El Harness — Clase 1: un agente de IA por dentro

Primera clase del curso “Cómo funciona un agente de IA por dentro”, pensada para audiencia mixta — técnica y de negocio — y que parte desde cero: no necesitas saber qué es un LLM para seguirla. Esta clase es un mapa, no un manual: se toca todo, se profundiza poco. La profundidad viene en las clases siguientes.

La presentación completa (28 slides) está disponible arriba para ver en línea o descargar.

La tesis de la clase

Arquitectura > Modelo. Con el tiempo, qué LLM elijas importará cada vez menos: los modelos se parecen cada vez más entre sí. Lo que diferencia a un sistema que funciona es todo lo que lo rodea — el harness. El modelo lo compras; el harness lo construyes tú.

Qué cubre esta clase

1. Fundamentos: ¿qué es un LLM?

Desde lo más básico: un LLM es un programa que aprendió, leyendo cantidades enormes de texto, a predecir la siguiente palabra — como el autocompletar del teléfono, pero que leyó casi todo internet. Las tres palabras que hay que conocer: prompt (la instrucción que le das), token (la unidad en que trocea el texto; todo se mide y cobra por token) y ventana de contexto (cuánto puede “tener en mente” a la vez — y es limitada).

Y lo más importante: qué no hace por sí solo. No sabe qué día es hoy, no busca en internet, no entra a tu correo ni tu calendario, no ejecuta acciones — y puede alucinar (glosado en el glosario): inventar una respuesta con total seguridad.

2. El espectro: de chatbot a agente autónomo

No es “chatbot o agente” — hay cuatro niveles según cuánta autonomía tienen:

Nivel	Quién decide
Chatbot	Le escribes, responde texto. Reactivo puro
Asistente	Ejecuta algunas acciones, pero tú diriges cada paso
Workflow agéntico	El flujo lo diseñaste tú; el modelo decide en puntos acotados
Agente autónomo	Tú das el objetivo; el modelo elige el camino y actúa

La distinción clave: en un workflow el camino lo pones tú; en un agente el modelo elige el camino. Y la diferencia entre todos los niveles no es el modelo — es cuánto harness les pusiste alrededor.

3. Las 7 capas del harness

El harness es la arquitectura que rodea al modelo y le da capacidad de acción real. El LLM es el motor; el harness es el auto completo.

        EL HARNESS: 7 CAPAS ALREDEDOR DEL MODELO

  ┌──────────────────────────────────────────────┐
  │  observabilidad  ·  gestión de errores       │
  │  ┌────────────────────────────────────────┐  │
  │  │  gobernanza  ·  seguridad              │  │
  │  │  ┌──────────────────────────────────┐  │  │
  │  │  │  tools  ·  contexto  ·  memoria  │  │  │
  │  │  │        ┌──────────────┐          │  │  │
  │  │  │        │     LLM      │          │  │  │
  │  │  │        └──────────────┘          │  │  │
  │  │  └──────────────────────────────────┘  │  │
  │  └────────────────────────────────────────┘  │
  └──────────────────────────────────────────────┘
   el modelo lo compras; las siete capas las construyes

Una idea clave por capa:

• Tools — las manos del modelo: cada herramienta es una acción real que puede ejecutar. Aquí el cerebro empieza a poder tocar el mundo.
• Contexto — la información correcta en el momento correcto. Elegir qué ve el modelo en cada turno es media batalla.
• Memoria — corto plazo (el hilo de la conversación) y largo plazo (lo que persiste entre sesiones), y la promoción de una a otra. Memoria no es guardar todo; es decidir qué merece recordarse.
• Seguridad — controlar lo que entra (inyección de prompts) y lo que sale (fugas). Es lo que te deja poner el agente frente a datos reales sin miedo.
• Gobernanza — quién puede hacer qué y qué acciones necesitan aprobación. Mínimo privilegio: el agente solo toca lo que necesita.
• Gestión de errores — fallar bien: detectar, degradar, registrar. Y un principio clave: nunca dependas de un solo proveedor de LLM — ten siempre un fallback de otro proveedor configurado; si el primario se cae o cambia sus límites, el agente sigue vivo.
• Observabilidad — trazas, métricas y evidencia de qué hizo el agente y por qué. Sin esto, un agente autónomo es una caja negra en la que no puedes confiar.

4. Caso real: un agente personal en producción

Todo lo anterior aterrizado en un asistente real que agenda reuniones, gestiona correos, investiga con sub-agentes, publica en LinkedIn con aprobación y gestiona Notion. Detrás de escena: 42 tools, un router que decide qué necesita cada mensaje y conectores reales vía Composio. Y no solo responde — ejecuta tareas autónomas programadas (calendario cada mañana, noticias al mediodía) que después se revisan por sus trazas.

Errores comunes

• Creer que el problema es el modelo. El agente que se pierde, inventa o se cae en producción casi siempre falla por harness, no por LLM. Cambiar de modelo mueve el techo; arreglar el harness mueve el piso.
• Pensar en “chatbot o agente” como binario. Son cuatro niveles de autonomía, y la diferencia entre ellos es cuánto harness les pusiste alrededor, no qué modelo usan.
• Darle al modelo todas las herramientas de una vez. Cuarenta y dos tools en cada llamada confunden al modelo y encarecen cada turno. El caso real usa un router que expone solo las que ese mensaje necesita.
• Depender de un solo proveedor de LLM. Si el primario se cae o cambia sus límites, el agente muere con él. El fallback a otro proveedor se configura el día uno.
• Dejar la observabilidad para después. Sin trazas no sabes qué hizo el agente ni por qué, y no puedes confiar en un sistema que no puedes explicar. La Clase 4 muestra por qué va primero.

La frase para llevarse

“El modelo es el cerebro, pero el harness es todo lo que lo convierte en alguien que actúa.”

Qué viene

Esta clase es el mapa; las tres siguientes son el manual. De las 7 capas, cinco ya tienen su desarrollo en el catálogo (los enlaces están en la Clase 4). Las dos que faltaban se cubren ahora:

• Clase 2: ingeniería de contexto — presupuesto de tokens por sección, prompt caching, compactación del historial, poda de resultados de tools y context rot.
• Clase 3: gobernanza y autonomía — clasificar acciones por riesgo, la política como artefacto declarativo, RBAC por herramienta, aprobación asíncrona y audit log.
• Clase 4: las 7 capas en un caso real — el orden en que se construyen, el criterio de salida de cada una y una tabla de madurez para autoevaluarte.

Material relacionado

• Qué es un Harness: la arquitectura detrás de los agentes IA autónomos — el post que origina este curso
• Cómo funciona un agente: herramientas, loop y harness — el fundamento escrito de lo que aquí se presenta en slides
• Glosario de conceptos: agentes IA — todos los términos de la clase explicados en simple