MyShell no depende de un único modelo: están orquestando múltiples modelos especializados en distintos dominios: generación de imágenes, síntesis de voz, procesamiento de video, ejecución de código, agentes autónomos e integración de herramientas.

El verdadero desafío de la ingeniería no es elegir el mejor modelo para cada tarea. Es construir la capa de orquestación que hace que funcionen juntos de forma fluida. Piensa en protocolos de comunicación entre modelos, el traspaso de contexto entre modalidades, la optimización de la latencia al encadenar modelos y la gestión de fallos de manera elegante cuando uno de los modelos del pipeline se rompe.

Este es el problema de la arquitectura de un agente multimodal: ¿cómo coordinar la salida de un modelo de visión para alimentarla a un modelo de voz, y luego activar un agente de ejecución de código, manteniendo un contexto coherente? La complejidad escala exponencialmente con cada modalidad añadida.