Tu IA sabe escribir código. ¿Quién controla lo que puede hacer?
Los harnesses, skills y sandboxes ayudan a organizar el trabajo de la IA. Entiende qué resuelve cada capa y cómo evaluar agentes en tu repositorio.
Las voces dependen del navegador y del dispositivo; algunas necesitan conexión a internet. Los bloques de código no se leen en voz alta.
Tiempo estimado de lectura: 10 minutos. Fuentes consultadas el 26 de octubre de 2026.
Pides un ajuste pequeño. El agente abre el repositorio, crea una abstracción, añade una dependencia, modifica un archivo que estaba tranquilito y termina con la seguridad de quien acaba de salvar la ingeniería de software.
Entonces abres el diff.
Puede que el problema original esté resuelto. Pero ahora tienes una segunda tarea: averiguar por qué corregir un formulario se convirtió en reformar la casa entera.
Es una situación ilustrativa, pero sirve para plantear una pregunta que considero mucho más útil que “¿qué IA programa mejor?”: ¿qué entorno le estamos ofreciendo a esa IA para trabajar y cómo comprobamos el resultado?
Cuando pienso en integraciones como las que desarrollo en Oombe, pienso en contratos de API, reglas de negocio, estados intermedios y consecuencias. Generar código es una parte del trabajo. Entregar un cambio que respete todo eso exige método. Ahí entran los agent harnesses, runtimes, skills y sandboxes.
Cuatro nombres, cuatro responsabilidades
Estos términos suelen aparecer juntos, pero ayudan a responder preguntas diferentes. Para organizar la conversación, utilizo esta división práctica:
| Capa | Pregunta que ayuda a responder |
|---|---|
| Modelo | ¿Cómo interpretar la tarea y elegir el siguiente paso? |
| Harness | ¿Cómo coordinar herramientas, contexto, estado y continuidad? |
| Skill | ¿Qué procedimiento reutilizable debe orientar esta tarea? |
| Sandbox y políticas | ¿A qué recursos tiene acceso real la ejecución? |
Los productos pueden combinar estas funciones. Por tanto, la tabla es una forma de analizar la arquitectura, no una clasificación universal de herramientas.
La especificación de Agent Skills define un directorio con un archivo SKILL.md y recursos opcionales. Las descripciones, instrucciones y archivos pueden cargarse progresivamente. Así se incorpora conocimiento cuando hace falta, sin colocar un manual entero en el contexto inicial.
Una skill puede enseñar a revisar una integración. El entorno de ejecución debe proporcionar los medios para consultar archivos, ejecutar comprobaciones y presentar evidencias. Cada pieza tiene su propia función.
La conversación maduró, pero no nació en 2026
Anthropic presentó Agent Skills en octubre de 2025, y su anuncio registra la publicación del estándar abierto en diciembre de ese año. Ya existía, por tanto, un intento concreto de convertir procedimientos en recursos reutilizables.
En 2026, la conversación incorpora ejemplos que podemos abrir, comparar y probar. Eso me interesa más que anunciar una revolución cada vez que aparece un nombre nuevo.
También evitaría proclamar “el fin de los wrappers”. Una llamada a un modelo puede ser suficiente para una tarea bien delimitada. La orientación de Anthropic sobre construcción de agentes recomienda empezar de forma sencilla y añadir complejidad cuando mejore el resultado. Un flujo previsible sigue siendo una decisión válida de ingeniería.
Si tu aplicación clasifica un texto y devuelve un campo, un equipo de agentes quizá añada más mantenimiento que valor. Conviene preguntar qué decisión necesita realmente autonomía.
Las skills útiles conservan conocimiento del trabajo
Imagina una skill para revisar cambios en una integración con un marketplace. Empezaría por las preguntas que haría un integrador experimentado: ¿el cambio respeta el contrato de la API? ¿Cómo identifica la cuenta correcta? ¿Qué ocurre si la respuesta está incompleta? ¿Alguna dependencia existente ya resuelve esta necesidad?
Después definiría las evidencias esperadas: casos analizados, comprobaciones realizadas, limitaciones encontradas y decisiones que requieren contexto del negocio. Una instrucción como “produce código profesional” orienta poco sobre esas elecciones.
El valor está en hacer explícito y revisable el procedimiento. Si el equipo descubre una nueva condición de error, puede mejorar la skill y evaluar si la siguiente ejecución la gestiona mejor. El aprendizaje se convierte en mantenimiento concreto.
Matt Pocock publica una colección de skills pequeñas y combinables, enfocadas en requisitos, feedback y arquitectura. Addy Osmani organiza prácticas a lo largo del desarrollo e incluye verificación, revisión y entrega. Son colecciones de autores, con decisiones propias, que podemos estudiar y adaptar.
Evitaría instalar una colección entera por impulso. Elegiría un problema recurrente, leería los archivos involucrados y observaría el efecto. El procedimiento debe ayudar al equipo a decidir mejor, incluso cuando lo adecuado sea mantener una implementación sencilla.
Una instrucción no concede ni retira permisos
Escribir “no leas secretos” en un archivo es una orientación. Restringir el acceso a esos secretos exige una configuración que siga funcionando cuando el agente se equivoque.
La arquitectura de NVIDIA OpenShell ilustra esta separación: un supervisor confiable aplica políticas sobre recursos y conexiones fuera del entorno del agente. El proyecto documenta la mediación de red y la entrega de credenciales únicamente a destinos aprobados.
La pregunta práctica es qué sigue siendo accesible después de una instrucción incorrecta. Si el proceso puede leer todas las carpetas del usuario, “trabaja solo en este proyecto” no equivale a un permiso del sistema limitado a ese directorio.
Diseñaría el entorno empezando por lo necesario: código del proyecto, herramientas de desarrollo y datos de prueba. Añadiría accesos específicos según la tarea. Las credenciales de producción merecen una decisión propia; no deberían aparecer por herencia accidental de la terminal.
También separaría la capacidad de proponer un cambio de la capacidad de aplicarlo a un servicio externo. Revisar un archivo y publicar una modificación tienen efectos diferentes. El sistema debe representar esa diferencia de manera verificable.
Esta preocupación conecta con lo que ya comenté sobre seguridad frágil detrás de una interfaz atractiva: la confianza visual y la confianza operativa necesitan evidencias diferentes.
DeepSeek Harness: una arquitectura interesante con un aviso explícito
El DeepSeek Harness oficial utiliza una arquitectura de plugins basada en Cordis. Su README lo presenta como developer preview, sujeto a cambios incompatibles. Es un proyecto real de DeepSeek AI, no simplemente un apodo usado por la comunidad.
La advertencia decisiva está en SAFETY.md: el proyecto declara que no ha pasado una auditoría de seguridad y que no debe considerarse seguro ni listo para producción. También aclara que sus controles no garantizan el aislamiento.
Tomaría ese aviso en serio al elegir el entorno de evaluación. Un laboratorio desechable permite aprender sobre la arquitectura sin transformar el entusiasmo en una dependencia operativa. El resultado de una demostración debe interpretarse dentro de las condiciones en que se obtuvo.
La palabra “harness” describe una función del sistema. Para decidir dónde usar un producto concreto, todavía necesitamos examinar su madurez, permisos, mantenimiento y límites documentados.
El trabajo debe sobrevivir al final de la conversación
Existe otra dimensión menos cinematográfica: la continuidad. Una tarea puede atravesar sesiones, interrupciones o cambios de contexto. El siguiente agente necesita entender qué se hizo y qué continúa pendiente.
En Effective harnesses for long-running agents, publicado en noviembre de 2025, Anthropic describe una combinación de preparación del entorno, progreso incremental, historial Git y registros de avance. El objetivo es que sesiones posteriores retomen trabajo verificable.
En la práctica, pediría un registro breve que respondiera: ¿cuál era la tarea?, ¿qué decisiones se tomaron?, ¿qué comprobaciones pasaron? y ¿cuál es el siguiente paso? Un documento enorme puede limitarse a trasladar la confusión a otro archivo.
También trataría “terminado” como un estado respaldado por evidencias. Si el comportamiento esperado depende de una interacción en la interfaz, compilar el proyecto no cierra automáticamente la verificación. Si depende de una integración, una respuesta simulada debe cubrir la condición relevante.
El mejor modelo puede depender del entorno
Un estudio publicado en octubre de 2026 evaluó 66 configuraciones y encontró cambios en el rendimiento relativo de los modelos según el harness y la tarea. La evidencia se limita a los benchmarks estudiados; no establece un ganador universal ni predice automáticamente el resultado de tu proyecto.
La lección que extraigo es operativa: cuando una experiencia empeora, conviene investigar herramientas, mensajes de error, contexto disponible y criterios de parada, además del modelo elegido.
Cambiar de proveedor puede ayudar. También puede ocultar un problema de integración que reaparecerá después. Registrar la configuración completa hace que la comparación sea más útil que guardar únicamente el nombre comercial de la IA.
Cómo lo evaluaría en un proyecto Laravel
Elegiría un laboratorio pequeño: mejorar el procesamiento de un webhook ficticio, preservando el comportamiento ante eventos repetidos. Usaría datos sintéticos y ningún acceso a cuentas reales. El escenario es una propuesta de evaluación, no un resultado ya obtenido en Oombe.
Primero definiría qué debe seguir siendo cierto: un mismo evento no puede producir dos cambios equivalentes; un fallo debe quedar identificado; otro cliente no puede resultar afectado. Prepararía comprobaciones independientes antes de las ejecuciones.
Compararía tres condiciones, manteniendo equivalentes el modelo, la tarea y el presupuesto:
- Orientación básica: descripción de la tarea y acceso al proyecto de prueba.
- Procedimiento reutilizable: la misma tarea, acompañada de una skill con contexto del dominio y evidencias esperadas.
- Procedimiento y controles externos: la misma skill, con el alcance de archivos, red y acciones definido por el entorno.
Todos los grupos seguirían dentro de un laboratorio seguro. La comparación no exige exponer un ordenador personal para crear un “antes” dramático.
Repetiría los casos y observaría resultados, modificaciones fuera del objetivo, dependencias añadidas, tiempo de revisión y coste. También registraría intentos bloqueados: ayudan a entender qué impidió el entorno, aunque el código final parezca similar.
Una condición puede costar más y reducir el trabajo de corrección. Otra puede ser rápida, pero exigir una revisión extensa. La decisión depende de la tarea y del impacto de los errores. No partiría de un porcentaje de ahorro prometido.
Conservaría las versiones de las skills y de las pruebas. Si todo cambia entre dos rondas, resulta difícil saber qué modificación explica la diferencia. Esa disciplina produce un aprendizaje que el equipo puede repetir.
Un buen comienzo cabe en una tarea pequeña
A quien quiera aplicar estas ideas, le recomendaría empezar con una rutina recurrente y una definición clara del éxito. Documentaría el procedimiento, limitaría el entorno y revisaría varias ejecuciones completas. Después ajustaría aquello que realmente dificultó el trabajo.
Si la skill quedó demasiado larga, buscaría qué decisiones intenta anticipar sin necesidad. Si el agente pide acceso amplio, examinaría qué recurso concreto falta. Si declara el éxito demasiado pronto, mejoraría la evidencia exigida para cerrar la tarea.
La autonomía puede crecer junto con nuestro conocimiento del comportamiento del sistema. En mi trabajo, ese criterio me convence más que el entusiasmo de un vídeo: poder explicar qué hace la automatización, dónde puede fallar y cómo una persona asume el control cuando hace falta.
Fuentes
- Agent Skills — especificación.
- Anthropic — presentación de Agent Skills.
- Anthropic — Building effective agents.
- Matt Pocock — Skills for Real Engineers.
- Addy Osmani — Agent Skills.
- NVIDIA OpenShell — arquitectura.
- DeepSeek Harness — proyecto oficial y aviso de seguridad.
- Anthropic — Effective harnesses for long-running agents.
- Finding the Right Fit: Model-Harness Interactions across Agent Tasks.