mezclan (analizar, implementar y revisar al mismo tiempo) 3) el razonamiento empeora (más ruido en el contexto) Una forma de resolverlo es usar Subagentes. El agente principal puede invocar a otro agente para resolver una tarea específica. Cada subagente trabaja con su propio contexto, usa solo la información que necesita y devuelve un resultado o resumen. Así, el agente principal pasa a actuar como orquestador: divide la tarea, delega partes del trabajo y después junta los resultados para generar la respuesta final. Ejemplo: code review de un PR grande. Con un solo agente: tiene que buscar bugs, revisar calidad y analizar performance dentro del mismo contexto. Con subagentes: Subagente 1 → busca bugs y edge cases Subagente 2 → revisa calidad del código Subagente 3 → analiza performance Cada uno trabaja con su propio contexto y devuelve sus conclusiones. Después, el agente principal junta todo y arma el review final. Tradeoff: más tokens y más complejidad. Pero en tareas grandes suele funcionar mejor, porque cada agente se enfoca en una sola cosa y el contexto se mantiene limpio.


















