Entender la ingeniería del arnés: la máquina oculta que sostiene a los agentes de IA

Un corto manual técnico sobre agentes de inteligencia artificial cuenta la historia desde la máquina alrededor del modelo, no desde el modelo mismo. Firmado por techNmak, la obra aprieta una sola tesis en 43 capítulos: un modelo de lengua capaz solo no es ningún agente; el montaje de ejecución y control que une un modelo al trabajo en varios pasos se llama un arnés de agente. Anthropic traza la línea limpio: cuando el programa de aplicación dibuja lo esencial del camino es un flujo de trabajo; cuando el modelo elige es un agente. La etiqueta no es entonces la prueba; lo decide la entrada de la salida del modelo en un ciclo controlado con el estado exterior.

El ciclo más chico se escribe con cuatro objetos: estado durable, contexto elegido, salida del modelo y observación. El ciclo gira así: armar el contexto activo, llamar al modelo, volver en una respuesta final, pasar los pedidos de acción por la aprobación y el ruteo, lanzar en el entorno, actualizar el estado con la observación, recomenzar. El ancestro de investigación es ReAct: entrelazar los trazos de razón con las acciones de faena para que las observaciones exteriores formen las llamadas siguientes. El registro ReAct en arXiv cuenta como la idea fundadora de los montajes de hoy; los arneses modernos no tienen que guardar los trazos, guardan la idea: hacer, observar, actualizar, seguir.

La interfaz es la mitad de la decisión: ACI y dibujo de herramientas

Un modelo nunca habla al ordenador, habla a una interfaz. Un montaje sirve herramientas ordenadas que leen archivos por rangos de líneas y aplican parches con las pruebas; otro no sirve más que un shell crudo. Los dos tocan el mismo depósito pero ponen enigmas distintos al modelo. El estudio SWE-agent nombró esto Agent-Computer Interface: nunca suponer que una interfaz hecha para el humano le va al modelo, hacer de la interfaz una variable de prueba. El registro SWE-agent en arXiv daba un resultado histórico para su época; el regalo durable es la pregunta: ¿la capacidad está ahí, o presentada en forma usable?

Una herramienta no es solo programa que corre, es parte de la entrada del modelo: nombre, descripción, argumentos y forma del resultado entran todos al contexto. Anthropic trata por eso el dibujo de herramientas como faena de interfaz: fin claro, parámetros de un sentido, nombres sin choque, resultados de alta señal. El costo se parte en dos: pena de elección más carga de observación. Seis herramientas de búsqueda que se solapan no son riqueza sino un nudo de decisión hinchado. La regla es neta: el número de herramientas no es ninguna medida de un sentido del poder de agente. Cada herramienta añadida abre una conducta nueva a la vez que endurece la elección; es la faena representativa, no el gusto, la que debe fijar el equilibrio.

Una falla es también una observación hacia el modelo. Una cadena Error ciega fuerza la adivinanza; una falla ramificada da la rama, las opciones y la bandera de reintento sin efecto de lado. El ajuste de llamada perdida en el kit agente OpenAI, vuelto falla visible al modelo, se junta por el otro lado con el consejo de error accionable de Anthropic. El principio aguanta: una falla recuperable debe dar con qué elegir un mejor paso siguiente sin fingir el éxito. El protocolo de contexto de modelo entra aquí: ModelContextProtocol es una capa de interoperabilidad entre aplis y capacidades exteriores; la extensión Tasks define mangos de faena async con llamadas tasks/get y tasks/update. Pero la agenda del ciclo, la elección de contexto, la aprobación, el cerco y la nota quedan del lado del arnés; el protocolo no es todo el dibujo.

Cada llamada de modelo ve un contexto finito, y el arnés elige lo que entra: instrucciones, faena, historial, esquemas de herramientas, resultados de herramientas, docs, planes, memoria, reportes de subagentes. Llenarlo todo choca dos muros: la capacidad es finita y la pertinencia importa; la sobra disputa la atención a la prueba útil. El remedio es la divulgación progresiva: bastante para orientar, lo hondo hallable, el detalle cargado a pedido. Los paquetes de habilidad existen por la misma razón: abrir el paquete pertinente de una vez en vez de cada instrucción en cada pedido. Pero una prepublicación 2026 contó 307 fallas confirmadas de paquetes; los paquetes deberían medirse, no suponerse útiles. Y resumir es perder: C(H) nunca es H; los escritos de contexto Anthropic guardan la sesión durable aparte del contexto activo por esta razón.

Aprobación y cerco difieren: cuidado y prueba en producción

La calidad de agente se mueve cuando el arnés se mueve, sin moverse el modelo; el post-mortem Claude Code de abril de 2026 es el caso de escuela. Anthropic lo reporta: con la inferencia sana, tres cambios de capa producto movieron la calidad de usuario; ajustes de razón recortados luego devueltos, un bicho de limpieza de sesión volvía al modelo olvidadizo, una instrucción de fraseo hizo caer una medida 3 por ciento luego volvió. La lección es de arquitectura: armar el pedido, ajustes de razón, guarda del contexto e interfaces de herramientas son parte de la conducta de agente entregada. Subir el modelo dejando las viejas adivinanzas del arnés puestas engendra una pérdida callada.

La aprobación humana y el cerco responden a preguntas distintas. La aprobación guarda los resultados bajo control humano; pero la telemetría Anthropic escribe que los usuarios aprobaban 93 por ciento de los pedidos, y los pedidos frecuentes cansan. El caso más duro es una prueba de fuga controlada de febrero de 2026: un pedido hostil llegado por el usuario sacaba los secretos en 24 ensayos sobre 25. La defensa que aguantó fue las fronteras de archivos y salidas. El principio en una línea: una fuente que nunca entra a la caja de arena no puede leerse ahí. Los secretos deberían descansar fuera de la caja de arena y servir por poderes controlados. La medida AgentDojo traza la misma frontera por el otro lado: los registros AgentDojo en GitHub prueban las instrucciones ocultas en datos de herramientas con 97 faenas realistas y 629 casos de cuidado.

Cuando un agente dice listo, es una afirmación, no una prueba. La prueba fuerte vive en el estado exterior: la primera repro ya no se cae, las pruebas de no-regreso pasan, la apli anduvo de punta a punta. El dibujo tau-bench compara el estado final de base con el estado meta y nota el éxito repetido con pass^k; los registros tau-bench en GitHub ponen este orden abiertamente. Las reglas de parada son también faena de arnés: acabar y secarse no son lo mismo; un presupuesto de turnos gastado nunca prueba la faena hecha. El vector de presupuestos acota la autonomía: turnos, tokens, tiempo, gasto, herramientas, concurrencia. La regla de reintento es tajante: f(f(s)) nunca es f(s); el corte de boletos y el cobro de tarjetas se multiplican bajo reintento ciego. RFC 9110 escribe la misma idea para los pedidos web: el reintento automático es una política por herramienta, no una estrategia universal.

El éxito medido de un agente es una función junta del modelo, del arnés, del entorno, de la faena y del notador. Las notas se mueven cuando el entorno se mueve: Anthropic midió un vaivén de seis puntos venido de los recursos sobre Terminal-Bench 2.0 y aconsejó la duda ante vaivenes bajo tres puntos con método sin documentar. La investigación Google halló efectos de arquitectura atados a la faena sobre 180 filas: la coordinación central ganaba 80,9 por ciento sobre un agente de finanzas a la vez que perdía 39 a 70 sobre un plan en serie. En una comparación RetroForge, una carrera sola tomaba 20 minutos a 9 unidades de gasto contra un arnés lleno a 6 horas y 200; la calidad subía pero el gasto corría 20 veces más. La faena Codex-first OpenAI aboga también la legibilidad de agente: atar las reglas al mecanismo con linters y pruebas de estructura, no la prosa. Cada pieza de arnés es una adivinanza de límite actual; cuando el modelo cambia, probar la adivinanza de nuevo. La lista de producción junta 15 preguntas: lo que el modelo ve, quién lleva el ciclo, dónde corre la faena, lo que sobrevive, cuáles reglas son mecánicas, cómo vuelven las fallas, qué se repite sin riesgo, dónde vive la prueba, qué prueba lo listo, qué tras presupuestos vacíos, qué tras un corte, si las vistas no seguras traen órdenes, cómo se coordinan los subagentes, cómo se nota el arnés. Lo que anda sin respuesta en demo no puede razonar en producción.