Un modelo gratuito de código abierto está ejecutando 300 agentes en paralelo a lo largo de 4,000 pasos coordinados desde un solo prompt, y obtiene puntuaciones más altas en tareas de investigación reales que modelos por los que pagas 5 veces más.
La mayoría de la gente nunca lo ha abierto.
Abrén Kimi, escriben una pregunta, obtienen una respuesta, cierran la pestaña. Eso es la ventana de chat. Funciona. También es solo el 10% de lo que el producto puede hacer.
Aquí está la parte que la mayoría omite:
El enjambre no solo corre rápido. Si lo ejecutas correctamente, siempre deja algo atrás: una habilidad reutilizable, un spec más preciso, una restricción que evita que la siguiente ejecución repita el error de hoy.
El enjambre que ejecutó tu tarea ayer debería ser más inteligente que el que la ejecuta hoy.
https://x.com/Kimi_Moonshot/status/2047190578493096122
Ese es el ciclo. Kimi hace el trabajo y el aprendizaje. Opus 4.8 se sitúa en una puerta (la puerta de verificación) y su única tarea es evitar que la basura se guarde como una habilidad. El motor aprende. El verificador lo mantiene honesto.
Algunos eligen un modelo y se casan con él. Algunos persiguen la línea de referencia más alta. Otros configuran LangGraph y pasan un fin de semana depurando un DAG.
El resultado suele ser el mismo: un flujo de trabajo que hace exactamente lo mismo en la ejecución #50 que en la ejecución #1.
Esto no es eso. Este es el manual completo para un enjambre que se auto-mejora. 10 pasos. Cada prompt es copiar y pegar. Cada número está verificado.
Parte 1 - Construye el ciclo una vez. Ejecútalo para siempre.
01. Escribe un spec, no un prompt
Cuando la mayoría escucha "300 agentes", lanzan una frase de una línea —"investiga el mercado de apps de fitness"— y esperan brillantez. Esa es la forma más rápida de quemar créditos y obtener basura.
Un prompt de una línea le da al enjambre permiso para decidirlo todo, y decidirá mal.
Trata al enjambre como a un contratista, no como a un genio. Un spec define qué recolectar, qué cuenta como válido, qué fuentes están permitidas, el formato exacto de salida y qué hacer en caso de conflicto. Aquí está la parte que la mayoría omite: Kimi decide la descomposición por sí mismo.
No construyes los agentes como lo harías en CrewAI, no conectas el gráfico como en LangGraph, no defines la estructura como en AutoGen. Describes el objetivo: el enjambre construye el organigrama.
El spec es el artefacto de mayor apalancamiento en todo el ciclo, porque en el paso 4 se convierte en la semilla de tu habilidad reutilizable.
1# PROYECTO: [nombre]2OBJETIVO: [una frase — el entregable, no el tema]3ALCANCE: [qué incluye, qué está explícitamente excluido]4REGLAS: [validación — qué cuenta como fila/hallazgo verificado]5FUENTES: [publicaciones oficiales, papers, solo fuentes primarias — sin agregadores]6SALIDA: [tipo de archivo / cantidad / nomenclatura / detalles de formato]7EN CONFLICTO: marca la fila, nunca resuelvas en silencio8CONDICIÓN DE PARADA: [cuándo detenerse e informar en lugar de adivinar]
02. Lee el plan de descomposición antes de gastar un centavo
Este es el paso que los principiantes saltan, y es el más costoso de saltar.
Después de enviar el spec, Kimi te muestra el plan de ejecución antes de ejecutarlo: cuántos subagentes, qué maneja cada uno, el orden de dependencias, el presupuesto de pasos.
Léelo. Un enjambre de 200 agentes descompuesto incorrectamente cuesta dinero real y horas reales. Revisar el plan no cuesta nada. Buscas tres cosas: si entiende el alcance, si el número de agentes es razonable para el tamaño de la tarea, y si el plan de salida coincide con lo que realmente necesitas.
Un detalle que vale la pena conocer: los 4,000 pasos son un presupuesto total coordinado en todo el enjambre, no 4,000 pasos por agente. Una ejecución de 300 agentes promedia ~13 pasos cada uno: subtareas cortas y especializadas. Eso te indica si tu tarea encaja en la forma.
1Muéstrame la descomposición propuesta antes de ejecutar:2- cuántos subagentes y qué maneja cada uno3- el orden de dependencias (qué bloquea qué)4- presupuesto estimado de pasos5- dónde está el mayor riesgo de pérdida de calidad6NO ejecutes aún. Espera mi confirmación.
Un prompt de una línea es un deseo. Un spec es una orden. El enjambre ejecuta órdenes.
03. Deja que sea derrochador — ese es el punto
Ahora lo ejecutas. Hasta 300 subagentes se disparan en oleadas paralelas. La primera oleada maneja subtareas completamente independientes.
A medida que llegan los resultados, el orquestador lanza la siguiente oleada sobre lo que dependía de ellos, hasta que el gráfico de dependencias se resuelve.
Cada subagente trabaja en su propia ventana de contexto limitada. Ese es el truco estructural: un solo agente en una tarea larga llena su ventana hasta que se ahoga y comienza a resumir con pérdidas, y cada paso de razonamiento posterior empeora.
El enjambre le da a cada subtarea su propio contexto acotado, por lo que solo el resultado estructurado fluye de vuelta al coordinador. Por eso no colapsa en tareas que rompen a un solo agente.
Debido a que Kimi cuesta $0.95/M de entrada y $4.00/M de salida (con aciertos de caché a $0.16), puedes permitirte tirar el primer intento y ejecutarlo de nuevo. El volumen barato cambia lo que estás dispuesto a intentar.
1Ejecuta el spec de principio a fin.2Paraleliza donde el plan lo permita.3Reporta el progreso cada 30 pasos.4Marca cualquier bloqueador de inmediato — no lo resuelvas en silencio.5Si un subagente se estanca >10 min, reasigna o reporta.6Fusiona todo en la SALIDA definida en el spec.
04. Exige archivos reales, no una respuesta de chat
La salida de un enjambre no es texto en una ventana. Son entregables estructurados que van directamente a tu trabajo, y esta es la parte que la mayoría de los artículos omiten.
Una ejecución genera PDFs, hojas de cálculo, conjuntos de datos, presentaciones y código funcional, todo desde un solo lanzamiento, porque Kimi emite esos formatos de forma nativa.
Así que lidera el spec con la salida, siempre.
"Un informe completo" les da permiso a los agentes para detenerse temprano. "Un PDF de 40 páginas + un CSV con 20,000 filas + 14 gráficos PNG listos para exportar" les da un objetivo de calidad que alcanzar.
La especificidad a nivel de salida es la diferencia.
1SALIDA: [tipo de archivo] / [cantidad] / [nomenclatura] / [detalle de formato]23# ejemplos sólidos:4SALIDA: 1 .xlsx, una fila por modelo, + breve de 200 palabras5SALIDA: 30 archivos HTML, uno por tienda, nombrados por negocio6SALIDA: PDF de 40 páginas + CSV de 20,000 filas + 14 gráficos PNG
05. Apunta el modelo honesto hacia la salida y pregúntale qué está mal
Aquí está el único momento que no es Kimi. La falla conocida del enjambre: a menos que exijas explícitamente verificación, produce afirmaciones seguras pero con pocas citas, y a veces los subagentes independientes se contradicen entre sí. "Parece terminado" y "es correcto" son planetas diferentes.
Opus 4.8 está diseñado exactamente para esta puerta. Anthropic informa que es aproximadamente 4 veces menos propenso que 4.7 a dejar pasar un error en su propio código sin comentarlo, y es el primer Claude que obtiene un 0% en reportar sin crítica resultados defectuosos.
Su única tarea aquí es refutar, no elogiar. No estás pagando tokens premium para generar; los estás pagando para detectar el error silencioso antes de que el paso 4 lo guarde como una habilidad para siempre.
El volumen barato solo es un superpoder cuando alguien de confianza está revisando el trabajo. Mantén la puerta de verificación.
06. Guarda todo el flujo de trabajo como una Skill
Este es el momento que hace que el ciclo se auto-mejore. Después de una ejecución que repetirás, dile a Kimi que capture todo el flujo de trabajo como una Skill reutilizable: formato de entrada, pasos de agente, formato de salida.
La primera ejecución toma 20 minutos. Cada ejecución posterior toma 30 segundos.
Esa es la versión honesta de "autoaprendizaje". El modelo no está reentrenando sus pesos entre tus ejecuciones.
El sistema que lo rodea se está volviendo más inteligente: tu biblioteca de Skills crece con cada proyecto, y cada enjambre futuro aplica esas Skills automáticamente.
Un competidor no puede copiar esa biblioteca en una semana. Está construida a partir de meses de tus ejecuciones reales.
1Guarda todo este flujo de trabajo como una Skill reutilizable: "[nombre]"2Captura:3- formato de entrada (qué archivos / forma de spec espera)4- los pasos de agente que funcionaron5- el formato de salida y la convención de nomenclatura6- las reglas de validación del spec7La próxima vez que ejecute esto, adjunto archivos nuevos y obtengo la misma forma.
07. Alimenta tus propios documentos como conocimiento del enjambre
Las Skills capturan proceso. Documento-a-Skill captura dominio. Sube tu mejor trabajo: una propuesta de trato cerrado, un informe pulido, una presentación. Kimi captura su huella estructural y estilística como una Skill que cada enjambre futuro aplicará automáticamente.
Aquí es donde se acumula: cada PDF, transcripción u hoja de cálculo que ingreses se convierte en contexto contra el que los 300 agentes paralelos pueden basarse, en lugar de recurrir a datos de entrenamiento generales.
Cuanto más le des, más precisa será cada ejecución posterior. Los informes dejan de sonar como IA genérica y empiezan a sonar como tu trabajo.
1Captura este documento como una Skill reutilizable. Identifica qué lo hace funcionar:2- estructura y orden de secciones3- tono y registro de voz4- profundidad de análisis por sección5- el ritmo de escritura y las decisiones de formato6Guárdalo como "[nombre]". Luego produce un nuevo documento sobre [tema diferente]7usando la Skill capturada: iguala el nivel de calidad, no el contenido.
08. Convierte la retroalimentación de verificación en una regla permanente
El paso 5 detecta un error una vez. El paso 8 asegura que el enjambre nunca lo vuelva a cometer. Toma la lista de correcciones de Opus y no solo parchees la salida: incorpora la lección en un archivo de restricciones a nivel de proyecto que Kimi lea automáticamente al inicio de cada sesión.
Este es el ciclo aprendiendo de sus propios fallos. La desviación que Opus señaló en la ejecución #1 se convierte en una regla estricta en la ejecución #2.
Después de unos pocos proyectos, tu archivo de restricciones se convierte en documentación viva que se aplica a sí misma, y la puerta de verificación tiene cada vez menos que detectar.
1# RESTRICCIONES.md — cargado automáticamente2- cada cifra afirmada debe rastrearse hasta una fuente primaria o marcarse3- sin resolución silenciosa de conflictos — muestra las contradicciones4- [regla destilada de la retroalimentación de Opus en la última ejecución]5- [el error que nunca quieres repetir]6Bloqueo de alcance: no toques nada fuera del bloque ALCANCE del spec.
09. Reproduce la Skill con nuevos inputs — observa cómo colapsa el costo
Ahora la recompensa. La ejecución #2 no comienza desde cero. Comienza desde la Skill, el conocimiento del enjambre y el archivo de restricciones que construiste en los pasos 6–8.
Mismo flujo de trabajo, archivos nuevos, una fracción de la configuración.
Aquí es donde "acumulación" deja de ser una palabra de moda y aparece en la factura. La primera ejecución de monitoreo competitivo toma un spec completo y una pasada de verificación.
La cuarta es un prompt de 30 segundos contra la Skill guardada, y la salida es más precisa porque hereda cada corrección de las ejecuciones anteriores.
1Ejecuta la Skill guardada "[nombre]" sobre estos nuevos inputs.2Aplica RESTRICCIONES.md. Usa el formato de salida capturado.3[adjunta archivos nuevos]4Reporta solo las desviaciones de la forma esperada de la Skill.
20 minutos en la ejecución uno. 30 segundos en la ejecución cincuenta. Esa brecha es la razón completa para construir un ciclo en lugar de un prompt.
10. Promueve el ciclo a un agente de fondo
El movimiento final: una vez que un ciclo es estable y está respaldado por una Skill, dejas de lanzarlo manualmente.
Apúntale a Kimi al disparador —un cronograma, una nueva llegada de archivos, la página de precios de un competidor— y deja que ejecute todo el ciclo de forma proactiva, mostrando solo el entregable y las desviaciones.
El monitoreo competitivo es el ejemplo claro.
La ejecución #1 la construyes y verificas manualmente. Para cuando es un agente de fondo, está revisando a cada competidor en paralelo semanalmente y dejando un breve en tu bandeja de entrada con cero costo de tiempo marginal.
El único humano que queda en el ciclo es la pregunta que estableces y la decisión que tomas sobre la respuesta.
1Ejecuta la Skill "[nombre]" en un cronograma semanal.2Disparador: [cronograma / archivo nuevo / URL monitoreada]3En cada ejecución: ejecuta el enjambre, aplica RESTRICCIONES.md,4verifica, luego entrega la SALIDA + un diff contra la última ejecución.5Solo notifícame si una desviación supera [umbral].
Conclusión:
Mientras los laboratorios cerrados siguen lanzando un chatbot más inteligente a la vez, un modelo abierto está ejecutando 300 agentes en paralelo, y se vuelve más inteligente a nivel de sistema con cada ejecución que le das.
Ya hemos visto esta huella exacta una vez. Un lanzamiento abierto replantea lo que la frontera cerrada creía poseer, y todo el campo se recalibra de la noche a la mañana. Sucedió con DeepSeek.
Un enjambre autoaprendizaje en un modelo de pesos abiertos tiene la misma forma.
Los constructores que todavía discuten qué modelo "ganó" están respondiendo una pregunta que dejó de importar.
La pregunta ahora no es qué modelo es el más inteligente. Es cuántos puedes ejecutar a la vez, quién revisa su trabajo, y si tu configuración es más precisa hoy que ayer.
La mayoría leerá esto y seguirá usando Kimi como una ventana de chat. Unos pocos construirán el ciclo esta semana. La primera ejecución toma 20 minutos. Cada ejecución después de esa es apalancamiento que posees.
Constrúyelo. Verifícalo. Destíllalo. Luego míralo volverse más barato y más preciso cada vez que lo ejecutes.
