Cord es un nuevo enfoque para coordinar agentes de IA, diseñado para superar las limitaciones de los frameworks existentes como LangGraph, CrewAI, AutoGen y OpenAI Swarm. Estos frameworks tradicionales requieren que los desarrolladores predefinan la estructura de coordinación (flujos de trabajo, roles de agentes, patrones de entrega), lo que limita la flexibilidad y la capacidad de adaptación a situaciones imprevistas. Cord, en cambio, permite que los propios agentes construyan la estructura de coordinación en tiempo de ejecución, basándose en el objetivo general proporcionado.
La clave de Cord reside en la introducción de dos conceptos fundamentales: 'spawn' y 'fork'. 'Spawn' crea una nueva tarea con un contexto limpio, ideal para tareas independientes y de bajo costo. 'Fork', por otro lado, crea una tarea que hereda el contexto de las tareas relacionadas, permitiendo un análisis más profundo y una toma de decisiones informada. Un ejemplo práctico es la migración de una API: un agente podría 'spawn' tareas para auditar la API actual e investigar las ventajas de GraphQL, y luego 'fork' una tarea para realizar un análisis comparativo que incorpore los resultados de ambas investigaciones, además de solicitar información adicional al usuario (a través de un 'ask' node) para adaptar la recomendación a su contexto específico.
Cord se implementa utilizando Claude Code CLI, un servidor MCP (Message Channel Protocol) y una base de datos SQLite, pero el protocolo subyacente es independiente de estas tecnologías y podría implementarse con otros sistemas. La demostración de que Claude Code entendía intuitivamente los conceptos de 'spawn' y 'fork' sin una instrucción explícita, a través de pruebas iniciales, validó la viabilidad del enfoque. Esto sugiere que los modelos de lenguaje actuales son capaces de comprender y ejecutar protocolos de coordinación complejos, abriendo la puerta a sistemas de IA más adaptables y autónomos. Cord no es una implementación específica, sino una propuesta de protocolo que busca facilitar la coordinación de agentes de IA de manera más eficiente y flexible.