En esta página
Respuesta rápida
Respuesta rápida
Elija RabbitMQ cuando los agentes se pasen trabajos que duran segundos o minutos y no se pueden perder: la confirmación (ack) por mensaje, la reentrega, los timeouts de consumidor, el dead-lettering y el enrutamiento por exchange son funciones del broker, y Direct Reply-To cubre el request-reply. Elija Kafka cuando el historial de eventos sea el producto: los agentes leen y hacen replay de un log retenido, el procesamiento de streams funciona junto a él y Kafka 4.2 dejó los share groups listos para producción para trabajo tipo cola. Elija NATS cuando los agentes estén repartidos entre nubes, sedes y dispositivos y la mayor parte del tráfico sea request-reply o fan-out, con JetStream añadiendo persistencia donde haga falta. Nada le impide usar dos: un log para eventos y una cola para trabajo.
RabbitMQ, Kafka y NATS frente a lo que necesitan los sistemas de agentes
| RabbitMQ | Apache Kafka | NATS con JetStream | |
|---|---|---|---|
| Traspaso de tareas | Confirmación (ack) por mensaje; los mensajes sin confirmar (unacked) vuelven a la cola al cerrarse un canal | Offsets por partición; los share groups añaden accept, reject y, desde 4.2, renew por registro | Los consumidores de JetStream confirman cada mensaje; Core NATS no tiene confirmaciones |
| Trabajo de larga duración | Timeout de consumidor, 30 minutos por defecto, configurable por cola o por consumidor | Bloqueo de registro en share groups, 30 segundos por defecto, ampliable con renew | AckWait, 30 segundos por defecto, reiniciado con confirmaciones de trabajo en curso |
| Mensajes envenenados | Las colas de quórum (quorum queues) envían a dead-letter tras 20 entregas por defecto | Los share groups se detienen tras 5 intentos de entrega por defecto | MaxDeliver y backoff por consumidor; term pone fin a los reintentos |
| Petición-respuesta | Integrado: Direct Reply-To, sin cola de respuesta | No integrado; se correlacionan en el código los topics de petición y respuesta | Integrado: respuestas a un subject _INBOX, con señal de no-responders |
| Enrutamiento | Exchanges de tipo topic y headers; los bindings cambian sin tocar a los productores | Topic y clave de partición; el filtrado se hace en los consumidores | Jerarquía de subjects con comodines; los queue groups reparten la carga |
| Replay | Los streams permiten replay; las colas borran al confirmar | Diseño central: log retenido, siete días por defecto | Los streams hacen replay desde el inicio, una secuencia o un instante |
| Orden | La cola mantiene el orden de publicación; las reentregas pueden llegar desordenadas | Dentro de una partición | Número de secuencia del stream por mensaje almacenado |
| Contrapresión (backpressure) | Prefetch por consumidor; los publicadores se bloquean mediante control de flujo y alarmas | Los consumidores leen a su propio ritmo | MaxAckPending, 1.000 por defecto |
Qué pide un sistema de agentes a un broker
Los protocolos de agentes no sustituyen al broker. El Model Context Protocol define dos transportes estándar, stdio y Streamable HTTP, y admite otros personalizados, de modo que las llamadas a herramientas entre un agente y un servidor MCP suelen viajar por stdio o HTTP y no a través de un broker. El broker transporta lo que las rodea: trabajos encolados para workers, resultados devueltos al agente que los pidió, eventos distribuidos a otros agentes y un registro de lo ocurrido. Cada uno corresponde a una propiedad del broker: confirmación (ack) y reentrega, request-reply, enrutamiento, y retención con replay.
Traspaso de tareas y trabajo de larga duración
Las tareas de agentes son lentas, porque un solo paso puede esperar minutos a un modelo. RabbitMQ conserva una entrega hasta que el consumidor la confirma y la devuelve a la cola si el consumidor desaparece o supera el timeout de consumidor, que RabbitMQ 4.3 permite definir por cola o por consumidor en las colas de quórum (quorum queues). El prefetch limita cuántos trabajos retiene un worker. Los equipos de Python suelen llegar aquí a través de Celery; nuestra guía de Celery y RabbitMQ para colas de tareas de LLM explica la configuración.
Los grupos de consumidores (consumer groups) de Kafka registran un offset confirmado por partición, así que un registro lento suele retrasar a los que van detrás en esa partición. Los share groups, listos para producción en Kafka 4.2, permiten que varios consumidores trabajen sobre las mismas particiones con confirmación por registro y recuento de entregas; el bloqueo del registro es de 30 segundos por defecto, configurable hasta una hora, y 4.2 añadió una confirmación renew para procesamientos más largos. NATS JetStream reentrega tras AckWait, 30 segundos por defecto, y una confirmación de trabajo en curso reinicia el temporizador en trabajos largos. Un stream WorkQueue borra cada mensaje tras una confirmación.
Request-reply para llamadas a herramientas
Cuando un agente llama a una herramienta a través de un broker, necesita recibir la respuesta. NATS incluye request-reply en su protocolo base: el cliente crea un subject privado _INBOX, quien responde contesta en él y, si no hay nadie suscrito, el servidor avisa al instante de que no hay respondedores en lugar de dejar que la llamada agote el timeout. El Agent Protocol for NATS de código abierto de Synadia construye sobre estas primitivas el descubrimiento de agentes, las respuestas en streaming y los heartbeats, y documenta su entrega como at-most-once. Direct Reply-To de RabbitMQ entrega las respuestas en el canal de quien pide sin crear una cola de respuesta, lo que mantiene barato el request-reply con decenas de miles de clientes. Kafka no tiene primitiva de request-reply; las aplicaciones combinan un topic de petición con uno de respuesta y correlacionan ellas mismas los mensajes.
Enrutamiento por capacidad
El enrutamiento decide qué agente o grupo de workers recibe una tarea: por habilidad, modelo, tenant o clase de GPU. RabbitMQ lo hace en el broker. Un topic exchange compara claves de enrutamiento como agent.summarize.gpu con bindings que usan los comodines * y #, de modo que un nuevo agente especializado es solo un nuevo binding y los productores no cambian. Los subjects de NATS ofrecen una flexibilidad similar con los comodines * y >, y los queue groups reparten las peticiones entre instancias de un mismo agente. Kafka enruta por topic y clave de partición; la selección más fina se hace en los consumidores o en el procesamiento de streams, lo que encaja mejor con el fan-out de eventos que con el reparto de tareas individuales.
Replay, orden y contrapresión (backpressure)
El replay importa cuando un nuevo agente debe ponerse al día con el historial o hay que auditar una ejecución. Es el diseño central de Kafka: los registros permanecen hasta que la retención los elimina, siete días por defecto, y cada grupo de consumidores lee desde su propio offset, en orden dentro de una partición. Los streams de RabbitMQ y los de NATS JetStream ofrecen lecturas no destructivas y replay; las colas de RabbitMQ borran los mensajes una vez confirmados. En cuanto a contrapresión (backpressure), RabbitMQ limita las entregas sin confirmar por consumidor y bloquea a los publicadores rápidos mediante control de flujo, JetStream limita los mensajes en vuelo con MaxAckPending y los consumidores de Kafka simplemente leen a su ritmo mientras el log absorbe los picos.
Herramientas de IA en torno a cada broker
Los proveedores ya ofrecen herramientas para agentes sobre estos brokers. Descritas a partir de las páginas de cada proveedor:
- Confluent: Streaming Agents son agentes orientados a eventos que se ejecutan sobre Flink en Confluent Cloud, con llamadas a herramientas MCP y replay para depuración. Su servidor MCP de código abierto permite a los asistentes de IA trabajar con Confluent Cloud, Confluent Platform y Apache Kafka; también existe una versión totalmente gestionada.
- Synadia, la empresa detrás de NATS: el Agent Protocol for NATS de código abierto y SDK de agentes para Python y TypeScript.
- Solace: Solace Agent Mesh, una plataforma de desarrollo y ejecución de agentes sobre el broker de eventos de Solace, con un framework de código abierto y soporte para A2A y MCP.
- StreamNative: Orca Agent Engine, en preview privada, ejecuta agentes de Google ADK y OpenAI Agents SDK sobre topics de Pulsar y Kafka en StreamNative Cloud.
- Redis: Redis Agent Memory, en preview, almacena la memoria de sesión y a largo plazo de los agentes. Es un servicio de memoria, no un broker.
Los agentes acceden a RabbitMQ mediante sus clientes y protocolos estándar, como AMQP 0-9-1, AMQP 1.0 y MQTT, y mediante frameworks de tareas como Celery.
Redis Streams, Pulsar y colas en la nube
Redis Streams ofrece grupos de consumidores, confirmaciones y reclamación de entradas bloqueadas, suficiente para un traspaso de tareas ligero donde ya se usa Redis; la durabilidad depende de la configuración de persistencia. Apache Pulsar ofrece suscripciones Shared y Key_Shared con confirmaciones individuales y negativas, más cercanas a la semántica de colas que los consumidores clásicos de Kafka. Amazon SQS no necesita ningún broker, pero un mensaje permanece invisible como máximo 12 horas mientras un consumidor lo procesa y se conserva como máximo 14 días.
Cuándo gana cada uno
- ¿Los agentes se pasan trabajos largos y costosos que no se pueden perder? RabbitMQ con colas de quórum (quorum queues), o share groups de Kafka si Kafka ya es la plataforma.
- ¿Llamadas a herramientas y peticiones entre agentes a través de nubes, sedes y dispositivos? NATS.
- ¿Los agentes reaccionan a eventos de negocio y los nuevos agentes deben hacer replay del historial? Kafka.
- ¿Enrutar por habilidad, modelo o tenant sin cambiar los productores? Exchanges de RabbitMQ o subjects de NATS.
- ¿Un equipo pequeño que quiere un único sistema ligero para mensajería, persistencia y almacén clave-valor? NATS con JetStream.
Consulte RabbitMQ para cargas de trabajo de IA y la guía de RabbitMQ para agentes de IA para profundizar en RabbitMQ. AceMQ ofrece soporte 24/7 de RabbitMQ y soporte de Kafka, así que el consejo no depende del broker que elija.
Cómo hemos hecho la comparativa
Comparamos RabbitMQ, Apache Kafka y NATS con JetStream en ocho aspectos que un sistema de agentes pide a un broker: traspaso de tareas, trabajo de larga duración, poison messages, request-reply, enrutamiento, replay, orden y contrapresión (backpressure). Los datos proceden de la documentación de cada proyecto y de las páginas de cada proveedor, revisadas el 10 de octubre de 2026. Las herramientas de IA en torno a cada broker se tratan en una sección aparte, separada del comportamiento de entrega del broker. Los valores por defecto y las herramientas cambian rápido, así que confírmelos para la versión que vaya a usar.
Preguntas frecuentes
¿Cuál es el mejor broker de mensajería para agentes de IA?
Depende del tráfico. RabbitMQ encaja en el traspaso de tareas con confirmaciones y enrutamiento, Kafka en streams de eventos que los agentes reproducen con replay, y NATS en request-reply y fan-out entre sedes distribuidas. Algunos sistemas combinan un log y una cola.
¿Se puede usar Kafka como cola de tareas para agentes de IA?
Sí, mediante share groups, listos para producción desde Kafka 4.2. Añaden confirmación por registro, recuento de entregas y renovación del bloqueo, de modo que varios consumidores pueden procesar registros de las mismas particiones.
¿Garantiza NATS la entrega de los mensajes de los agentes?
Core NATS entrega como máximo una vez a los suscriptores conectados en ese momento. JetStream añade almacenamiento, confirmaciones, reentrega y replay.
¿Necesitan los agentes de IA un broker de mensajería si usan MCP?
MCP define cómo habla un agente con un servidor de herramientas, por stdio o HTTP. Un broker sigue siendo útil para encolar trabajos largos, distribuir eventos y conservar un registro que admita replay.