Un agente que espera una compilación no necesita mantener un proceso bloqueado durante toda la espera. Esa es la idea de Infinity, un entorno de ejecución experimental del proyecto Hydro, impulsado por AWS y la Universidad de California en Berkeley. El anuncio del 23 de octubre de 2026 acompaña la publicación del código bajo Apache 2.0.
Puede resultar útil para estudiar agentes que reaccionan a resultados, temporizadores o aprobaciones durante periodos largos. Es una primera publicación de investigación, no el anuncio de disponibilidad general de un servicio gestionado de AWS. Y su cifra más llamativa —75.000 agentes en la memoria de una Raspberry Pi— necesita explicar cómo se obtuvo.
Guardar el estado y terminar la ejecución
Infinity divide el trabajo en fragmentos de ejecución. Cada fragmento carga el historial, solicita una respuesta al modelo, guarda la salida y despacha como máximo una llamada a una herramienta. Después termina sin quedarse esperando su resultado. Cuando este llega como mensaje a una cola, comienza otro fragmento que recupera la conversación.
Los mensajes de una conversación se procesan en orden, de uno en uno; conversaciones diferentes pueden avanzar en paralelo. Guardar el historial permite soltar el proceso, pero los datos siguen ocupando almacenamiento.
Por ejemplo, imaginemos un agente que inicia unas pruebas de veinte minutos. Puede conservar el contexto y terminar su invocación; al recibir el resultado, reanuda la conversación para decidir el siguiente paso. Es un ejemplo hipotético, no un experimento de Puntoes. Las pruebas continúan consumiendo recursos mientras se ejecutan y las llamadas al modelo mantienen su coste.
Qué demuestra realmente la cifra de 75.000 agentes
Los autores describen una prueba con 80.000 agentes y un modelo simulado, ejecutada en un solo hilo de un servidor AMD EPYC 9R14, con almacenamiento en memoria. Cada agente realizó veinte turnos; las respuestas simuladas rondaban 1,2 KB. La memoria creció aproximadamente 100 KB por agente inactivo.
A partir de esa relación proyectan que unos 75.000 cabrían en 8 GB, la memoria de una Raspberry Pi 5. La medición descrita se hizo en el servidor AMD: no acredita ejecutar 75.000 agentes con modelos reales en una Raspberry Pi, ni medir su calidad, latencia o factura de inferencia.
Es un resultado del equipo investigador sobre la sobrecarga del runtime y los historiales de ese ensayo. Conversaciones mayores, otras herramientas y modelos reales cambian el problema. Puntoes ha leído la metodología publicada, pero no ha reproducido la prueba.
Ejecución local y persistencia no son sinónimos
El repositorio presenta un framework en Rust. El inicio rápido usa Cargo, las dependencias infinity-agent-core e infinity-provider-bedrock de la rama 0.2 y Tokio. Su ejemplo necesita credenciales de AWS y acceso al modelo de Bedrock en la región correspondiente.
Los almacenes en memoria del ejemplo conservan el estado durante la vida del proceso. No bastan para prometer recuperación después de apagarlo: esa propiedad depende del almacenamiento y de la cola que se elijan.
La referencia de despliegue en Lambda incorpora infraestructura adicional. El anuncio describe SQS FIFO para ordenar mensajes por conversación, Aurora DSQL para historiales y DynamoDB para deduplicación. Los identificadores estables permiten reconocer mensajes repetidos; no debemos convertir esa propiedad en una garantía universal de que cualquier efecto externo ocurrirá exactamente una vez.
Coste, eventos y preguntas abiertas
En Lambda, la invocación termina cuando acaba el fragmento. Evitar una invocación abierta durante la espera no elimina el coste de almacenamiento, colas, herramientas o modelos. La licencia Apache 2.0 del código tampoco concede servicios cloud gratuitos. No hemos desplegado esta infraestructura ni realizado llamadas de pago.
El equipo también explora representar eventos asíncronos como llamadas sintéticas vinculadas a su petición original. Mantener ese vínculo no demuestra que el contenido recibido sea auténtico. El anuncio deja abiertas cuestiones sobre procedencia de eventos, prioridades, razonamiento ante eventos intercalados y compactación de conversaciones extensas.
Para evaluar Infinity, el punto de partida sería comprobar qué estado debe sobrevivir, cómo se autentican los resultados y qué ocurre ante fallos y reintentos. Como antecedente sobre cooperación entre agentes, publicamos el análisis de Agensh; no es una comparación de rendimiento entre ambos proyectos.