Efficient Tokens & Effective Teams in Buzz

Puntos clave

1. Fecha / fuente. 6 de agosto de 2026, engineering.block.xyz, firmado por Atish Patel. Mediciones en Harbor, agentes Buzz reales en un relé en vivo, un intento por tarea, sin reintento, precios a fecha de 30-07-2026.
2. Encuadre clave. la pregunta planteada no es "cuál es el mejor equipo" sino "cuál es el más barato que tiene éxito de forma fiable". Todos los hallazgos se derivan de eso. ### Resultado negativo en tareas cortas En Terminal-Bench 2.1, doce composiciones — parejas, tríos, enjambres baratos bajo un líder frontier — se enfrentaron al agente solo en torno al cual cada una fue construida: ninguna lo superó a igualdad de costo. La razón señalada es estructural: una tarea que termina en minutos no tiene suficiente estructura para dividirse, y "más agentes compra sobre todo el costo de explicarlo dos veces." Regla resultante: no montar un equipo para trabajo corto y bien especificado. Contrapeso empírico a la entrada de lanzamiento [[longwell-block-buzz-workspace-agents-nostr-2026-07-21]]. ### El horizonte invierte el resultado Long-Horizon Terminal-Bench, 44 tareas, líder GPT-5.6 Sol con esfuerzo high para todas las alineaciones: | Alineación | Tareas terminadas /44 | Puntuación | |---|---|---| | SmartBee solo | 15 | 59,1% | | + 2 QuickBees | 19 | 64,1% | | + 1 QuickBee + 1 WorkerBee | 19 | 69,5% | | + 2 WorkerBees | 20 | 71,5% | +12,4 puntos, de los cuales 11,4 son finalizaciones adicionales: el equipo no rinde mejor, termina el trabajo. Tres salvedades: ejecuciones con 3× el timeout (incluido el agente solo), costo de equipo no publicado, n=1 por tarea. Criterio de decisión propuesto por la entrada: el equipo justifica su costo adicional "cuando la alternativa es que un humano retome un trabajo inacabado". ### El techo de rendimientos decrecientes del precio En solitario en Terminal-Bench 2.1, Opus 5 con esfuerzo xhigh = 140,63 $ para un 75,0%, la ejecución más cara, por detrás de seis ejecuciones entre 20,08 $ y 109,82 $ (79,5% a 88,4%). Causa señalada: sobrerrazonamiento, con 17 de 88 tareas alcanzando el timeout. Esto es ante todo un artefacto de tiempo real — una propiedad de la combinación modelo × harness × timeout, no una medida de capacidad bruta. Lo que sigue siendo procesable: "Pagar más deja de ayudar, y luego empieza a perjudicar", y un SmartBee con esfuerzo medium basta para la mayoría de las tareas. Entre las seis mejores ejecuciones: una brecha de precio de 5,5× para una brecha de puntuación de 8,9 puntos, que la entrada trata como un empate dado este tamaño de muestra. "Todo lo que va de Terra con esfuerzo medium hacia arriba es el mismo agente en lo que estas tareas pueden distinguir. Lo cual es una buena noticia, porque significa que elegir entre ellos no es en absoluto una decisión de calidad. Es una decisión de presupuesto." Alcance limitado a este benchmark, estos precios y este harness. ### Esfuerzo de razonamiento: la disyuntiva se invierte según el nivel En un modelo barato, aumentar el esfuerzo es la mejor inversión: Luna medium = 1,61 $ / 57,3% → Luna high = 4,98 $ / 75,0%. En un modelo de frontera, aumentar el esfuerzo cuesta más y degrada el resultado. | Nivel | Esfuerzo recomendado | Trabajo | Ejemplos citados | |---|---|---|---| | QuickBee | max / xhigh / high | builds, capturas de pantalla, batería de tests, triaje de primera pasada | GPT-5.6 Luna, DeepSeek V4 Flash, modelos locales | | WorkerBee | high / xhigh | un subconjunto completo de extremo a extremo, sin supervisión | GPT-5.6 Terra, Gemini 3.6 Flash, modelos abiertos | | SmartBee | medium | visión de conjunto, compromisos, absorción de escaladas | Claude Opus 5, Kimi K3, GPT-5.6 Sol | | Humano | — | "La abeja más cara del equipo, y la más lenta. También, sigue siendo la más inteligente." | — | El punto de inversión depende de los timeouts locales: volver a probar antes de generalizar. ### Hive o Swarm: ¿qué debería recordar el equipo?
3. Hive. — un equipo permanente de agentes con nombre, cada uno con un rol y una memoria de las preferencias del usuario. Argumento acumulativo: "La segunda vez que revisa el código de tu compañero, sabe qué detalles menores dejas pasar. La décima vez, ponerlo al día es más rápido que ponerlo al día a una persona."
4. Swarm. — un equipo desechable para un proyecto con inicio y fin (migración, actualización de framework, refactor grande), que acumula una memoria del proyecto y luego se elimina. Criterio de elección: ¿el sujeto a recordar es el usuario, o el proyecto? Requisito previo asumido: el agente es un asiento, no una sesión — nombre, persona, memoria, presencia propia en el canal. ### Topología de escalado Diagnóstico: "El modo de fallo de las herramientas de agentes no es que el trabajo sea malo, es que cada ambigüedad se convierte en una notificación." El coordinador SmartBee absorbe la rutina (test inestable, importación ambigua, configuración movida) y escribe las respuestas humanas en memoria, de modo que supervisar el Swarm se vuelve más barato con el tiempo. "El humano deja de ser un intermediario y vuelve a ser el último revisor." Pregunta calificadora para hacer sobre cualquier herramienta multiagente: ¿adónde van las escaladas, y aprende la herramienta de las respuestas? ### Testimonio de migración Leigh Maddock, Ingeniero en Block: "Migré más de 2000 aplicaciones/proyectos usando Buzz y un Swarm de agentes", con 1 coordinador, de 1 a 10 migradores en paralelo, y 1 verificador independiente, gestionando el coordinador la mayoría de las escaladas. Testimonio, no una medición: sin duración, sin costo, sin tasa de fallos, sin definición de "migrado". El patrón sigue siendo transferible — la misma forma que los minions de un solo intento descritos en [[gray-stripe-minions-coding-agents-part1-2026-02-09]], con la adición del verificador independiente y la memoria de escalado. ### Composiciones listas para usar | Caso | Composición | |---|---| | Revisión de PR | SmartBee que revisa el PR + QuickBee que compila localmente y genera capturas de pantalla | | Triaje de tests inestables | QuickBee que vuelve a ejecutar los tests y recopila evidencia + SmartBee que decide | | Trabajo corto | un único agente, posiblemente un QuickBee en tareas relacionadas pero distintas | Denominador común: el nivel caro lee y decide, el nivel barato ejecuta y recopila evidencia. ### Posicionamiento comercial Buzz acepta suscripciones a Claude Code y Codex, modelos abiertos y modelos locales: "No estás atado a un solo proveedor ni obligado a asignar cada tarea al modelo más caro por pereza." La composición predeterminada propuesta es explícitamente tri-proveedor. La tesis "el mejor modelo no siempre es el adecuado" es cierta y comercialmente útil para quien vende el componente en lugar del modelo. Véase también [[paymentsdive-block-dorsey-pricing-ia-2026-08-06]]. ### Condiciones experimentales, a copiar si se repite el ejercicio Harbor; agentes Buzz reales en un relé en vivo ("Ninguno de los resultados siguientes se midió en un banco de pruebas reducido"); un intento por tarea, sin reintento, con timeouts; LHTB con 3× el timeout, incluido el agente solo; precios a fecha de 2026-07-30; Kimi K3 y DeepSeek V4 Flash no soportan el esfuerzo medium. Sin intervalo de confianza, n=1 — la propia entrada reconoce el empate entre seis ejecuciones como un efecto del tamaño de muestra. Tratar estas cifras como órdenes de magnitud.