Aquí tienes el texto traducido siguiendo todas las especificaciones solicitadas:
Esta es una guía completa de la A a la Z sobre los Agent Swarms de IA: qué son y cómo usarlos.
Por qué cambian todo en la forma de trabajar con IA.
Guarda esto antes de que se te olvide.
Kimi K2.6, el modelo estrella de código abierto de Moonshot AI de abril de 2026, es la implementación open-source más seria que he visto de esta idea.
Las tareas reales tienen amplitud. Cincuenta empresas para investigar.
Doscientos archivos para analizar. Una docena de subtareas que no dependen unas de otras y no deberían esperar en fila detrás de las demás. Un agent swarm es la arquitectura para eso.
Esta guía desglosa cómo funciona, desde la infraestructura de entrenamiento hasta la API, y luego cubre el patrón que creo que es más importante ahora mismo: Kimi para la ejecución, Claude Opus 4.8 para la planificación y verificación.
Así es cómo se ve el Flujo de Trabajo Final
Sección 1: ¿Qué es un agent swarm?
Un agent swarm son múltiples agentes trabajando simultáneamente en subtareas descompuestas, coordinados por un orquestador que agrega los resultados.
La distinción con una cadena secuencial es el punto clave:
- Cadena secuencial: El Agente A se ejecuta, pasa el control a B, B se lo pasa a C. Tiempo total = A + B + C.
- Swarm: El orquestador divide el objetivo, los agentes A, B, C se ejecutan al mismo tiempo en subtareas independientes, los resultados se fusionan. Tiempo total ≈ max(A, B, C).
Cuando una tarea tiene una estructura genuinamente paralela, esa es la diferencia entre minutos y horas.
Un swarm también resuelve el desbordamiento de contexto. Un agente en una tarea larga acumula tokens hasta que su ventana se satura. Un swarm le da a cada subtarea su propio contexto acotado, y solo los resultados estructurados fluyen de vuelta al orquestador.
Los seis componentes básicos
Todo swarm tiene los mismos componentes centrales:
Componente
Qué Hace
Orquestador
Descompone la tarea, asigna subtareas, monitorea la ejecución, agrega los resultados
Subagentes
Trabajadores especializados enfocados en un dominio (investigación, código, análisis, escritura)
Herramientas
Funciones que los agentes pueden llamar: búsqueda web, intérprete de código, E/S de archivos, APIs
Memoria
Estado compartido que el swarm puede leer/escribir
Transferencias / Enrutamiento
Mecanismo para pasar el control o datos entre agentes
Barandillas de Seguridad
Límites de iteración, tiempos de espera, controles humanos en el circuito, recuperación de errores
Consigue estos seis correctamente y tendrás un swarm. Fallas en uno y tendrás una costosa sesión de depuración.
Sección 2: Qué es realmente Kimi K2.6
Antes de entrar en el comportamiento del swarm, vale la pena entender qué hay debajo. K2.6 es un modelo Mezcla de Expertos de 1 billón de parámetros de Moonshot AI, lanzado con pesos abiertos el 20 de abril de 2026 bajo una Licencia MIT Modificada. El uso comercial es gratuito por debajo de $20M de ingresos mensuales o 100M de usuarios activos mensuales, así que es prácticamente gratis para la mayoría de los desarrolladores.
0:29
Especificaciones de arquitectura
Especificación
Valor
Parámetros totales
~1.04 billones
Activados por token
~32 mil millones (8 expertos seleccionados + 1 compartido)
Expertos totales
384, en 61 capas de transformadores
Ventana de contexto
262,144 tokens (262K)
Atención
Atención Latente Multi-Cabeza (MLA) - menor huella de caché KV
Función de activación
SwiGLU
Codificador de visión
MoonViT-3D (400M parámetros, imagen + video hasta 2K)
Cuantización
INT4 mediante Entrenamiento Consciente de Cuantización (~594GB en disco)
Tamaño completo de peso FP16
~2TB
Licencia
MIT Modificada
La variante INT4 QAT se ejecuta de forma nativa en 4x H100 80GB. FP16 necesita 8x H100 80GB. Los tres frameworks de inferencia compatibles (vLLM, SGLang, KTransformers) exponen APIs compatibles con OpenAI
Sección 3: El optimizador MuonClip, o por qué el entrenamiento es estable
Entrenar un MoE disperso de un billón de parámetros sin que explote es difícil. El modo de fallo específico: a medida que crece la longitud de la secuencia, el producto punto consulta-clave (QK) en las capas de atención puede crecer sin límite. Se producen picos de pérdida, y a esta escala un pico de pérdida puede ser irrecuperable.
El documento técnico de Kimi K2 (arxiv: 2507.20534) introduce MuonClip para lidiar con esto.
Muon es un optimizador de gradientes que es más eficiente en tokens que AdamW. Misma calidad, menos pasos de entrenamiento. El problema: Muon solo produce inestabilidad de atención a escala de billones de parámetros.
QK-Clip agrega recorte por token y por cabeza directamente en las matrices QK antes de softmax. Esto limita la magnitud de la puntuación de atención y elimina la patología de explosión. Sin ajuste manual, sin trucos de tasa de aprendizaje.
Del resumen del documento:
"Presentamos MuonClip, un novedoso optimizador que integra el algoritmo Muon, eficiente en tokens, con un mecanismo de mejora de estabilidad llamado QK-Clip... Usando MuonClip, Kimi K2 logra un rendimiento competitivo mientras requiere significativamente menos tokens de entrenamiento que las líneas base de AdamW."
¿Por qué a un desarrollador debería importarle un detalle de entrenamiento? Porque la razón por la que K2.6 puede sostener 4,000 llamadas a herramientas durante más de 12 horas sin degradarse se remonta a esto. Un modelo entrenado con inestabilidad de atención tiende a alucinar bajo condiciones de contexto largo y alta cantidad de pasos. Que es exactamente el régimen en el que vive un Agent Swarm.
Sección 4: PARL, la investigación detrás del swarm
Agent Swarm no es un framework añadido sobre K2.6. El comportamiento fue entrenado en el modelo, a través de un paradigma que Moonshot llama PARL: Aprendizaje por Refuerzo de Agentes Paralelos, descrito en el documento técnico de Kimi K2.5 (arxiv: 2602.02276).
Orquestador entrenable, subagentes congelados
La forma habitual de construir sistemas multi-agente es coordinar múltiples instancias de modelos vivos en la capa de aplicación. Entonces la asignación de crédito se vuelve un desastre: ¿cuál de tus agentes hizo que la respuesta final fuera buena o mala? Entrenar de extremo a extremo a través de ese grafo es computacionalmente intratable.
PARL lo evade:
- El orquestador es entrenable, actualizado mediante RL en recompensas de resultado
- Los subagentes están congelados, son puntos de control de política intermedia fijos
Las trayectorias de los subagentes se tratan como observaciones del entorno, no como puntos de decisión diferenciables. Eso desacopla dos problemas difíciles a la vez. El crédito va solo a las acciones del orquestador, nunca a 300 subagentes simultáneos. Y el entrenamiento se mantiene estable porque solo se actualiza un modelo.
El orquestador aprende cuándo paralelizar, cuántos subagentes generar y cómo dividir el trabajo. Nadie especificó esos comportamientos a mano. Emergen de la maximización de recompensas.
La función de recompensa de tres partes
El orquestador se entrena contra tres señales.
Una recompensa de paralelismo lo impulsa a generar subagentes concurrentes en lugar de ejecutar cosas secuencialmente. Sin esto, el modelo por defecto usa un agente a la vez: seguro, predecible, lento.
Una recompensa de finalización asegura que los subagentes realmente completen sus tareas. Esto bloquea el "paralelismo espurio", donde el orquestador genera una multitud de agentes que no hacen nada solo para obtener la recompensa de paralelismo.
Una recompensa de rendimiento califica la calidad de la salida final contra el objetivo de la tarea. Esta es la verdad fundamental a la que todo lo demás sirve.
El detalle que encuentro más interesante: la métrica de optimización son los pasos críticos (longitud de la ruta crítica), no los pasos totales. El modelo es recompensado por acortar la cadena de dependencia más larga, no por maximizar la concurrencia bruta. Eso es lo que realmente reduce el tiempo de pared.
Resultados de PARL
- BrowseComp: El modo swarm alcanzó 78.4% en K2.5, una mejora absoluta de 17.8 puntos sobre K2.5 en modo agente único (60.6%), que superó a GPT-5.2 Pro (77.9%) en ese momento. K2.6 eleva esto a 86.3%.
- WideSearch: Mejora absoluta de 6.3 puntos en Item-F1 (72.7% a 79.0%)
- Tiempo de pared: Reducción de 3 a 4.5 veces en tareas paralelizables vs. la línea base de agente único
- Llamadas a herramientas paralelas: hasta 4,000 pasos coordinados en K2.6
Sección 5: Mooncake, la infraestructura detrás de Kimi
La infraestructura de servicio de Moonshot explica por qué K2.6 puede sostener 300 agentes paralelos sin colapsar. Los pesos del modelo son solo la mitad de la historia; el sistema que los sirve es la otra mitad.
La infraestructura está bien estructurada para Tareas de Contexto Largo
Arquitectura desagregada centrada en KVCache
La plataforma de servicio de Moonshot se llama Mooncake, descrita en su documento de infraestructura de 2024 (arxiv: 2407.00079). Es el motor que ejecuta Kimi a escala, y su elección de diseño es inusual.
La inferencia tradicional de LLM ejecuta prefill (procesamiento del prompt de entrada) y decode (generación de tokens) en las mismas instancias de GPU. Mooncake las desagrega en clústeres separados:
- Clúster de prefill: maneja el procesamiento inicial del prompt, escala independientemente para entradas de contexto largo
- Clúster de decode: maneja la generación de tokens, optimizado para rendimiento y latencia
El caché KV, el estado de atención intermedio que hace eficiente la generación autoregresiva, se gestiona como un recurso del sistema de primera clase. Mooncake construye un caché KV distribuido que abarca VRAM de GPU, DRAM de CPU y SSDs, con un motor de transferencia personalizado que mueve el caché entre nodos.
Por qué esto importa para Agent Swarm
Cuando 300 subagentes se ejecutan simultáneamente, cada uno genera su propio caché KV. En una arquitectura tradicional, eso es una presión masiva sobre la memoria de la GPU y conflictos de programación. Con el caché desagregado de Mooncake:
- Los cachés KV de subagentes completados pueden ser expulsados a DRAM o SSD y recuperarse si es necesario
- El clúster de prefill maneja los prompts del sistema (a menudo grandes) para cada subagente de forma independiente
- El programador maximiza el rendimiento general mientras mantiene los SLO de latencia por agente
Del documento de Mooncake: "En comparación con el método de línea base, Mooncake puede lograr hasta un aumento del 525% en el rendimiento en ciertos escenarios simulados mientras cumple con los SLO. Bajo cargas de trabajo reales, la innovadora arquitectura de Mooncake permite a Kimi manejar un 75% más de solicitudes."
El documento actualizado informa que Mooncake está "operativo en miles de nodos, procesando más de 100 mil millones de tokens al día", y maneja un 115% más de solicitudes en clústeres A800 y un 107% más en clústeres H800 en comparación con sistemas anteriores.
Desagregación PD a escala: la implementación de K2 en 128 GPU
LMSYS publicó un caso de estudio de implementación para Kimi K2 usando Desagregación Prefill-Decode (PD) en 128 GPU H200 a través del Enrutador SGLang. La arquitectura:
- Enrutador SGLang: servicio ligero para el descubrimiento dinámico de servicios de nodos de prefill y decode mediante selectores de etiquetas
- Paralelismo de Expertos: Los 384 expertos de K2 distribuidos entre nodos, con enrutamiento a nivel de red
- OME (Open Model Engine): Orquestación nativa de Kubernetes para la capa de servicio
Este es el stack que ejecuta la familia K2 a escala de producción. Si estás auto-alojando K2.6, esta es tu plantilla.
Sección 6: Cómo funciona Agent Swarm, paso a paso
La secuencia mecánica cuando K2.6 ejecuta una tarea en modo swarm:
Paso 1: Descomposición de la tarea
El orquestador analiza la tarea y construye el grafo de dependencias: qué subtareas son independientes y pueden ejecutarse en paralelo, cuáles dependen de resultados anteriores.
Para "investigar 100 empresas de YC y producir un análisis sectorial", el orquestador identifica 100 tareas de investigación independientes, luego 1 tarea de agregación, luego 1 tarea de síntesis. La primera capa es completamente paralelizable.
Paso 2: Generación de agentes especialistas
El orquestador genera subagentes especializados por dominio según el tipo de subtarea. K2.6 instancia agentes dinámicamente con instrucciones específicas del rol y acceso a herramientas dirigido:
- Agentes de investigación web: herramientas de búsqueda + navegador
- Agentes de análisis de datos: ejecución de Python + herramientas de hoja de cálculo
- Agentes de escritura: síntesis y generación de documentos
- Agentes verificadores de hechos: referencias cruzadas y validación
Cada subagente opera dentro de su propio contexto local acotado. Maneja una tarea específica, produce una salida estructurada y finaliza. El contexto local no carga todo lo que sabe el orquestador, solo lo que ese subagente necesita. Así es como K2.6 evita desbordarse en tareas que llenarían la ventana de cualquier agente único en minutos.
Paso 3: Ejecución paralela en oleadas
Los agentes se ejecutan en oleadas. La primera oleada maneja tareas completamente independientes.
- A medida que llegan los resultados, el orquestador lanza una segunda oleada en tareas que dependían de los resultados de la primera oleada, y así sucesivamente hasta que el grafo de dependencias se resuelve.
- K2.6 soporta hasta 300 subagentes y 4,000 pasos coordinados por sesión. El orquestador monitorea la ejecución en tiempo real, detecta agentes fallidos o estancados, y reasigna sus tareas automáticamente.
- Esa tolerancia a fallos es lo que hace posibles ejecuciones autónomas de más de 12 horas sin que un humano esté vigilando.
Paso 4: Agregación y salida
Una vez que todos los subagentes completan, el orquestador agrega los resultados en un entregable final: documento, hoja de cálculo, sitio web, presentación de diapositivas.
- Sintetiza a través de las salidas de los agentes en lugar de concatenarlas, para que el resultado sea estructuralmente coherente.
- Una cosa más que vale la pena notar: la estructura del swarm es también la respuesta de Kimi al problema de la ventana de contexto.
- La política explícita de K2.6: "una vez que la ventana de contexto supera el umbral, solo se retiene el mensaje más reciente relacionado con la herramienta." El swarm hace que esa política sea sostenible en horizontes de tarea muy largos.
Sección 7: La arquitectura Kimi x Claude Opus 4.8
Ningún modelo único es la respuesta correcta para cada capa de un swarm. Kimi K2.6 está construido para la escala horizontal: ejecución paralela entre cientos de agentes, ejecuciones autónomas largas, procesamiento masivo rentable.
Claude Opus 4.8 está construido para el juicio: planificación, razonamiento matizado y detección de sus propios errores. Se complementan estructuralmente, y la brecha que cada uno deja se acerca a la forma de la fortaleza del otro.
El patrón:
1[Objetivo del Usuario]2 |3[Claude Opus 4.8 - Planificador]4 Descompone el objetivo en una especificación de tarea estructurada5 Identifica subtareas paralelas vs. secuenciales6 Define criterios de éxito para cada subtarea7 |8[Kimi K2.6 Agent Swarm - Ejecutor]9 Recibe la especificación de tarea estructurada10 Genera hasta 300 subagentes especializados11 Ejecuta en paralelo entre llamadas a herramientas12 Devuelve resultados estructurados13 |14[Claude Opus 4.8 - Verificador]15 Revisa las salidas de Kimi contra los criterios de éxito16 Señala fallos, lagunas, inconsistencias17 Sintetiza el entregable final
¿Por qué Claude para planificación y verificación?
El cambio más subestimado en Opus 4.8 es la mejora en la honestidad: "Opus 4.8 tiene aproximadamente cuatro veces menos probabilidades que su predecesor de permitir que pasen desapercibidos fallos en el código que ha escrito." En sistemas agentivos, la falsa confianza es el modo de fallo catastrófico.
- Un orquestador que dice "completado" cuando no lo está puede generar errores en cascada a través de 300 agentes posteriores. La tendencia de Claude a señalar incertidumbre y detectar sus propios errores a medio camino lo convierte en el ancla adecuada para las capas donde equivocarse es costoso.
- Opus 4.8 también soporta una ventana de contexto de 1M de tokens, lo que importa para la pasada de verificación cuando estás recogiendo salidas de más de 50 agentes de investigación paralelos en un único contexto de revisión.
¿Por qué Kimi para ejecución?
El Agent Swarm de K2.6 soporta hasta 300 subagentes paralelos y 4,000 pasos de herramienta coordinados por sesión. Eso es un comportamiento entrenado, no un envoltorio de la capa de aplicación.
- Claude tiene una función de Flujos de Trabajo Dinámicos en Claude Code, pero actualmente está en vista previa de investigación y limitado a planes Enterprise/Max.
- La capacidad de swarm de Kimi está disponible para todos a través de la API ahora mismo. La economía de tokens también importa a escala: K2.6 se ejecuta a $0.95/$4.00 por millón de tokens de entrada/salida. Para la ejecución paralela masiva, eso no es poca cosa.
Sección 8: Cuándo necesitas un swarm (y cuándo no)
El error más común en el diseño multi-agente: agregar complejidad de swarm antes de haber alcanzado el techo del agente único.
Mantente con agente único cuando:
- La tarea cabe dentro de una sola ventana de contexto (menos de ~50K tokens de trabajo real)
- La tarea es secuencial por naturaleza, cada paso depende del anterior
- Todavía estás prototipando: los modos de fallo de agente único son mucho más fáciles de depurar
- La tarea se completaría en menos de 10 minutos de todos modos
Recurre a Agent Swarm cuando:
- La tarea tiene n subtareas paralelas e independientes donde n > 5
- El desbordamiento de contexto es un problema real (investigación profunda, bases de código grandes, operaciones por lotes)
- Necesitas agentes especializados por dominio trabajando simultáneamente
- La tarea es demasiado larga para mantener la calidad a lo largo de una sesión secuencial
- Quieres un agente crítico o verificador que revise el trabajo de otro agente
Usa el híbrido Kimi + Claude Opus 4.8 cuando:
- La calidad de la planificación importa y quieres un modelo que objete si el plan está mal
- La salida se envía sin revisión humana adicional, por lo que la verificación debe estar integrada
- Estás ejecutando un volumen alto donde los costos de tokens se acumulan rápidamente
- Quieres el juicio de Claude en las capas de decisión y la escala de Kimi en las capas de trabajo
Sección 10: Los cuatro patrones de arquitectura de swarm
Patrón 1: Orquestador-trabajador (el más común)
Un orquestador central asigna subtareas a los trabajadores, los trabajadores ejecutan en paralelo, los resultados se agregan.
1[Objetivo del Usuario]2 |3[Orquestador - Claude Opus 4.8]4 +-- [Trabajador: Agente de Investigación Kimi x N]5 +-- [Trabajador: Agente de Datos Kimi x N]6 +-- [Trabajador: Agente de Código Kimi x N]7 |8[Sintetizador - Claude Opus 4.8]9 |10[Salida Final]
Mejor para: tareas con subtareas claramente separables y un número variable de trabajadores.
Patrón 2: Bucle crítico-refinador
Un agente produce, otro critica, repetir hasta que se alcance el umbral de calidad.
1[Constructor Kimi K2.6] -> borrador -> [Crítico Claude Opus 4.8] -> retroalimentación -> [Constructor Kimi K2.6]2 |3 (aprobado)4 [Salida Final]
Mejor para: generación de código, escritura técnica, salidas sensibles al cumplimiento normativo. Siempre establece un límite máximo de iteraciones.
Patrón 3: Jerárquico
Un orquestador estratégico gestiona orquestadores de dominio, que gestionan trabajadores.
1[Claude Opus 4.8 - Orquestador Estratégico]2 +-- [Kimi K2.6 Swarm - Equipo de Investigación (50 agentes)]3 +-- [Kimi K2.6 Swarm - Equipo de Construcción (50 agentes)]
Mejor para: flujos de trabajo empresariales grandes con dominios distintos.
Patrón 4: Grupos Claw (swarm heterogéneo nativo de Kimi)
K2.6 coordina agentes que ejecutan cualquier modelo, incluidos modelos locales, Claude y GPT, junto con trabajadores humanos en un espacio operativo compartido. Actualmente en vista previa de investigación.
1[Coordinador Kimi K2.6]2 +-- [Claude Opus 4.8 - especialista en razonamiento]3 +-- [Llama 3.3 local - tareas masivas sensibles al costo]4 +-- [Agentes Kimi K2.6 x N - capa de ejecución]5 +-- [Revisor humano - puntos de control de aprobación]
Mejor para: flujos de trabajo que necesitan diversidad de modelos, híbrido local + nube, o requisitos de humano en el circuito.
Sección 12: Diseño de prompts para tareas de swarm
El prompt de descomposición (orquestadores)
1Eres un arquitecto de tareas. Descompón este objetivo en subtareas independientes y paralelizables.23Reglas:4- Cada subtarea debe ser completable por un solo agente especializado de forma aislada5- Las subtareas con dependencias deben estar marcadas con su cadena de dependencia6- Salida como JSON: {task_id, description, agent_type, depends_on, success_criteria}78Objetivo: {user_goal}9Tipos de agente disponibles: investigador, analista, programador, escritor, verificador
El prompt de sistema especialista (subagentes)
1Eres un agente {ROLE} especializado en {DOMAIN}.23Tarea: {subtask_description}45RESTRICCIONES:6- Devuelve SOLO JSON válido que coincida con: {output_schema}7- No vayas más allá del alcance de tu tarea8- Si no puedes completar la tarea: {"error": "reason", "partial_results": [...]}9- Llamadas máximas a herramientas: {max_tool_calls}1011Contexto: {context_from_orchestrator}
El prompt de agregación (sintetizadores)
1Sintetiza la investigación de {n} agentes especializados en una salida coherente.231. Lee todas las salidas de los agentes proporcionadas42. Identifica dónde están de acuerdo, en desacuerdo o tienen lagunas53. Produce un {output_type} integrando todos los hallazgos64. Señala las inconsistencias explícitamente: no resuelvas contradicciones en silencio78Salidas de agentes: {agent_outputs_as_json}9Formato de salida: {final_output_spec}
Sección 13: Las siete barandillas de seguridad no negociables
1. Máximo de iteraciones por agente. Límite duro en bucles antes de notificar al orquestador.
2. Tiempo de espera de sesión. Si el swarm no se ha completado en N minutos, termina y devuelve resultados parciales.
3. Aplicación de salida estructurada. Obliga a los agentes a devolver JSON. La prosa de agentes intermedios crea fallos de análisis posteriores.
4. Aislamiento de fallos. Un subagente fallido no debe bloquear al orquestador
1async def ejecutar_subagente_seguro(cliente_kimi, tarea, id_agente):2 try:3 resultado = cliente_kimi.chat.completions.create(4 model="kimi-k2.6",5 messages=[{"role": "user", "content": tarea}],6 max_tokens=40967 )8 return {"agent_id": id_agente, "status": "success",9 "output": resultado.choices[0].message.content}10 except Exception as e:11 return {"agent_id": id_agente, "status": "failed", "error": str(e)}
5. Reintento con retroceso exponencial. Maneja errores 429 y errores transitorios sin que aparezcan como fallos permanentes.
6. Puntos de control de humano en el circuito. Para swarms con acceso de escritura (desplegar código, enviar correos electrónicos, hacer mutaciones de API), inserta pausas de aprobación obligatorias.
7. Monitoreo de costos. Establece presupuestos de tokens por ejecución. Los bucles descontrolados aparecen como anomalías de costo antes que como fallos de calidad, siempre.
Qué construir primero
Comienza con el pipeline de tres agentes de la Sección 9. Es lo suficientemente pequeño como para depurarlo en una tarde, ejercita la planificación, la ejecución paralela y la verificación, y puedes ejecutarlo contra una tarea real en menos de una hora de configuración.
Cuando falle, y fallará, el modo de fallo te enseñará más sobre el diseño de swarms que otra hora de lectura.
Constrúyelo. Rómpelo a propósito. Luego vuelve a los patrones de la Sección 11 con un punto de referencia concreto.
La arquitectura no es la parte difícil. La parte difícil es la brecha entre "funciona en pruebas" y "funciona a las 3 a.m. sin nadie mirando", y esa brecha está enteramente en las barandillas de seguridad, la observabilidad y el diseño de la memoria.
Conclusión
Kimi 2.6 es una revolución en cómo el aprendizaje por refuerzo puede establecer agent swarms.
También muestra cómo los horizontes de contexto largo pueden hacer uso de dichas infraestructuras basadas en orquestadores, que permiten generar múltiples subagentes para construir sistemas complejos usando un solo
Descargo de responsabilidad
El artículo ha sido escrito utilizando la documentación técnica de Kimi 2.6 y documentos de investigación en las notas del autor, y editado por una IA, Opus 4.7.
