Un experimento práctico evalúa cómo once modelos de lenguaje —cinco occidentales (GPT-5.4, GPT-5.5, Gemini-3.1-pro, Opus-4.7 y Fable-5) y seis chinos (DeepSeek-4-pro, GLM-5.1, Kimi-2.6, MiMo-2.5-pro, Qwen-3.6-plus y Qwen-3.7-max)— proponen refactorizar un nodo 'dios' dentro de un agente LangGraph real. El nodo original, llamado 'plan', concentraba unas 350 líneas de lógica: bucles de iteración, preguntas de arranque sobre región y moneda, descomposición proactiva de campos, ensamblaje de recetas de adquisición, preparación de esquemas, límites del calculador, recuperación tras cálculos bloqueados, enrutamiento general de recolección de datos, lógica de auto-finalización, planificación con LLM, descomposición posterior al modelo, redirección y normalización de decisiones, reintentos por campo, corrección de decisiones de cálculo, gestión de estado y registro de eventos. El autor pidió a cada modelo una propuesta para elevar esa lógica oculta al nivel del grafo y, después, que cada uno evaluara las propuestas de los demás. Para evitar contaminaciones cruzadas, cada propuesta se generó en sesión limpia sin ver el trabajo ajeno, y cada análisis vio todas las propuestas pero ninguna otra crítica. Todas las pruebas se ejecutaron en OpenCode con el plugin Oh My OpenCode, al máximo esfuerzo de razonamiento. Las primeras propuestas muestran enfoques variados: Fable-5 plantea dividir 'plan' en tick, prepare, select, decide y guard; GPT-5.5 aboga por extraer con disciplina preparación de esquema, normalización de decisiones, reintentos y política del calculador; Gemini-3.1-pro opta por una versión muy granular que pliega casi todas las comprobaciones deterministas en un nodo 'evaluate_rules'; Kimi-2.6 propone una canalización detallada con arranque, puerta del calculador y adquisición de tareas separadas; mientras que GLM-5.1 se inclina por un cambio mínimo y conservador. El artículo cierra con tres métodos que el autor ensayó para decidir a cuál de los modelos confiar la crítica arquitectónica.
Noticias agregadas con IA