Los agentes de IA se han vuelto glotones. Cada vez que quieres que uno realice una tarea, la práctica habitual es volcarle en el contexto la descripción de todas las herramientas que podría llegar a usar —decenas, cientos o miles de funciones— para que elija. Eso funciona con cuatro herramientas; con dos mil, el coste en tokens se dispara y el modelo empieza a equivocarse de puro ruido.
Un equipo de investigadores de Alibaba propone una alternativa llamada SkillWeaver. La idea es tan sencilla de enunciar como difícil de ejecutar bien: en lugar de enseñarle al agente el catálogo completo, recuperar sobre la marcha solo las herramientas relevantes para cada subtarea. En su propio banco de pruebas, el ahorro es brutal —de unos 884.000 tokens por consulta a apenas 1.160, más de un 99% menos— y, de paso, el agente acierta más. Ahora bien, conviene leer la letra pequeña antes de emocionarse.
El problema: no puedes meter 2.209 herramientas en el contexto
Un agente de IA no “sabe” hacer cosas por sí mismo: llama a herramientas externas —buscar en la web, mandar un correo, consultar una base de datos, crear un evento— que hoy suelen exponerse mediante el estándar MCP (Model Context Protocol). El enfoque clásico consiste en describirle al modelo todas esas herramientas de golpe, dentro del propio prompt, para que decida cuáles encadenar.
El problema es de escala. Cada descripción de herramienta ocupa tokens, y una biblioteca realista puede tener miles. En el experimento de Alibaba se usaron 2.209 herramientas reales procedentes de servidores MCP: cargarlas todas suponía llenar la ventana de contexto con cientos de miles de tokens antes siquiera de empezar a trabajar. Eso encarece cada llamada, la ralentiza y —lo más contraintuitivo— empeora los resultados, porque el modelo se pierde entre tanta opción irrelevante.
Es exactamente el tipo de cuello de botella que aparece cuando pasas de un juguete a un sistema de verdad. Si quieres ver cómo se monta un agente que llama a herramientas paso a paso, lo explicamos en cómo crear un agente de IA de investigación web en local.
Cómo funciona: descomponer, recuperar y componer
SkillWeaver ataca el problema en tres fases, en lugar de soltarle todo al modelo de una vez:
- Descomponer. Un LLM parte la petición del usuario (“organízame el viaje y avisa al equipo”) en subtareas manejables.
- Recuperar. Para cada subtarea, un modelo de embeddings busca en la biblioteca solo las herramientas candidatas que encajan, en lugar de exponer las 2.209. Esta búsqueda es rapidísima: por debajo de 15 ms una vez indexada.
- Componer. El sistema evalúa qué herramientas son compatibles entre sí y arma un grafo dirigido acíclico (DAG) con el plan de ejecución: qué se hace primero, qué depende de qué.
La pieza más interesante es lo que los autores llaman descomposición iterativa consciente de las habilidades (Iterative Skill-Aware Decomposition, SAD). En vez de descomponer una sola vez y rezar, el sistema reescribe su propia descomposición a la vista de las herramientas que ha encontrado. Si trocea la tarea demasiado fino o demasiado grueso para lo que la biblioteca puede ofrecer, ajusta la granularidad y vuelve a intentarlo. Ese bucle de realimentación es lo que dispara la precisión: la descomposición pasa del 51% inicial al 67,7% solo con SAD, y hasta el 92% con un modelo grande.
Los números
Para medirse, el equipo construyó su propio banco de pruebas, CompSkillBench: 300 consultas compuestas (de varios pasos) sobre esas 2.209 herramientas reales de servidores MCP. Estos son los resultados que reporta:
| Concepto | Enfoque tradicional (cargar todo) | Con SkillWeaver |
| Tokens de contexto por consulta | ~884.000 | ~1.160 |
| Precisión al descomponer la tarea | 51% | 92% (con Qwen-Max) |
| Herramientas expuestas al modelo | Las 2.209 del catálogo | Solo las relevantes por subtarea |
| Recuperación de herramientas | No aplica | Menos de 15 ms una vez indexada |
La cifra que se lleva el titular es la del contexto: pasar de unos 884.000 tokens por consulta a alrededor de 1.160 es un recorte de más del 99%. Y no es solo cuestión de coste: al quitar de en medio el ruido de miles de herramientas irrelevantes, el agente también acierta más al planificar. Como referencia del punto de partida, un enfoque ReAct clásico obtuvo un 0% de precisión al descomponer estas tareas de varios pasos: sencillamente no estaba pensado para este tipo de encadenamiento a gran escala.
Que ahorrar contexto y ganar precisión vayan de la mano es lo que hace atractiva la propuesta. Es la misma idea que subyace a buena parte del "agentic coding": darle al modelo justo lo que necesita, cuando lo necesita, y no un vertedero de opciones.
La letra pequeña: qué falta antes de celebrarlo
Antes de dar por hecho que los agentes van a costar mil veces menos mañana, conviene bajar las expectativas. SkillWeaver es, por ahora, un trabajo de investigación, y arrastra las limitaciones típicas de esa etapa:
- Sin código público. Los autores no han liberado el código. Sí comparten las plantillas de prompts para reproducir la idea con librerías como LangChain o LlamaIndex, pero no hay un paquete listo para producción.
- Banco de pruebas propio. Tanto el 99% de ahorro como el 92% de precisión salen de CompSkillBench, construido por el propio equipo de Alibaba. La cifra de referencia (884.000 tokens) asume el peor caso —cargar la descripción de las 2.209 herramientas— que no todos los sistemas reales sufren igual. Falta validación independiente.
- Le faltan piezas de ingeniería. No hay recuperación de errores si un paso del plan falla, ni un mecanismo de reranking que afine del top-10 al top-1 en la búsqueda de herramientas. En pruebas con ejecutores simulados, la tasa de cadenas completadas se quedó en un 76,7%.
- Es una pieza estrecha. SkillWeaver resuelve una cosa —seleccionar herramientas sin inflar el contexto— muy bien, pero no es un marco de orquestación completo. Frameworks como LangGraph, Pydantic AI, el ADK de Google o BeeAI ofrecen control de errores, despliegue y producción que a este trabajo todavía le faltan.
No deja de ser otra señal de la apuesta china —y de Alibaba en particular— por la IA a bajo coste, en la línea de cómo China acelera para reemplazar a Nvidia con chips propios. Si la eficiencia es el nuevo campo de batalla, ahorrar el 99% de los tokens es justo el tipo de titular que buscan.
Fuentes
