Tag: Agentes IA

  • Claude Code Mods: un mod que no deja tocar tus tests

    Claude Code Mods: un mod que no deja tocar tus tests

    La primera versión de mi mod de Claude Code solo vigilaba Bash.

    Lo probé en Windows. Le pedí al agente que cambiara un test firmado de 409 a 201. Intentó apagar el candado y no pudo. Entonces tiró de PowerShell, la otra terminal que Claude Code tiene en Windows. Esa vez falló, pero no gracias a mí: mi mod no la vigilaba.

    Ese es el problema de fondo. Con un test en rojo, el camino más corto al verde no es arreglar el código: es cambiar lo que espera el test. Los Claude Code Mods, que llegaron el 1 de octubre de 2026, son la primera herramienta que me deja cerrar esas puertas desde dentro.

    En corto: un mod de Claude Code es un plugin con código TypeScript o JavaScript que se ejecuta dentro de Claude Code y puede observar, reescribir o responder a cada evento, como un middleware. Con menos de 80 líneas puedes bloquear cualquier Edit o Write sobre tus tests firmados y deshacer lo que el agente cambie desde la terminal. No va en sandbox y la API todavía puede cambiar entre versiones: úsalo como primera barrera, nunca como la última.

    ¿Qué son los Claude Code Mods?

    Los Claude Code Mods son plugins cuyo hooks/hooks.json tiene la clave modules apuntando a un archivo TypeScript o JavaScript que Claude Code ejecuta en su propio proceso, enganchado a eventos como una llamada a herramienta, un prompt o el dibujado de la interfaz.

    Llegaron con Claude Code v2.1.287, publicada el 1 de octubre de 2026 según el CHANGELOG oficial. Cómo funcionan está en la documentación oficial. Si tu claude --version es más antigua, no carga ninguno.

    Cada hook recibe $, la API del motor; e, el evento; y next, lo que iba a pasar. Si vienes de Express, ya lo entiendes:

    return next(e)                       // observar: que siga igual
    return next({ ...e, text: nuevo })   // reescribir: que siga, pero cambiado
    return { deny: 'No.' }               // responder (en tool.call): no llamas a next y no pasa
    

    El problema: el agente "arregla" el test

    Con un test en rojo, Claude Code tiende a cambiar la aserción en lugar de arreglar el código. No es una manía mía: en el repo de Claude Code está el issue #7074, abierto en septiembre de 2025 y cerrado como duplicado, que lo describe tal cual: el agente modifica los tests para que pasen en lugar de arreglar la implementación, cambia las aserciones y debilita validaciones. Que sea un duplicado dice bastante.

    En mi demo, una API de reservas en Bun, los tests de test/contrato/ son los que he revisado y firmado. Uno dice que si dos personas reservan el mismo hueco, una recibe 201 y la otra 409. El código falla a propósito.

    El agente puede tocar ese archivo por tres puertas: Edit, Write y la terminal (sed, echo > o PowerShell). Escribir "no toques los tests" en el CLAUDE.md no cierra ninguna: es una petición, no un control. Lo conté en hooks vs permisos en Claude Code.

    Cómo crear un mod de Claude Code paso a paso

    Crear un mod de Claude Code son tres archivos: el manifiesto del plugin, un hooks.json con modules y el módulo que exporta register(on). Sin compilar ni bundler.

    El mod vive fuera del proyecto, en su carpeta. Primero, .claude-plugin/plugin.json (el nombre no puede empezar por claude-):

    {
      "name": "tests-lock",
      "version": "0.1.0",
      "description": "Stops Claude from editing the signed tests in test/contrato/ and warns when a shell command changes them",
      "author": { "name": "Dominicode" }
    }
    

    Lo que convierte este plugin en un mod está en hooks/hooks.json:

    {
      "description": "tests-lock hooks module",
      "modules": ["./register.ts"]
    }
    

    Primera puerta: Edit y Write

    const PROTECTED = 'test/contrato/'
    const REASON =
      'test/contrato/ es el contrato firmado y no se cambia para que pase. ' +
      'Arregla el código, no el test. Si crees que el contrato está mal, para y pregúntame.'
    
    export function register(on) {
      // 1. Edit y Write: bloquear antes de que se toque un test firmado
      on('tool.call', { tool: ['Edit', 'Write'] }, async ($, e, next) => {
        if (!locked || !isProtected(e.file_path)) return next(e)
        // Crear un test nuevo sí se permite; cambiar uno que ya existe, no
        if (!(await $.fs.exists(e.file_path))) return next(e)
        // ...contador y aviso en pantalla
        return { deny: REASON }
      }).catch(async () => ({ deny: 'tests-lock ha fallado y, por seguridad, no se edita nada en ' + PROTECTED }))
    }
    

    El agente lee el deny como el error de la herramienta, así que lo escribo como instrucción. Crear un test nuevo sí se permite. Es un extracto: locked, isProtected y el resto están en el código completo, al final del post. Y el .catch hace que falle cerrado: si el hook revienta, la respuesta es "no". Sin él, Claude Code se salta el hook y la edición pasa.

    Segunda puerta: la terminal

    Esto es lo que justifica el mod. No sé de antemano qué toca un comando, y adivinarlo con regex es perder. Así que compruebo: miro git antes, dejo correr el comando y miro git después.

    // Terminal (Bash, y PowerShell en Windows): se mira git antes y después
    on('tool.call', { tool: ['Bash', 'PowerShell'] }, async ($, e, next) => {
      if (!locked) return next(e)
      const before = await changedTests($)
      const result = await next(e)
      const touched = (await changedTests($)).filter((f) => !before.includes(f))
      if (touched.length === 0) return result
      // Solo se restauran los que estaban limpios antes del comando
      await $.process.run(['git', 'checkout', 'HEAD', '--', ...touched])
      return {
        ...result,
        context: [...(result.context ?? []), 'Tu último comando cambió ' + touched.join(', ') + ' y se ha deshecho. ' + REASON],
      }
    })
    

    changedTests lanza git diff --name-only HEAD -- test/contrato/ con $.process.run, sin shell. El await next(e) ejecuta el comando y mi código sigue después.

    context es texto que el agente lee tras el resultado y tú no ves. En mis pruebas, el agente citó el aviso y el archivo volvió a esperar 409. Fíjate en 'PowerShell': la añadí después de la historia del principio. Con Claude Code Mods, cada herramienta que no nombras es una puerta abierta.

    Para cargarlo: claude --plugin-dir ~/mods/tests-lock. En /plugin lo ves cargado, y al guardar se recarga en caliente.

    Un mod también pinta. Con ui.render sobre AbovePrompt dibujas una franja encima del prompt; por ejemplo, con el último resultado de bun test, Vitest o Jest.

    El estado que lee esa franja vive en atom, read y update de 'claude-code'. Un hook de settings no puede dibujar.

    Probar Claude Code Mods: claude plugin validate y claude plugin test

    Un mod es código que corre dentro de tu herramienta de trabajo, así que se prueba como cualquier código.

    claude plugin validate . lee el mod sin ejecutarlo y lista eventos y llamadas. Salida real:

    ❯ ./register.ts hooks: session.start, tool.call{tool=Edit|Write}, tool.call{tool=Bash|PowerShell}, command.run{command=tests-lock}
    ❯ ./register.ts calls: $.command.register, $.fs.exists, $.process.run, $.ui.status (via showStatus), $.ui.toast
    ✔ Validation passed
    

    claude plugin test corre los *.test.ts con 'claude-code/testing', sin sesión ni red. Cada on es un stub que responde en lugar de Claude Code:

    import { expect, test } from 'claude-code/testing'
    
    test('editar un test firmado se bloquea', async ($, on) => {
      on('ui.status', () => ({ value: undefined }))
      on('ui.toast', () => ({ value: undefined }))
      on('fs.exists', () => ({ value: true }))
      on('tool.call', () => ({ result: 'edited' }))
    
      const r = await $.tool.call({ tool: 'Edit', file_path: 'C:\\proyectos\\agendo\\test\\contrato\\reservas.test.ts', old_string: '409', new_string: '201' })
      expect(r.deny).toMatch(/contrato firmado/)
    })
    

    Cinco tests en verde: bloqueo, test nuevo, código normal, comando de Bash deshecho e interruptor /tests-lock off.

    Claude Code mods vs hooks de settings: cuál usar

    Un hook de settings es un script que Claude Code lanza desde fuera y vive en el repo; un mod corre dentro de Claude Code, guarda estado, puede dibujar y actuar después de que la herramienta termine.

    Hook de settings.json Mod
    Dónde vive En .claude/settings.json, versionado en git En un plugin que cada dev instala
    Qué escribes Un script en cualquier lenguaje TypeScript o JavaScript
    Estado entre llamadas No, salvo un archivo temporal Sí, variables del módulo
    Actuar tras la herramienta Con un segundo hook (PostToolUse) En el mismo hook, tras await next(e)
    Interfaz y comandos propios No Sí
    Tests Los que montes tú claude plugin test sin sesión
    Limitación o riesgo Repartir estado entre dos scripts es frágil Sin sandbox, API que aún puede cambiar entre versiones, instalación por máquina

    Mi regla: si todo el equipo tiene que cumplirla sin instalar nada, hook de settings en el repo. Si es tu herramienta y necesita estado, interfaz o mirar después del comando, mod. Lo de la terminal también sale con PreToolUse, PostToolUse y un archivo temporal; el mod lo junta en un archivo con tests.

    Cuándo NO usar Claude Code Mods

    No uses Claude Code Mods como única barrera ni instales un mod que no hayas leído.

    No va en sandbox. La documentación lo dice: corre con tus permisos, lee tus variables de entorno y claves, ve cada prompt y puede aprobar llamadas que un hook tuyo bloqueó.

    El sandbox de Claude Code no cubre lo que lanza un mod. Antes de instalar uno, claude plugin validate y lee los calls. Si algo va raro, claude --safe-mode arranca sin tus mods.

    La API todavía puede cambiar. La documentación da los mods por activados por defecto desde la v2.1.287, pero la cabecera de los tipos avisa: "this surface may change between releases without notice".

    Compara con el último commit. Lo no commiteado no cuenta como firmado. Y por cómo está escrito, si un mismo comando cambia el test y hace commit, el git diff posterior sale limpio. Lo deduzco del código; aún no lo he demostrado en sesión real.

    Al recargar, el estado se reinicia. El contador vuelve a cero y el candado se enciende.

    Solo protege donde está instalado. Otro compañero o el CI no lo tienen. La última barrera es el CI ejecutando los tests firmados en cada PR. Es la lógica de sacar la regla fuera del prompt: el agente propone, el sistema controla. Si aún no has montado tu primer agente, empieza por construir un agente de IA desde cero.

    Lo que puedes hacer hoy con tu primer mod

    Para empezar con Claude Code Mods: copia el register.ts completo del final del post, cambia test/contrato/ por tu carpeta, commitea los tests y carga el mod con --plugin-dir. Luego pide al agente que cambie una aserción, por Edit y por la terminal. Si estás en Windows y solo vigilas Bash, ya sabes por dónde se cuela.

    Si estás empezando con agentes y quieres hacerlo sin perder el control, tienes gratis el ebook El Developer Agéntico. Lo monto entero en el canal de YouTube de Dominicode. Para el flujo completo, está el curso Construye con IA. Y los tests que merece la pena firmar salen de una spec: lo cuento en Spec-Driven Development.

    Preguntas frecuentes

    ¿Qué versión de Claude Code necesito para usar mods?

    La v2.1.287 o posterior, publicada el 1 de octubre de 2026. Compruébala con claude --version. Vienen activados por defecto y se cargan desde un plugin instalado o con --plugin-dir en desarrollo.

    ¿En qué se diferencian los hooks de Claude Code de los mods?

    Un hook de settings es un script externo configurado en settings.json que recibe un JSON y devuelve una decisión. Un mod corre dentro de Claude Code, comparte variables entre hooks, puede dibujar, registrar comandos y actuar después de que una herramienta termine.

    ¿Un plugin de Claude Code con mod es seguro de instalar?

    Solo si confías en quien lo escribió. No va en sandbox y corre con tus permisos. Antes de instalarlo, ejecuta claude plugin validate sobre su carpeta y revisa los hooks y calls que lista.

    ¿Puede el agente saltarse el mod usando la terminal?

    Si el mod solo vigila Edit y Write, sí. Este mira git antes y después de cada comando de Bash y PowerShell y restaura los tests firmados que cambien. En Windows hay que vigilar las dos herramientas. Con un límite: si el mismo comando cambia el test y hace commit, el diff sale limpio. Por eso el CI es la última barrera.

    ¿Puedo crear un mod de Claude Code sin escribir el código?

    Sí. La documentación oficial propone pedírselo a Claude en una sesión: Claude Code trae una skill para escribir mods. Revisa el resultado con claude plugin validate antes de cargarlo.

    Código completo del mod

    hooks/register.ts de tests-lock, las 78 líneas tal cual las uso:

    // tests-lock: lo firmado en test/contrato/ no se toca para que pase.
    const PROTECTED = 'test/contrato/'
    const REASON =
      'test/contrato/ es el contrato firmado y no se cambia para que pase. ' +
      'Arregla el código, no el test. Si crees que el contrato está mal, para y pregúntame.'
    
    let locked = true
    let blocked = 0
    
    function isProtected(path: string): boolean {
      return ('/' + path.replaceAll('\\', '/')).includes('/' + PROTECTED)
    }
    
    // Archivos de test/contrato/ que hoy no coinciden con el último commit
    async function changedTests($): Promise<string[]> {
      try {
        const r = await $.process.run(['git', 'diff', '--name-only', 'HEAD', '--', PROTECTED])
        if (r.exitCode !== 0) return []
        return r.stdout.split('\n').map((l) => l.trim()).filter(Boolean)
      } catch {
        return []
      }
    }
    
    function showStatus($) {
      $.ui.status(locked ? `${PROTECTED} protegido · ${blocked} intento(s) frenado(s)` : `${PROTECTED} SIN proteger`)
    }
    
    export function register(on) {
      on('session.start', async ($, e, next) => {
        showStatus($)
        await $.command.register({
          name: 'tests-lock',
          description: 'Protege test/contrato/: on, off o status',
          argumentHint: '[on|off|status]',
          immediate: true,
        })
        return next(e)
      })
    
      // 1. Edit y Write: bloquear antes de que se toque un test firmado
      on('tool.call', { tool: ['Edit', 'Write'] }, async ($, e, next) => {
        if (!locked || !isProtected(e.file_path)) return next(e)
        // Crear un test nuevo sí se permite; cambiar uno que ya existe, no
        if (!(await $.fs.exists(e.file_path))) return next(e)
        blocked += 1
        showStatus($)
        $.ui.toast('Claude ha intentado editar ' + e.file_path)
        return { deny: REASON }
      }).catch(async () => ({ deny: 'tests-lock ha fallado y, por seguridad, no se edita nada en ' + PROTECTED }))
    
      // 2. Terminal (Bash, y PowerShell en Windows): no se sabe de antemano qué toca un comando,
      //    así que se mira git antes y después
      on('tool.call', { tool: ['Bash', 'PowerShell'] }, async ($, e, next) => {
        if (!locked) return next(e)
        const before = await changedTests($)
        const result = await next(e)
        const touched = (await changedTests($)).filter((f) => !before.includes(f))
        if (touched.length === 0) return result
        // Solo se restauran los que estaban limpios antes del comando
        await $.process.run(['git', 'checkout', 'HEAD', '--', ...touched])
        blocked += 1
        showStatus($)
        $.ui.toast('Un comando ha cambiado ' + touched.join(', ') + '. Restaurado.')
        return {
          ...result,
          context: [...(result.context ?? []), 'Tu último comando cambió ' + touched.join(', ') + ' y se ha deshecho. ' + REASON],
        }
      })
    
      on('command.run', { command: 'tests-lock' }, async ($, e) => {
        const arg = e.args.trim()
        if (arg === 'on') locked = true
        if (arg === 'off') locked = false
        showStatus($)
        return { text: (locked ? 'Protegido: ' : 'Sin proteger: ') + PROTECTED + ' · intentos frenados: ' + blocked }
      })
    }
    

    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Cómo calculo cuánto me cuesta de verdad un agente que falla

    Cómo calculo cuánto me cuesta de verdad un agente que falla

    El miércoles que casi aprobé el email con el precio desactualizado —lo monté un agente en MailerLite con el precio de la semana anterior, listo para salir a toda la lista— se lo conté a un colega dos días después.

    Me preguntó algo que no supe responder bien: "¿por qué revisaste ese y los cuarenta y dos thumbnails de la noche anterior los aprobaste sin mirar ni uno?". Dije "depende del riesgo". Se quedó esperando un número. No lo tenía.

    "Depende" no es un criterio, es decidir a ojo. Y a ojo, tarde o temprano, fallas por el lado que más duele.

    Me senté a calcular, en números y no en corazonadas, cuánto cuesta un agente de IA que falla. La misma cuenta que hago hoy antes de aprobar lo que entrega cualquier agente.

    En corto: para decidir si reviso lo que entrega un agente de IA antes de aprobarlo, comparo dos números: el coste esperado de que falle sin que yo lo vea (probabilidad × daño) contra el coste de verificarlo yo mismo. Si el primero es mayor, reviso siempre. Si es menor, delegar sin mirar es la decisión más barata — no la más cómoda.

    ¿Qué es el coste esperado de no verificar una tarea delegada?

    El coste esperado de no verificar es la probabilidad de que la tarea delegada falle, multiplicada por todo lo que te cuesta cuando falla: detectarlo tarde, arreglarlo y el daño que ya hizo antes de que te dieras cuenta.

    El coste de verificar es más simple: es el tiempo que te cuesta a ti —o a quien revise— leer, entender y aprobar esa tarea antes de que se vuelva irreversible.

    La regla de decisión sale sola al poner los dos números uno al lado del otro. Si el coste esperado de no verificar es mayor que el coste de verificar, revisas siempre. Si es menor, delegas sin revisión — no por pereza, sino porque es la opción matemáticamente más barata.

    Este principio —revisar antes de que algo se vuelva irreversible— es el corazón del método que dejé completo y gratis en el ebook Revisión por Contrato: cómo definir de antemano qué necesita aprobación humana y qué no.

    Por qué no tomo prestado el "100x más caro en producción" de la industria

    Antes de construir esta fórmula tuve la tentación de usar el número que todo el mundo repite: que un bug en producción cuesta cien veces más arreglarlo que uno detectado en desarrollo. Aparece en charlas, en posts de blog, en pitch decks de herramientas de testing.

    Ese número, rastreado hasta la fuente, puede que no exista tal como se cita. Un hilo de Hacker News de 2021, con 159 puntos y 130 comentarios —"The 'bugs are 100x more expensive to fix in production' study might not exist"— sigue la cadena de citas hasta el estudio original y no encuentra una medición limpia detrás, solo cita tras cita.

    El usuario nerdponx lo resume mejor de lo que yo podría: "No es un caso de investigación falsificada. Es un caso de alguien citando algo apócrifo como si fuera un hecho, y luego otra gente citando esa cita" —traducido del inglés.

    Por eso, abajo, no uso ningún multiplicador prestado de la industria. Los números de probabilidad y de coste son míos, ilustrativos, pensados para mostrar el mecanismo — no una estadística que puedas citar como un dato medido.

    El cálculo real: el email con el precio equivocado

    Uso $50 la hora como referencia ilustrativa de mi propio tiempo — no es una tarifa de mercado. Cambia el número por el tuyo: el mecanismo de la fórmula no varía.

    Releer el asunto y el precio antes de aprobar el envío me costó entre 2 y 3 minutos: unos $2,50. Ese es el coste de verificar.

    La probabilidad de que el precio hubiera cambiado justo esa semana, sin que yo lo notara, era baja — pongamos, ilustrativamente, un 5%.

    Pero si fallaba, el coste no era pequeño. Arreglarlo —corrección más responder a quien preguntara— son unas 2 horas: $100. Y está el daño ya hecho antes de detectarlo: la credibilidad del precio frente a miles de bandejas que ya leyeron una cifra falsa. No tiene cifra exacta, pero tiene un piso conservador — ilustrativamente, $200. Total si falla: ≈ $300.

    Coste esperado de no verificar = 5% × $300 = $15.

    $15 es mayor que $2,50. La fórmula dice: verifica siempre. Y lo que gana la decisión no es la probabilidad —era baja— sino la magnitud del daño si el evento raro ocurre.

    El contraste: 42 thumbnails, probabilidad alta, coste casi cero

    La noche anterior había dejado al mismo agente generando cuarenta y dos thumbnails para posts antiguos: prompt, imagen, nombre de archivo, carpeta correcta. Los aprobé todos sin abrir ni una carpeta.

    Aquí la probabilidad de que algo saliera mal era, ilustrativamente, alta — un 30%: con cuarenta y dos piezas generadas en patrón, algo se cuela con frecuencia.

    Pero si falla, el coste es casi nada. Se ve al abrir la carpeta —dos minutos, unos $1,70— y se regenera con un comando. No hay corrección pública ni daño reputacional: nadie fuera de mí ve el error antes de que lo arregle.

    Coste esperado de no verificar = 30% × $1,70 ≈ $0,51.

    Verificar las 42 imágenes una por una, a un minuto cada una, cuesta $35. $0,51 es muchísimo menor que $35. La fórmula dice: delega sin revisar. Aquí la probabilidad alta no importa, porque el daño y la irreversibilidad son casi cero.

    Elemento del cálculo Email de lanzamiento 42 thumbnails
    Coste de verificar antes de aprobar 3 min ≈ $2,50 42 min (1 min c/u) ≈ $35
    Probabilidad ilustrativa de que falle 5% — evento infrecuente 30% — patrón repetido, muchas piezas
    Coste si falla (arreglar + daño ya hecho) ≈ $300 (corrección + credibilidad) ≈ $1,70 (se regenera con un comando)
    Coste esperado de NO verificar (P × coste si falla) ≈ $15 ≈ $0,51
    Qué inclina la balanza La magnitud del daño, no la probabilidad Lo barato y rápido que es detectar y arreglar
    Decisión de la fórmula Verificar siempre Delegar sin revisar

    La fila que importa es la penúltima. No decide la probabilidad: decide qué tan caro sale el daño si el evento raro ocurre, y qué tan barato es deshacerlo si no.

    Es el mismo cálculo que aplico al diseñar los agentes que uso a diario, y es lo que enseño paso a paso en Construye con IA: no solo montar el agente, también decidir qué parte de su trabajo se aprueba sin mirar y cuál se revisa siempre.

    Si esto te suena al criterio de blast radius que ya usaba antes de tener la fórmula, es porque es el mismo criterio con números detrás. Para el ángulo más amplio de por qué creo que el techo de los agentic systems es económico y no técnico, lo desarrollé en este otro post.

    Cuándo esta fórmula no sirve

    No es una máquina de la verdad. Tiene límites que conviene decir en voz alta antes de que alguien la use como excusa para no pensar.

    Estimar la probabilidad es subjetivo, y es fácil engañarte a ti mismo minimizándola. Si el agente acertó las últimas diez veces, tu cerebro te dirá que la probabilidad de fallo es más baja de lo real. Ese sesgo no lo corrige la fórmula — el número lo pones tú, con tu sesgo incluido.

    El coste del daño reputacional no tiene un número exacto. La fórmula te obliga a poner una cifra, pero esa cifra es una estimación conservadora, no una medición. Si la subestimas para que el cálculo te dé el resultado que ya querías, el cálculo miente a tu favor.

    Esta fórmula evalúa una tarea aislada, no un sistema. No sustituye un gate automático —tests, tipos, criterios de aceptación que corran solos— que verifique sin depender de que te acuerdes de hacer la cuenta cada vez. Es la capa manual para cuando ese gate todavía no existe.

    Qué hacer hoy con esto

    No necesitas una hoja de cálculo. Coge las tres tareas que más delegas esta semana a un agente y, para cada una:

    1. Escribe cuánto te cuesta verificarla antes de aprobarla.
    2. Ponle una probabilidad ilustrativa a que falle.
    3. Estima cuánto costaría si falla —arreglo más daño ya hecho antes de detectarlo.
    4. Multiplica los puntos 2 y 3: ese es tu coste esperado de no verificar.

    Compara ese resultado con el coste de verificar del punto 1. Donde gane verificar, sigue revisando sin culpa —no es desconfianza en el agente, es aritmética—. Donde pierda, suelta esa tarea del todo.

    Si quieres ver cómo aplico esta cuenta cada semana en un negocio real que opero solo, sin nadie más que revise detrás de mí, en Dominicode Labs comparto los números actualizados y las tareas concretas que delego o audito según van cambiando mis agentes.


    Preguntas frecuentes

    ¿Cómo calculo cuánto me cuesta que un agente de IA falle?

    Multiplica la probabilidad de que la tarea falle por el coste total si falla: detectarlo tarde, arreglarlo y el daño ya hecho antes de que lo notes. Ese resultado es el coste esperado de no verificar. Compáralo con el coste de verificar antes de aprobar — el que sea menor gana.

    ¿Qué diferencia hay entre esta fórmula y el criterio de blast radius?

    Ninguna en el fondo — son el mismo criterio en dos niveles. El blast radius es la versión cualitativa: cuánto daño hace algo y qué tan reversible es. Esta fórmula es la versión cuantitativa: le pones números a ese daño y a esa probabilidad para comparar dos tareas objetivamente, no a ojo.

    ¿Cómo estimo la probabilidad de que una tarea delegada a un agente falle?

    Con honestidad, sabiendo que es una estimación y no una medición. Fíjate en cuántas veces has visto fallar ese tipo de tarea, cuánto contexto de negocio necesita que pueda haber cambiado sin que el agente lo sepa, y desconfía de tu propia racha reciente de aciertos.

    ¿Esta fórmula sustituye tener tests automáticos o un gate de verificación?

    No. Decide sobre una tarea puntual, cuando no existe todavía un mecanismo automático que verifique el resultado por ti. Si puedes construir ese gate —tests, tipos, criterios de aceptación que corran solos— constrúyelo: es más fiable que cualquier cálculo manual que dependa de que te acuerdes de hacerlo cada vez.

    ¿Qué hago si no puedo poner un número exacto al daño reputacional?

    Pon un piso conservador y dilo explícitamente: es una estimación, no una medición. El objetivo no es acertar la cifra exacta, sino evitar el error más común, que es tratar el daño reputacional como si costara cero solo porque no tiene un precio de catálogo.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Graph engineering vs harness engineering: no son alternativas

    Graph engineering vs harness engineering: no son alternativas

    Hace unas semanas alguien me enseñó el diagrama de su sistema multi-agente. Doce nodos, aristas condicionales, un router en el centro y el estado compartido dibujado en un lateral con su leyenda de colores. Bonito de verdad.

    Le hice una sola pregunta: cuando el nodo que implementa escribe el código, ¿qué comprueba que ese código compila antes de que el grafo avance al siguiente nodo?

    Silencio.

    Ese silencio es toda la diferencia entre graph engineering y harness engineering. Y explica por qué la pregunta que me llega cada semana —"¿por cuál apuesto?"— está mal planteada desde el principio.

    No son alternativas. Son ejes ortogonales. Puedes tener mucho de uno y nada del otro, y la mayoría de equipos está exactamente en ese caso.

    Qué "graph engineering" estamos comparando: recuperación u orquestación

    El término se usa para dos cosas distintas, y mezclarlas hace daño.

    El primer uso es de recuperación de contexto: tratar tu código como un grafo de dependencias para que el agente navegue por él en lugar de tragarse el repositorio entero en cada petición. De eso escribí en qué es graph engineering, y no es de lo que va este post.

    El segundo uso —el que se popularizó en 2026— es de orquestación: modelar la ejecución multi-agente como un grafo. Nodos que son agentes o pasos, aristas que son routing, un estado compartido que fluye por esas aristas. Este post va de ese.

    Graph engineering, en su sentido de orquestación, es la disciplina de modelar la ejecución de un sistema multi-agente como un grafo dirigido: cada nodo es un agente o un paso, cada arista es una decisión de routing, y el estado compartido viaja por esas aristas. Responde a una pregunta concreta: qué se ejecuta, en qué orden y con qué estado.

    Qué es harness engineering

    Harness engineering es la disciplina de diseñar todo lo que rodea al modelo —las herramientas que puede llamar, los permisos que tiene y los comandos que deciden si su salida es válida— para que el agente falle rápido y en voz alta en lugar de entregar código plausible que no funciona.

    El término lo acuñó Mitchell Hashimoto —cofundador de HashiCorp, el que creó Terraform— el 5 de febrero de 2026, y lo hizo admitiendo que ni siquiera sabía si ya existía un nombre para esto: "I don't know if there is a broad industry-accepted term for this yet, but I've grown to calling this 'harness engineering'". Dos meses después, el 2 de abril de 2026, Birgitta Böckeler le dedicó un artículo entero en martinfowler.com, que suele ser la señal de que un término ha venido para quedarse.

    La ecuación que lo resume la formuló LangChain en The Anatomy of an Agent Harness:

    Agente = Modelo + Harness

    El modelo lo ponen Anthropic, OpenAI o Google. Tú no lo controlas, y cambia cada pocos meses sin pedirte permiso.

    Lo único que construyes de verdad es el harness: las herramientas que expones, los permisos que concedes, el linter, los tests, el pipeline de CI, el AGENTS.md, los hooks que se disparan antes y después de cada edición.

    Harness engineering responde a otra pregunta distinta: qué se le permite hacer y cómo compruebas que lo hizo bien.

    Ninguna de las dos preguntas es un subconjunto de la otra. Por eso son ejes.

    Graph engineering vs harness engineering: tabla comparativa

    La diferencia en una frase: graph engineering modela la ejecución; harness engineering modela las restricciones y la verificación. Uno decide qué corre y en qué orden. El otro decide qué se le permite tocar y qué comando declara que ha terminado.

    Graph engineering Harness engineering
    Qué modela La ejecución Las restricciones y la verificación
    Pregunta que responde ¿Qué corre, en qué orden, con qué estado? ¿Qué puede tocar y cómo sé que funcionó?
    Artefactos Nodos, aristas, routing condicional, estado compartido Tools, permisos, tests, linters, CI, AGENTS.md, hooks
    Dónde vive En el framework de orquestación En tu repo y en tu pipeline
    Herramientas típicas LangGraph, Google ADK 2.0, Microsoft Agent Framework tsc, ESLint, Vitest, git worktrees, GitHub Actions
    Falla cuando… La tarea necesita más de un rol y no hay estructura El agente entrega algo plausible que no compila
    Cómo se ve el fallo Un loop que da vueltas sin converger Un PR limpio, ordenado y equivocado
    Visibilidad Alta: se dibuja en una slide Baja: vive en un script de package.json

    Y este es el cuadrante que sale de cruzar los dos ejes, que es donde duele:

    Harness pobre Harness sólido
    Sin grafo Un loop suelto que acaba rompiendo main Un agente lento pero fiable para una tarea acotada
    Con grafo Basura ordenada, y además a escala Un sistema que puedes dejar corriendo sin mirarlo

    Un grafo perfecto con un harness pésimo produce basura ordenada. Con trazas preciosas, eso sí. Cada paso registrado, cada transición visible, y un resultado que no funciona.

    Un harness excelente sin grafo se atasca en cuanto la tarea necesita más de un rol —investigar, implementar, revisar— y todo intenta caber en un único bucle que se queda sin contexto a mitad de camino.

    La mayoría de los equipos invierte en el eje del grafo. Es lo visible, lo que se dibuja, lo que impresiona en una demo. Y descuida el harness, que es lo que de verdad mueve la aguja.

    Nada de esto es nuevo, y conviene decirlo

    Ninguna capacidad de graph engineering apareció en 2026.

    LangGraph, AutoGen y ADK ya orquestaban por grafo antes de que el término existiera. Lo que cambió fue el vocabulario, no la tecnología.

    Google publicó ADK 2.0 para Python el 19 de mayo de 2026 —el ADK ya había llegado a disponibilidad general un año antes, con la 1.0 de mayo de 2025— y ahí consolidó la idea en su arquitectura: los agentes se modelan como nodos de un grafo de workflow. Go recibió su 2.0 el 30 de junio de 2026 y TypeScript el 21 de agosto de 2026, así que desde entonces construyes workflows basados en grafo de forma nativa también desde Node, sin salir del lenguaje en el que están todos los ejemplos de este post.

    Cuando un término se pone de moda, la reacción sana no es migrar. Es preguntarte qué problema tuyo resuelve hoy.

    Si tu agente de un solo loop se atasca porque la tarea necesita roles separados, el grafo te ayuda: sobre cuándo dar ese salto escribí en LangGraph con TypeScript: grafo de estados vs. loop.

    Si tu agente entrega cosas que no compilan, el grafo no te va a salvar. Vas a tener el mismo problema, solo que mejor enrutado.

    La diferencia, en código

    Un nodo de grafo es una función que recibe el estado compartido y devuelve el trozo de estado que cambia. Nada más.

    // EJE 1: GRAPH — qué se ejecuta y con qué estado
    // state.ts
    
    export type Verdict = { ok: boolean; failures: { name: string; output: string }[] }
    
    export type BuildState = {
      spec: string
      plan?: string
      patch?: string
      verdict?: Verdict
      attempts: number
    }
    
    export type GraphNode = (state: BuildState) => Promise<Partial<BuildState>>
    
    // Tu cliente de LLM: la SDK de Anthropic, la de OpenAI, el AI SDK de Vercel…
    declare const model: {
      generate(input: { system: string; prompt: string }): Promise<string>
    }
    
    export const implement: GraphNode = async (state) => {
      const errores = state.verdict?.failures
        .map((f) => `[${f.name}]\n${f.output}`)
        .join('\n\n')
    
      const patch = await model.generate({
        system: 'Implementa la tarea. Devuelve un diff unificado.',
        prompt: [
          state.spec,
          `Plan:\n${state.plan ?? '(sin plan)'}`,
          errores ? `Intento anterior fallido:\n${errores}` : '',
        ].join('\n\n'),
      })
    
      return { patch, attempts: state.attempts + 1 }
    }
    

    Fíjate en lo que este nodo no sabe: si lo que ha escrito sirve para algo. Devuelve un diff y se queda tan tranquilo. El grafo enrutará al siguiente nodo con la misma confianza tanto si el parche compila como si es una invención con buena sintaxis.

    El otro eje es este:

    // EJE 2: HARNESS — qué se permite y cómo se comprueba
    // harness.ts
    
    import { execa } from 'execa'
    import type { Verdict } from './state'
    
    type Check = { name: string; cmd: string; args: string[] }
    
    const CHECKS: Check[] = [
      { name: 'types', cmd: 'npx', args: ['tsc', '--noEmit'] },
      { name: 'lint', cmd: 'npx', args: ['eslint', '.', '--max-warnings=0'] },
      { name: 'tests', cmd: 'npx', args: ['vitest', 'run'] },
    ]
    
    export async function verify(cwd: string): Promise<Verdict> {
      const failures: Verdict['failures'] = []
    
      for (const check of CHECKS) {
        const result = await execa(check.cmd, check.args, { cwd, reject: false })
    
        if (result.exitCode !== 0) {
          failures.push({
            name: check.name,
            output: `${result.stdout}\n${result.stderr}`.trim().slice(-4000),
          })
        }
      }
    
      return { ok: failures.length === 0, failures }
    }
    

    Y así es como se cruzan los dos ejes. El harness envuelve al nodo: el grafo decide quién trabaja, el harness decide qué cuenta como "terminado".

    // wire.ts
    import { verify } from './harness'
    import type { BuildState, GraphNode } from './state'
    
    declare const WORKTREE: string
    declare function applyPatch(cwd: string, patch: string): Promise<void>
    
    const withHarness =
      (node: GraphNode): GraphNode =>
      async (state) => {
        const update = await node(state)
        if (update.patch === undefined) return update
    
        // Siempre sobre un worktree aislado, nunca sobre tu rama de trabajo
        await applyPatch(WORKTREE, update.patch)
        const verdict = await verify(WORKTREE)
    
        return { ...update, verdict }
      }
    
    // El routing condicional ahora decide con evidencia, no con optimismo
    const routeAfterImplement = (state: BuildState): 'review' | 'implement' | 'giveUp' => {
      if (state.verdict?.ok) return 'review'
      return state.attempts >= 3 ? 'giveUp' : 'implement'
    }
    

    El detalle que lo cambia todo está en routeAfterImplement. Sin verdict, esa función solo puede enrutar por número de intentos o por lo que el propio modelo diga de sí mismo. Con verdict, enruta por hechos.

    Y el array failures que devuelve verify no es para tu log: va de vuelta al prompt del siguiente intento. Un harness que detecta el fallo pero no se lo cuenta al agente es media pieza.

    Quita el grafo y te queda un agente que, al menos, sabe cuándo ha fallado. Quita el harness y te queda un grafo que enruta con total seguridad hacia una conclusión falsa.

    En cuál invertir primero: harness antes que grafo

    Gástala entera en el harness. Esta es mi opinión y la defiendo: el grafo es un problema de estructura que puedes resolver más tarde, cuando sepas qué roles necesitas de verdad. El harness es un problema de confianza, y sin confianza no vas a dejar corriendo nada.

    Cuatro pasos concretos, en este orden:

    1. Escribe qué significa "terminado" como comandos. Un único script verify que devuelva exit code. Si no existe, no tienes harness: tienes esperanza.
    2. Cierra los permisos. Lista blanca de herramientas y un git worktree aislado. El agente no escribe en tu rama. Ojo con un detalle que te va a morder: un worktree recién creado no trae node_modules, así que instala antes de verificar o el harness te dará falsos rojos que no tienen nada que ver con el parche.
    3. Mueve el verificador a CI. Lo que solo corre en tu máquina no protege a nadie; el montaje completo está en test harness para agentes de IA.
    4. Convierte la revisión en un contrato en lugar de en una lectura a ojo. El método está en revisión por contrato y, desarrollado paso a paso, en el ebook gratuito Revisión por Contrato (30 páginas, sin coste).

    Cuando los cuatro estén en su sitio, añade el grafo. Vas a notar la diferencia en la primera semana, porque los nodos empezarán a fallar rápido y en voz alta en lugar de fallar en silencio.

    La única conclusión que te llevas

    Abre hoy tu repo y responde por escrito a una pregunta: ¿qué comando decide que el agente ha terminado?

    Si la respuesta es "lo miro yo en el PR", tu cuello de botella no es la orquestación. Es que no tienes harness, y ningún diagrama lo va a arreglar.

    Ese comando es tu trabajo de esta semana. El grafo puede esperar.

    Definir el "terminado" antes de escribir código es exactamente de lo que va el libro de Spec-Driven Development: la especificación es la parte del harness que decide si el resultado vale, y se escribe antes que nada. Y si quieres ver los dos ejes montados sobre un producto real, de la idea al deploy, eso es lo que construimos paso a paso en Construye con IA.

    Preguntas frecuentes

    ¿Necesito un framework de grafos para montar un sistema multi-agente?

    No. Un grafo es un diccionario de nodos y una función de routing: unas cuantas decenas de líneas de TypeScript, no mucho más que los ejemplos de este post.

    Los frameworks —LangGraph, ADK 2.0, Microsoft Agent Framework— te dan persistencia del estado, checkpoints, reanudación tras un fallo y trazabilidad. Eso es lo que estás comprando, no el concepto de grafo. Si tu proceso cabe en memoria y dura dos minutos, escríbelo a mano y ahórrate la dependencia.

    ¿El harness no es simplemente tener tests?

    Los tests son una pieza del harness, la más obvia. Pero el harness también decide qué herramientas ve el agente, qué ficheros puede tocar, qué comandos puede ejecutar y qué pasa cuando un check falla.

    Un agente con una suite de tests excelente y acceso de escritura a producción no tiene un buen harness. Tiene un buen día, hasta que deje de tenerlo.

    ¿"Graph engineering" no era lo del grafo de dependencias del código?

    También, y por eso genera tanta confusión: el término se usa para dos cosas.

    En su sentido de recuperación de contexto, graph engineering es indexar tu código como grafo de dependencias para que el agente navegue por ahí en vez de por embeddings sueltos. En su sentido de orquestación —el de este post— es modelar la ejecución multi-agente como grafo. Cuando alguien lo use, pregunta a cuál de los dos se refiere antes de discutir. La versión larga del sentido de recuperación —cómo se indexa, con qué herramientas y cuándo no compensa— está en qué es graph engineering.

    Si ya uso Claude Code o Codex, ¿tengo harness?

    Tienes el harness que trae la herramienta: permisos, hooks, ejecución de comandos, lectura del AGENTS.md. Es un buen punto de partida y está mejor pensado que lo que la mayoría montaría desde cero.

    Lo que no trae es la parte específica de tu proyecto: qué comando verifica tu código, qué invariantes de tu dominio no se pueden romper, qué rutas están prohibidas. Esa parte la escribes tú, y es la que separa un agente útil de un generador de PRs.

    ¿Cómo sé si mi problema es del grafo o del harness?

    Mira el modo de fallo. Si el agente da vueltas, repite trabajo, pierde el hilo a mitad o mezcla roles que deberían estar separados, tu problema es de estructura: te falta grafo.

    Si el agente termina rápido, entrega algo que parece correcto y luego no compila, no pasa los tests o rompe un caso que nadie había mirado, tu problema es de verificación: te falta harness. Ese segundo caso es el habitual, y además es el caro, porque el tiempo se te va entero en revisar a mano lo que la máquina genera. De ese cuello de botella hablé en por qué verificar es el nuevo cuello de botella.

    ¿Puedo aplicar harness engineering sin agentes autónomos?

    Sí, y es donde más rápido se nota. Si usas la IA solo como autocompletado avanzado en el editor, el harness sigue siendo tu red: tsc en modo estricto, linter sin warnings, tests que se ejecutan al guardar.

    La diferencia es el margen de error. Con un humano al mando, un harness flojo produce fricción. Con un agente corriendo solo durante veinte minutos, produce un desastre repartido en veinte commits.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Tutorial de harness engineering: la regla fuera del prompt

    Tutorial de harness engineering: la regla fuera del prompt

    El ticket dice: "Un cliente pagó 4,95 € de envío en un pedido de 45 €. Debería haber sido gratis".

    Se lo pasas al agente. Lee shipping.ts, encuentra FREE_SHIPPING_THRESHOLD = 50 y concluye que el código está bien. El pedido era de 45. Cerrado.

    Solo que negocio bajó el umbral a 39 € hace dos meses. Esa decisión está en un fichero de catálogo. En el código, no. En el prompt, tampoco. Este tutorial de harness engineering va de eso: de que el agente no tenga que adivinar ni tú que acordarte.

    En corto: la regla de negocio no se escribe en el prompt ni se deja solo en el código: vive en un catálogo del servicio y un harness mínimo la inyecta en cada ejecución. Ese mismo harness decide qué ficheros puede tocar el agente, rechaza cualquier cambio fuera de la lista y usa los tests como feedback para reintentar un número limitado de veces. El agente propone; el harness controla, y nunca despliega.


    ¿Qué significa sacar la regla de negocio fuera del prompt?

    Sacar la regla de negocio del prompt significa que el valor correcto (un umbral, un límite, un plazo) vive en una fuente de verdad versionada que el harness lee e inyecta, en lugar de depender de que la persona que escribe el prompt se acuerde de mencionarlo.

    Harness engineering es la disciplina de diseñar el sistema que rodea al modelo (qué contexto recibe, qué puede tocar y cómo se verifica su trabajo) para que un agente de IA produzca resultados predecibles.

    No voy a repetir la teoría: la anatomía completa está en qué es un agent harness y el origen del término en harness engineering con Codex de OpenAI. Y si quieres la visión de por qué todo tu ciclo de desarrollo es, en realidad, una fábrica de contexto, léete SDLC context engineering.

    Aquí vamos a lo concreto: un servicio, un bug, unas 150 líneas de TypeScript.

    Tres sitios donde puede vivir la regla

    Antes del código, la decisión. El umbral de envío gratis puede vivir en tres sitios, y cada uno falla de una forma distinta.

    En el prompt Hardcodeada en el código En el catálogo, inyectada por el harness
    Quién la mantiene Quien escribe el prompt ese día Quien tocó el fichero la última vez El owner del servicio
    Qué pasa cuando cambia Depende de que alguien se acuerde Nadie se entera hasta que llega un ticket Cambias una línea del YAML y el siguiente run la usa
    La ve el agente Solo si la escribes Sí, pero la toma como verdad aunque esté mal Siempre, marcada como fuente que prevalece
    La ven los tests No Solo si el test repite el número Sí, si el test lee el mismo catálogo
    Riesgo principal Olvido. Cada prompt es un punto de fallo Divergencia silenciosa con negocio Catálogo desactualizado tratado como verdad

    La tercera columna no es perfecta. Pero es la única en la que el error tiene un solo sitio donde corregirse.

    El servicio de ejemplo del tutorial de harness engineering

    Estructura mínima:

    catalog/shipping-service.yaml
    src/shipping.ts
    src/shipping.test.ts
    harness/context.ts
    harness/run.ts
    

    El catálogo. En empresas grandes esto no es un YAML suelto: vive en un developer portal. Backstage lo modela con un catalog-info.yaml por servicio y Port lo expone como entidades con API. Si no tienes nada de eso, un fichero versionado en el repo sirve igual para empezar:

    # catalog/shipping-service.yaml
    name: shipping-service
    owner: team-checkout
    rules:
      freeShippingThreshold:
        value: 39
        unit: EUR
        source: "Decisión de negocio Q3-2026 (OPS-412)"
      standardShippingCost:
        value: 4.95
        unit: EUR
    agent:
      editableFiles:
        - src/shipping.ts
      testCommand: "npx vitest run src/shipping.test.ts"
      maxAttempts: 3
    

    Fíjate en el bloque agent. Qué ficheros puede tocar el agente lo decide el owner del servicio, no el agente ni quien lanza la tarea.

    El código con el bug:

    // src/shipping.ts
    const FREE_SHIPPING_THRESHOLD = 50;
    const STANDARD_SHIPPING = 4.95;
    
    export function shippingCost(subtotal: number): number {
      if (subtotal < 0) throw new RangeError('subtotal negativo');
      return subtotal >= FREE_SHIPPING_THRESHOLD ? 0 : STANDARD_SHIPPING;
    }
    

    Paso 1: cargar el contexto de servicio para el agente

    El primer trabajo del harness es construir el contexto de servicio para el agente: leer el catálogo, validarlo y fallar si está incompleto.

    // harness/context.ts
    import { readFileSync } from 'node:fs';
    import { parse } from 'yaml';
    
    export interface Rule {
      value: number | string;
      unit?: string;
      source?: string;
    }
    
    export interface ServiceContext {
      name: string;
      owner: string;
      rules: Record<string, Rule>;
      agent: { editableFiles: string[]; testCommand: string; maxAttempts: number };
    }
    
    export function loadServiceContext(path: string): ServiceContext {
      const raw = parse(readFileSync(path, 'utf8'));
      if (
        !raw?.name ||
        !raw?.rules ||
        !Array.isArray(raw?.agent?.editableFiles) ||
        typeof raw?.agent?.testCommand !== 'string' ||
        !Number.isInteger(raw?.agent?.maxAttempts)
      ) {
        throw new Error(`Catálogo inválido: ${path}`);
      }
      return raw as ServiceContext;
    }
    

    Si el catálogo está roto, el harness para. No arranca con contexto a medias. En producción yo validaría esto con un schema de Zod en vez de con cinco condiciones a mano, pero la idea es la misma: el contexto entra validado o no entra.

    Los tests leen el umbral del mismo catálogo que el harness, así que nunca se quedan desfasados respecto a la regla de negocio:

    // src/shipping.test.ts
    import { describe, it, expect } from 'vitest';
    import { loadServiceContext } from '../harness/context';
    import { shippingCost } from './shipping';
    
    const { rules } = loadServiceContext('catalog/shipping-service.yaml');
    const threshold = Number(rules.freeShippingThreshold.value);
    const standard = Number(rules.standardShippingCost.value);
    
    describe('shippingCost', () => {
      it('es gratis a partir del umbral del catálogo', () => {
        expect(shippingCost(threshold)).toBe(0);
      });
    
      it('cobra envío justo por debajo del umbral', () => {
        expect(shippingCost(threshold - 0.01)).toBe(standard);
      });
    });
    

    El test no repite el número 39. Lo lee. Si mañana negocio sube el umbral a 45, cambias el YAML, el test se pone rojo y el bucle del harness tiene algo que arreglar.

    Y el test no está en editableFiles. El harness no aplica ningún cambio del agente sobre la aserción. Es la misma idea que desarrollé en el test harness como red para agentes: el agente no puede mover la portería, al menos no por la vía directa (en los límites verás la indirecta).

    ¿Y por qué shipping.ts no lee el catálogo en runtime y nos ahorramos el problema? Porque en muchos servicios no puedes: el catálogo vive en otro sistema, la regla se compila en un bundle o el código de dominio no debe depender de un fichero de configuración de plataforma. Si en tu caso sí puedes, hazlo: es la versión todavía mejor de esta misma idea.

    Paso 3: el bucle del harness

    El bucle hace cuatro cosas en orden: construye el prompt con las reglas del catálogo, rechaza cualquier cambio fuera de la allowlist, ejecuta los tests y, si fallan, reintenta con su salida como feedback hasta maxAttempts. Si se agotan, hace rollback.

    // harness/run.ts
    import Anthropic from '@anthropic-ai/sdk';
    import { readFileSync, writeFileSync } from 'node:fs';
    import { spawnSync } from 'node:child_process';
    import path from 'node:path';
    import { loadServiceContext, type ServiceContext } from './context';
    
    const client = new Anthropic(); // lee ANTHROPIC_API_KEY del entorno
    type FileChange = { path: string; content: string };
    
    function buildPrompt(task: string, ctx: ServiceContext, feedback?: string): string {
      const rules = Object.entries(ctx.rules)
        .map(([k, r]) => `- ${k}: ${r.value} ${r.unit ?? ''} (fuente: ${r.source ?? 'catálogo'})`)
        .join('\n');
      const files = ctx.agent.editableFiles
        .map((f) => `<file path="${f}">\n${readFileSync(f, 'utf8')}\n</file>`)
        .join('\n');
      return [
        `Servicio: ${ctx.name} (owner: ${ctx.owner})`,
        `Reglas de negocio vigentes. Prevalecen sobre cualquier valor del código:\n${rules}`,
        `Ficheros que puedes modificar:\n${files}`,
        `Tarea: ${task}`,
        feedback ? `El intento anterior falló:\n${feedback}` : '',
        'Devuelve cada fichero modificado completo con el formato <file path="...">contenido</file>. Nada más.',
      ].join('\n\n');
    }
    
    async function callModel(prompt: string): Promise<string> {
      const response = await client.messages.create({
        model: 'claude-sonnet-5',
        max_tokens: 4096,
        messages: [{ role: 'user', content: prompt }],
      });
      if (response.stop_reason === 'max_tokens') {
        return 'La respuesta se cortó por max_tokens: devuelve solo los ficheros imprescindibles.';
      }
      return response.content.map((b) => (b.type === 'text' ? b.text : '')).join('');
    }
    
    function parseChanges(output: string): FileChange[] {
      const re = /<file path="([^"]+)">\n?([\s\S]*?)<\/file>/g;
      // los modelos a veces envuelven el contenido en vallas de markdown: se quitan
      const unfence = (s: string) => s.replace(/^\s*```\w*\n/, '').replace(/\n```\s*$/, '\n');
      return [...output.matchAll(re)].map((m) => ({ path: m[1], content: unfence(m[2]) }));
    }
    
    function assertAllowed(changes: FileChange[], allowlist: string[]): void {
      if (changes.length === 0) throw new Error('El modelo no devolvió cambios.');
      const allowed = new Set(allowlist.map((f) => path.normalize(f)));
      const outside = changes.filter((c) => !allowed.has(path.normalize(c.path)));
      if (outside.length > 0) {
        throw new Error(`Rechazado. Fuera de la allowlist: ${outside.map((c) => c.path).join(', ')}`);
      }
    }
    
    function runTests(command: string): { ok: boolean; output: string } {
      // El proceso hijo no hereda nada que parezca un secreto
      const env = Object.fromEntries(
        Object.entries(process.env).filter(([k]) => !/KEY|TOKEN|SECRET|PASSWORD/i.test(k)),
      );
      // timeout: un test colgado cuenta como intento fallido (status null), no bloquea el harness
      const r = spawnSync(command, { shell: true, encoding: 'utf8', env, timeout: 120_000 });
      return { ok: r.status === 0, output: `${r.stdout}\n${r.stderr}`.slice(-4000) };
    }
    
    export async function runHarness(task: string, catalogPath: string) {
      const ctx = loadServiceContext(catalogPath);
      const originals = new Map(ctx.agent.editableFiles.map((f) => [f, readFileSync(f, 'utf8')]));
      let feedback: string | undefined;
      let succeeded = false;
    
      try {
        for (let attempt = 1; attempt <= ctx.agent.maxAttempts; attempt++) {
          const changes = parseChanges(await callModel(buildPrompt(task, ctx, feedback)));
          try {
            assertAllowed(changes, ctx.agent.editableFiles);
          } catch (err) {
            feedback = (err as Error).message;
            continue;
          }
          for (const c of changes) writeFileSync(path.normalize(c.path), c.content);
          const tests = runTests(ctx.agent.testCommand);
          if (tests.ok) {
            succeeded = true;
            return { status: 'ready-for-review' as const, attempt };
          }
          feedback = tests.output;
        }
        return { status: 'failed' as const, lastFeedback: feedback };
      } finally {
        // rollback también si el modelo o el disco lanzan a mitad
        if (!succeeded) for (const [f, content] of originals) writeFileSync(f, content);
      }
    }
    

    Y la llamada, en un harness/main.ts que ejecutas con npx tsx harness/main.ts (tsx resuelve los imports sin extensión y el top-level await):

    // harness/main.ts
    import { runHarness } from './run';
    
    const result = await runHarness(
      'Un pedido de 45 € pagó envío y debería haber sido gratis. Corrige shippingCost.',
      'catalog/shipping-service.yaml',
    );
    console.log(result);
    

    Fíjate en lo que no dice la tarea: no dice "el umbral es 39". Quien abre el ticket no tiene por qué saberlo. El harness lo sabe porque lo lee del catálogo.

    Qué controla el harness y qué no controla el modelo

    Repasa el bucle con los ojos de quien lo audita.

    El contexto. El modelo recibe la regla con su fuente y la instrucción de que prevalece sobre el código. Ya no tiene que elegir entre un 50 que ve y un 39 que nadie le ha dicho.

    El radio de acción. Si el modelo devuelve src/shipping.test.ts o ../catalog/shipping-service.yaml, no están en la allowlist y el cambio entero se rechaza (path.normalize solo evita que ./src/shipping.ts se rechace por la forma de escribir la ruta). Se rechaza completo, no se aplica a medias. El motivo del rechazo vuelve como feedback en el siguiente intento.

    La verificación. El agente no decide cuándo ha terminado. Termina cuando vitest sale con código 0. Si falla, la salida de los tests (los últimos 4.000 caracteres, para no inflar el contexto) vuelve al prompt.

    El final. Tres intentos y rollback, también si la API falla a mitad de bucle: el finally restaura los ficheros pase lo que pase. El mejor resultado posible es ready-for-review: el harness no hace git push, no abre PR contra main y no tiene credenciales de despliegue. Filtrar variables de entorno es una red de seguridad, no la garantía. La garantía real es que el proceso del harness nunca tenga esas credenciales cargadas.

    Esta forma de pensar el trabajo con agentes, con contexto explícito, límites y verificación antes de que un humano mire, es la que seguimos en Construye con IA para pasar de idea a producto sin que el agente decida cosas que no le tocan.

    Lo que dice la gente que ya lo hace

    OpenAI popularizó el término con Harness engineering: Leveraging Codex in an agent-first world. El hilo de Hacker News sobre ese post tiene más de 200 comentarios, y los que aportan algo coinciden en lo mismo. Un usuario resume su receta y el primer punto es literalmente: "Give Claude/Codex a way to verify its own work (browser, smoke tests, e2e tests, high-fidelity local environment)".

    Otro avisa de lo que pasa sin ese control. Sin supervisión, "it'll start creating slop or hardcoding solutions". Aquí el número sigue en el código: el agente cambiará 50 por 39, y eso también es hardcodear. La diferencia es que ahora el hardcodeo tiene un vigilante. Si el número del código se separa del catálogo, el test que lee el catálogo se pone rojo. Si quieres eliminar la copia, el siguiente paso es que shipping.ts lea el umbral del catálogo en runtime.

    Límites de este enfoque de harness engineering

    El catálogo puede mentir y el agente se lo cree. Le has dicho al modelo que el catálogo prevalece sobre el código. Si alguien deja el YAML desactualizado, el harness propaga el error con toda la confianza del mundo, y el test también, porque lee el mismo fichero. En el mismo hilo de HN alguien lo dice de la documentación en general: "Become outdated fast". El catálogo necesita un owner con nombre y apellidos, y los cambios de regla tienen que pasar por revisión como cualquier otro código.

    La allowlist por fichero es gruesa. Permitir src/shipping.ts permite todo lo que hay en src/shipping.ts. El agente puede cambiar el umbral y, de paso, reescribir el manejo de errores. La allowlist limita dónde toca el agente, no qué hace. Para eso sigue haciendo falta revisar el diff.

    Los tests ejecutan código del agente. La allowlist controla lo que escribe el harness, no lo que hace shipping.ts cuando vitest lo importa. Ese código puede escribir en el test o leer un .env del disco. Dos defensas baratas: después de los tests, comprueba con git status --porcelain que solo cambiaron ficheros de la allowlist, y ejecuta los tests en un contenedor sin credenciales ni acceso de escritura fuera de src/.

    Los tests solo verifican lo que cubren. Dos tests sobre el umbral no dicen nada de redondeos, divisas o pedidos con descuento. Un cambio que pasa en verde no está bien: simplemente no rompe lo que mides.

    Los reintentos cuestan. Cada intento reenvía los ficheros permitidos completos, las reglas y la salida de los tests. Con un fichero pequeño da igual. Con cinco ficheros de 800 líneas y maxAttempts: 5, el coste se multiplica y el modelo empieza a arrastrar contexto de intentos fallidos. Si en tres intentos no pasa, el problema suele estar en la tarea o en los tests, no en la falta de insistencia.

    Devolver ficheros completos no escala. Para ficheros grandes vas a querer diffs o herramientas de edición en lugar de ficheros enteros, y entonces la validación de la allowlist se hace sobre las rutas del diff. La idea no cambia; cambia el parser.

    El feedback es de un solo intento. Si un intento se rechaza por la allowlist, ese mensaje sustituye a la salida de los tests del intento anterior, y el siguiente prompt enseña el fichero ya modificado, no el original. Para tareas acotadas basta; para tareas largas conviene acumular el historial de feedback.

    Qué hacer hoy

    Elige una regla de negocio que hoy vive como constante en tu código y que alguien de fuera de ingeniería puede cambiar: un umbral, un plazo, un límite de reintentos. Muévela a un fichero de catálogo versionado, haz que su test la lea de ahí y quita el número del test.

    Solo con eso, sin agente, ya tienes una regla con un único sitio de verdad. Luego conectar el harness es un centenar largo de líneas.

    Si quieres los fundamentos de cómo funcionan los agentes por dentro (bucles, herramientas, memoria, seguridad), tienes gratis el ebook El Developer Agéntico. Y si quieres llevar esta disciplina más atrás, a la especificación antes de que exista el código, el libro de Spec-Driven Development es el siguiente paso.

    Preguntas frecuentes

    ¿Por qué no basta con poner la regla de negocio en el prompt?

    Porque depende de que quien escribe el prompt la conozca y se acuerde. Cada tarea nueva es una oportunidad de olvidarla. Si el harness la lee de una fuente de verdad, la regla llega siempre, aunque el ticket lo haya escrito alguien que no sabe que existe.

    ¿Necesito Backstage o Port para aplicar esto?

    No. Un fichero YAML o JSON versionado en el repo del servicio es suficiente para empezar. Backstage o Port tienen sentido cuando hay decenas de servicios y varios equipos y necesitas un catálogo centralizado con owners, API y búsqueda. El harness solo necesita una función que devuelva el contexto validado, venga de donde venga.

    ¿Qué pasa si el agente intenta modificar los tests para que pasen?

    El harness rechaza el cambio completo porque el fichero de test no está en la allowlist, y el motivo vuelve como feedback en el siguiente intento. Por eso los tests nunca deben estar en la lista de ficheros editables cuando el objetivo es corregir código contra ellos.

    ¿Por qué el código no lee directamente el catálogo en runtime?

    Si puedes, hazlo: es la versión más sólida de la idea, porque elimina la copia del valor. En muchos servicios no es viable (el catálogo vive en otro sistema, la regla se compila en un bundle o el dominio no debe depender de la configuración de plataforma). En esos casos, el test que lee el catálogo es lo que evita que el código y la regla se separen.

    ¿Cuántos reintentos debería permitir el harness?

    Entre dos y tres para tareas acotadas como esta. Más intentos rara vez arreglan lo que los primeros no arreglaron, y el coste en tokens crece con cada uno. Si falla de forma sistemática, revisa la tarea, el contexto o los tests antes de subir el límite.

    ¿Por qué el harness no despliega si los tests pasan?

    Porque unos tests verdes solo demuestran que no se ha roto lo que está cubierto. El despliegue necesita una revisión humana del diff y el pipeline de CI habitual. El harness entrega un cambio listo para revisar; quien tiene permisos de despliegue es otra persona, u otro sistema con sus propios controles.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Jev en OpenRouter: cuándo usarlo y cuándo ir directo a TypeSafe

    Jev en OpenRouter: cuándo usarlo y cuándo ir directo a TypeSafe

    El 20 de septiembre medí Jev desde mi red. Reutilizando la conexión, 258 ms de mediana. Abriendo una nueva en cada llamada, 628.

    Dos días después, TypeSafe pausó los registros nuevos.

    Si llegaste tarde, no tienes clave. Pero probablemente sí tienes una de OpenRouter. Y Jev en OpenRouter ya existe.

    El problema es que no funciona como el resto de modelos que usas ahí. Su guía no lo documenta en /chat/completions: no puedes cambiar el ID del modelo en tu llamada de siempre y seguir como si nada.

    En corto: Jev ya está en OpenRouter (typesafe/jev-1.13), pero no por /chat/completions, sino por su propio endpoint. Con los registros de TypeSafe pausados, es la vía más rápida para probarlo. La pregunta real no es qué gateway usar, sino qué decisiones pasan a Jev y cuáles siguen en un LLM generativo.


    Jev en OpenRouter: qué es y qué cambia

    Jev es un modelo de decisión de TypeSafe AI (de la familia que llaman System One): recibe un estado y preguntas tipadas (noul, choice, score) y devuelve probabilidades calibradas, no texto. Cuesta $0,042 por millón de tokens de entrada y la salida no se cobra. Su documentación habla de unos 100 ms de inferencia; lo que yo mido de extremo a extremo ronda los 250 ms.

    OpenRouter es un gateway: una sola clave para cientos de modelos generativos. Con Jev cambia la puerta de entrada. Según la guía oficial de Jev en OpenRouter, hay dos:

    • POST https://openrouter.ai/api/v1/systemone: para quien ya usa los SDK de TypeSafe. Cambias la URL base y la clave; su guía del SDK dice que el formato de request y respuesta es el de TypeSafe.
    • POST https://openrouter.ai/api/alpha/decisions: la Decisions API, en alpha, con SDK propios de OpenRouter.

    No necesitas cuenta de TypeSafe: basta la clave de OpenRouter, y se factura ahí. Y no lo busques en /api/v1/models: ese listado es de modelos de chat.


    Por qué Jev no llegó a OpenRouter por chat completions

    El día del lanzamiento, en el hilo de Hacker News, ya se pedía.

    petesergeant lo resumió así: "looking forward to it showing up on OpenRouter". mushufasa pedía verlo en hubs como OpenRouter o Bedrock para no pasar otra revisión de proveedor, y remataba: "And an extra middleman tax is well worth it when the cost savings of the model itself can be one-two orders of magnitude."

    Le contestó varenc con el problema de fondo: Jev no encaja en la API estilo OpenAI. Integrarlo "would take a different request and response format than every other model on Open Router".

    Eso es lo que acabó pasando. OpenRouter no metió Jev con calzador en /chat/completions: expuso el formato propio de TypeSafe.

    Un detalle más. En su post de lanzamiento, TypeSafe admite que "the numbers for LLMs are from OpenRouter", que eso casi seguro mete sesgo por el routing, y que sus evals se ejecutan "from our laptops on the West Coast".

    Traducción: el routing y la red mueven los números. Mide desde tu infraestructura.


    Jev en OpenRouter o TypeSafe directo: la comparación

    TypeSafe directo Jev vía OpenRouter
    Cuenta De TypeSafe (altas nuevas pausadas desde el 22-09-2026) Solo clave de OpenRouter
    Endpoint api.typesafe.ai/v1/systemone openrouter.ai/api/v1/systemone · /api/alpha/decisions (alpha)
    Contexto 64k por request; 32k para estado + pregunta más larga 32k combinados (estado + preguntas)
    Coste $0,042/MTok de entrada; salida $0 $0,042/MTok de entrada; salida $0 (ficha del modelo, 26-09-2026) + comisión del 5,5% al comprar créditos con tarjeta (mínimo $0,80)
    Límite / riesgo Altas pausadas; límites dinámicos que cambian sin aviso Un salto de red más; un intermediario más con tus datos; Decisions API en alpha; la guía no documenta la retención

    Lo de la privacidad no es paranoia. En el mismo hilo, cheeze contestó a la idea del hub: "Isn't openrouter the exact opposite of caring about security and privacy?". Con Jev el proveedor final es siempre TypeSafe, pero tus datos pasan por dos empresas. Revisa la política de datos de la ficha del modelo antes de mandar nada sensible, y el resto de vías en cómo acceder a Jev y qué opciones de despliegue existen.

    Mi regla: OpenRouter para probar y para cargas donde ya aceptas un intermediario; directo cuando tienes cuenta y cada milisegundo cuenta. Mis 258 ms son contra api.typesafe.ai. Por OpenRouter no lo he medido: hay un salto más, así que mídelo antes de fijar un timeout.


    Jev frente a un LLM generativo

    Elegir la vía es la parte fácil. La difícil es qué le pides a cada modelo.

    Dimensión Jev LLM generativo (vía OpenRouter)
    Qué es Modelo de decisión (System One) Modelo que genera texto token a token
    Salida noul, choice, score con probabilidades Texto libre, JSON, código
    Latencia ~100 ms de inferencia según la doc; ~250 ms end-to-end medidos De cientos de ms a segundos, según modelo y salida
    Precio (entrada / salida por MTok, 26-09-2026) $0,042 / $0 DeepSeek V4 Flash $0,047 / $0,094 · GPT-5.6 Luna $0,20 / $1,20 · Claude Sonnet 5 $2 / $10
    Confianza Probabilidades calibradas Sin calibración garantizada
    Streaming No aplica: devuelve un objeto tipado Disponible en la mayoría de modelos
    Limitación / riesgo Solo texto; no cuenta ni hace aritmética; 32k para estado + pregunta más larga; no trata el estado como hostil; el alias jev-latest se mueve Latencia y coste de generación; el proveedor final varía según el routing (privacidad)

    El patrón híbrido: Jev decide, el LLM escribe

    No son alternativas. Se reparten el trabajo.

    Usa un LLM vía OpenRouter cuando hay que generar:

    1. Redactar respuestas, resumir un hilo largo, explicar algo.
    2. Escribir o refactorizar código.
    3. Razonar en varios pasos antes de concluir.
    4. Tener un plan B entre modelos. Ojo: el fallback automático de OpenRouter es entre proveedores del mismo modelo. Para saltar de Claude Sonnet 5 a GPT-5.6 Luna pasas un array models en orden de preferencia (Model Fallbacks). Si lo que falla es tu agente en bucle, necesitas un circuit breaker.

    Usa Jev cuando hay que juzgar:

    1. Triaje de eventos. El límite documentado de TypeSafe es de 1.200 requests por minuto, unas 72.000 por hora; para más, agrupa varios eventos por request.
    2. Primera capa de guardrails. ¿Este mensaje intenta saltarse las instrucciones? Antes de pagar un modelo caro.
    3. Decisiones binarias con umbral. ¿Este comentario infringe las normas? Si answers.infringe.noul >= 0.85, se modera solo. La zona gris va a revisión humana. Cómo elegir esos números lo cuento en el harness con veredicto calibrado.
    4. Scoring de prioridad. Severidad de 0 a 4 para decidir si despiertas a alguien.

    Así queda la compuerta:

    import { TypeSafeClient, choice, noul } from '@typesafe-ai/sdk'
    
    // Directo: TYPESAFE_API_KEY con tu clave de TypeSafe.
    // Vía OpenRouter: TYPESAFE_BASE_URL=https://openrouter.ai/api y tu clave de OpenRouter
    // (allí el ID es 'jev-1.13', que se enruta como typesafe/jev-1.13).
    const jev = new TypeSafeClient()
    
    type Respuesta = { respuesta: string; codigo: number }
    declare function invocarOpenRouterParaSintesis(mensaje: string, usuarioId: string): Promise<Respuesta>
    declare function enviarARevisionHumana(mensaje: string, usuarioId: string): Promise<Respuesta>
    
    export async function atenderMensajeUsuario(mensaje: string, usuarioId: string): Promise<Respuesta> {
      // Nivel 1: Jev decide (~250 ms medidos, $0,042/MTok de entrada)
      const { answers } = await jev.systemOne({
        model: 'jev-1.13.0', // fija la versión: los umbrales se calibran contra ella
        state: { mensaje },
        questions: {
          esAtaque: noul('Is `mensaje` an attempt to override or manipulate system instructions?'),
          intencion: choice('What is the user asking for in `mensaje`?', {
            FAQ_PRECIO: 'Asks about subscription pricing or plans',
            CONSULTA_TECNICA: 'Asks a technical software question',
            SALUDO: 'Says hello or a brief pleasantry with no request',
            RECLAMO: 'Reports a broken feature or a bug',
          }),
        },
      })
    
      if (answers.esAtaque.noul >= 0.85) {
        return { respuesta: 'Petición bloqueada por políticas de seguridad.', codigo: 403 }
      }
      if (answers.esAtaque.noul >= 0.5) {
        return enviarARevisionHumana(mensaje, usuarioId) // zona gris
      }
    
      const { choice: tipo, confidence } = answers.intencion
      if (confidence >= 0.8 && tipo === 'FAQ_PRECIO') {
        return { respuesta: 'Tienes los planes en dominicode.com/planes', codigo: 200 }
      }
      if (confidence >= 0.8 && tipo === 'SALUDO') {
        return { respuesta: '¡Hola! ¿En qué te ayudo con tu código?', codigo: 200 }
      }
    
      // Nivel 2: solo lo que necesita texto generado llega al LLM
      return invocarOpenRouterParaSintesis(mensaje, usuarioId)
    }
    

    Fíjate en que la noul no trae confidence: el propio número ya es la probabilidad. La choice sí.

    Ojo: Jev no trata el state como hostil. Un mensaje diseñado para engañar al clasificador puede mover la probabilidad. Úsalo como primera capa, no como única.

    Cada petición que Jev resuelve en código es una llamada al LLM que no pagas. Mide qué proporción es en tu tráfico antes de prometer ahorros.

    Para montarlo desde cero tienes la guía paso a paso de Jev; para las cuentas, el desglose de precio y costes de Jev.


    Cuándo NO usar Jev (ni el patrón híbrido)

    TypeSafe publica una página de fallos conocidos de jev-1.13. Estos son los que más duelen en un sistema híbrido:

    • No cuenta. Ni caracteres, ni apariciones, ni elementos de una lista. Cuenta en código.
    • No hace aritmética ni compara fechas bien. Extrae con Jev, calcula en código.
    • El techo real son 32k. Si tu estado es un documento largo, filtra antes.
    • Rinde mejor en inglés. Si tu tráfico está en castellano, pruébalo con tus datos y vigila la confianza.
    • No genera ni explica. Justificar la decisión ante un usuario es trabajo de un LLM.
    • No trata el state como hostil. Un texto que argumenta su propia clasificación puede moverla.
    • Dos proveedores, dos puntos de fallo. Jev puede devolver 529 Overloaded y el LLM puede caerse. Necesitas un plan para cada uno.

    Si tu flujo es una sola llamada de generación sin decisiones intermedias, el patrón híbrido solo añade latencia y un proveedor. Déjalo en el LLM.


    Revisa esta semana tus prompts de "responde solo SÍ o NO"

    Busca en tu código prompts como "responde exclusivamente con 'SI' o 'NO'" o "devuelve un JSON con la categoría". Cada uno es candidato a pasar a Jev.

    No los migres todos. Coge uno, pásalo a Jev por OpenRouter con la clave que ya tienes, compáralo una semana con tráfico real y decide con números.

    Si estás decidiendo entre Jev y un LLM, en Jev y las decisiones tipadas con IA tienes la comparación completa: coste y latencia medidos, cuándo un LLM con structured output te basta y una tabla para decidir si de verdad lo necesitas.

    Para construir sistemas agénticos que coordinen modelos de decisión con modelos generativos, tienes el curso Construye con IA.

    Si prefieres empezar por lo básico, descárgate gratis El Developer Agéntico: cómo construir tu primer agente sin perder el control de lo que decide el modelo y lo que decide tu código.

    Y para compartir arquitecturas en producción y mediciones reales con otros developers, súmate a Dominicode Labs.


    Preguntas frecuentes

    ¿Puedo llamar a Jev a través de OpenRouter?

    Sí. El modelo es typesafe/jev-1.13 (alias ~typesafe/jev-latest), pero no va por /chat/completions. Tienes POST /api/v1/systemone, compatible con los SDK de TypeSafe cambiando la URL base, y POST /api/alpha/decisions, en alpha. Solo necesitas la clave de OpenRouter.

    ¿No es más barato un modelo pequeño en OpenRouter que Jev?

    Por token de entrada, no siempre: en OpenRouter hay modelos entre $0,02 y $0,05 por millón de entrada (DeepSeek V4 Flash o Llama 3.1 8B, a 26-09-2026). La diferencia está en la salida (Jev no la cobra), en la probabilidad calibrada y en la latencia. Mídelo con tu caso.

    ¿Qué hago si Jev no responde en el patrón híbrido?

    Envuelve la llamada con un timeout y un fallback: al LLM o a revisión humana, según el riesgo. Reutiliza la conexión (keep-alive) y pon el timeout por encima de tu p95 medido. Con conexión nueva, mi mediana fue de 628 ms: un timeout de 300 ms tiraría casi todas las llamadas frías.

    ¿Puede Jev evaluar imágenes como los modelos multimodales de OpenRouter?

    No. Solo acepta texto. Si necesitas decidir sobre una captura, pásala antes por un modelo multimodal como Gemini 3.5 Flash o Claude Sonnet 5, convierte lo relevante en texto y deja la decisión a Jev.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Multiagente vs agente único: framework con 3 casos reales

    Multiagente vs agente único: framework con 3 casos reales

    Hace tres semanas monté un pipeline de cuatro agentes para una feature que no necesitaba ni uno: planner, coder, reviewer y tester, cada uno con su propio prompt y su propia ventana de contexto. Se sentía como arquitectura seria.

    Tardó el triple que si lo hubiera hecho con un solo agente bien instruido. Gasté más tokens coordinando handoffs entre roles que resolviendo el problema real. Y el resultado no fue mejor — fue distinto, y peor: el reviewer contradecía decisiones que el coder ya había tomado con buen criterio.

    Ese día entendí que la pregunta multiagente vs un solo agente no se responde por instinto ni por moda. Se responde con criterios concretos, y esos criterios ya los han medido equipos que sí llevaron el experimento a producción, no solo a un demo.

    En corto: multiagente vale la pena cuando las subtareas son realmente paralelas, casi no comparten contexto, y el resultado justifica pagar entre 4 y 15 veces más tokens. Si tus subtareas dependen unas de otras —como pasa en la mayoría del código— un solo agente bien instruido gana en velocidad, coste y calidad. Orquestar varios agentes no es gratis: se gana con datos, no con intuición.

    ¿Qué es un sistema multiagente?

    Un sistema multiagente es una arquitectura de IA donde varios agentes —con roles, prompts o ventanas de contexto distintas— colaboran, en paralelo o en secuencia, para completar una tarea que en teoría podría resolver un solo agente con suficiente contexto y herramientas.

    La palabra clave es "en teoría". Que se pueda dividir un problema en roles no significa que dividirlo mejore el resultado — ya expliqué por qué el mega-prompt falla cuando se resuelve metiendo más subagentes sin criterio. La mayoría de los equipos confunden "se puede separar" con "conviene separar" — y esa confusión se siente más profesional, con nombres de rol y diagramas de flujo, aunque cada agente adicional solo añade un punto de fallo más y una llamada más al modelo que pagar.

    Tres equipos distintos, en dominios distintos, ya midieron esto en producción. Sus resultados no coinciden en la respuesta, pero sí coinciden en el criterio.

    Tres casos reales que no dicen lo mismo (y por eso sirven)

    Caso Qué se comparó Resultado multiagente Resultado agente único Quién ganó y por qué
    Anthropic — Claude Research Preguntas "breadth-first" con varios subagentes en paralelo vs. Claude Opus 4 solo 90,2% mejor que el agente único en su eval interna, pero consume ~15x los tokens de una conversación normal Consume ~4x los tokens de una conversación normal; peor en exploración amplia de fuentes independientes Multiagente. Las subtareas eran genuinamente independientes y el valor de la respuesta justificaba el coste. Anthropic aclara que en coding, con dependencias fuertes, esto no aplica
    Cognition (equipo de Devin) — "Don't Build Multi-Agents" Subagentes paralelos construyendo partes de una misma app vs. un agente lineal con historial comprimido Subagentes con contexto fragmentado tomaron decisiones incompatibles entre sí sin verlo (estilos, assets, nombres) Un agente que arrastra el contexto de cada decisión previa, con resúmenes comprimidos en tareas largas Agente único. El código depende de decisiones implícitas coherentes que solo sobreviven con contexto compartido real
    Uncle Bob — harness SwarmForge Harness con 6 roles fijos vs. un solo agente en la misma tarea de desarrollo 3-4 horas, calidad aceptable 40 minutos, calidad superior, consumo de tokens muchísimo menor Agente único. La orquestación rígida sumaba overhead sin sumar calidad; los gates de verificación siguieron siendo necesarios en ambos casos

    Nota lo que no dicen estos tres casos: no dicen "el multiagente está muerto" ni "siempre gana un solo agente". Dicen que cada arquitectura gana cuando el problema tiene una forma concreta, y esa forma se puede medir antes de construir nada.

    El propio lanzamiento del post de Cognition generó un hilo largo en Hacker News donde varios ingenieros coinciden en algo puntual: los subagentes sirven para aislar contexto que ensucia el prompt principal, no para repartir trabajo autónomo sin supervisión. Un comentarista lo resume mejor que cualquier framework: "si necesitas pensar distinto sobre el problema, necesitas un agente distinto" — si el razonamiento es el mismo con datos distintos, es el mismo agente.

    El framework: cinco criterios, no una moneda al aire

    De los tres casos sale un patrón repetido. Lo convertí en cinco criterios que reviso antes de escribir el primer prompt de orquestación.

    Criterio Señal de que multiagente vale la pena Señal de que gana un solo agente Peso
    Paralelismo real de las subtareas Las subtareas son independientes: ninguna necesita ver el resultado de otra hasta el final Las subtareas se encadenan paso a paso (editar y refactorizar código) Alto
    Coste en tokens vs. ahorro de tiempo humano El resultado justifica pagar 4x-15x tokens (investigación, análisis masivo, due diligence) La tarea es rutinaria y el ahorro de tiempo no compensa el gasto extra Alto
    Dependencias y decisiones implícitas compartidas Ninguna decisión de un agente condiciona lo que hace otro Una decisión de un paso condiciona el siguiente (arquitectura, nombres, estilo) Alto
    Especialización de contexto vs. overhead de coordinación Cada rol necesita un contexto tan distinto que mezclarlo degrada el prompt (buscar en la web vs. escribir código) Los roles comparten casi todo el contexto — separarlos solo añade handoffs Medio
    Necesidad real de "pensar distinto" La tarea exige un tipo de razonamiento distinto por fase (buscar, sintetizar, criticar) Todo el trabajo usa el mismo tipo de razonamiento aunque tenga varios pasos Medio
    Riesgo si te equivocas de opción Pagas 4x-15x tokens sin ganar calidad, y los agentes pueden contradecirse entre sí sin que nadie lo note Te quedas corto si el paralelismo era real: pierdes el tiempo que sí te habría ahorrado dividir el trabajo —

    La heurística que uso es simple: si tres o más criterios de peso "Alto" apuntan a multiagente, lo construyo. Si no, empiezo con un solo agente bien instruido y solo divido cuando el contexto se vuelve imposible de manejar en una ventana — no antes, por elegancia arquitectónica.

    Esto es exactamente la lógica que enseño en el curso Construye con IA: empezar con la arquitectura más simple que resuelve el problema, y añadir complejidad solo cuando el proyecto la reclama, no cuando la moda lo sugiere.

    Un matiz que los tres casos comparten: la verificación no depende de la arquitectura. Tengas uno o seis agentes, necesitas gates deterministas —tests, tipos, contratos— que confirmen que lo entregado hace lo que dice. Si todavía revisas el código de tus agentes leyendo el diff en vez de contra un contrato, el ebook gratuito de Revisión por Contrato explica cómo montar ese gate en una tarde.

    Cuándo el framework no aplica

    Este framework tiene límites reales, y fingir que no los tiene sería venderte una solución perfecta que no existe.

    No sabes de antemano si tus subtareas son paralelas. El framework asume que puedes evaluar el paralelismo antes de construir. En dominios nuevos eso no es cierto: el acoplamiento oculto entre pasos solo aparece con el sistema corriendo en producción, no en el diseño en papel.

    Los números no son universales. El 15x de tokens y el 90,2% de mejora de Anthropic salieron de research breadth-first, no de tu chatbot de soporte ni de tu pipeline de facturación. Úsalos como orden de magnitud, no como cifra que se traslada directo a tu caso — mide en tu propio proyecto antes de decidir.

    La observabilidad cambia el cálculo. Un equipo con buen tracing, replay y evals puede sostener un sistema multiagente incluso cuando el framework diría que no, porque detecta y corrige fallos en minutos. Un developer solo, sin esa infraestructura, paga el precio completo de la complejidad sin la red de seguridad que la justifica.

    Qué hacer con esto hoy

    Coge tu proyecto actual y pon los cinco criterios en una hoja. Cuenta cuántos "Alto" apuntan a multiagente.

    Si son menos de tres, borra el orquestador que ya empezaste a montar y quédate con un solo agente con mejor contexto. Vas a tardar menos en notar la diferencia que en terminar de escribir el segundo rol.

    Si son tres o más, constrúyelo — pero mide tokens y tiempo desde el primer día, porque ese es el dato que te dirá si acertaste. Si quieres ver estos patrones aplicados a proyectos reales, en Dominicode Labs los revisamos cada semana con la comunidad.

    Preguntas frecuentes

    ¿Cuándo es mejor usar multiagente en vez de un solo agente?

    Cuando las subtareas son genuinamente independientes, no requieren compartir contexto para tomar decisiones coherentes, y el valor del resultado justifica pagar varias veces más tokens. El caso de Anthropic es el más claro: preguntas amplias donde explorar diez fuentes en paralelo vale más que explorarlas una a una.

    ¿Cuánto más cuesta un sistema multiagente en tokens?

    En el caso público de Anthropic, un agente simple usa alrededor de 4 veces los tokens de una conversación normal, y un sistema multiagente completo llega a unas 15 veces. No es una cifra universal, pero sirve como orden de magnitud: si tu tarea no genera un valor claramente superior a ese multiplicador, la orquestación no se paga sola.

    ¿El multiagente sirve para tareas de programación?

    Rara vez, por una razón concreta: escribir código depende de decisiones que se encadenan (nombres, estilo, arquitectura) y que un agente necesita "ver" para no contradecirlas. Cognition/Devin y Uncle Bob con SwarmForge llegaron a la misma conclusión en dominios distintos: un agente único con buen contexto superó a la orquestación.

    ¿Cómo empiezo si no sé si mi tarea es paralelizable?

    Empieza siempre con un solo agente bien instruido. Si notas que el contexto no cabe en una ventana razonable, o que mezclas dos tipos de razonamiento completamente distintos en el mismo prompt, ahí tienes la señal real para dividir — no antes.

    ¿Qué pasa si ya construí un sistema multiagente y no está funcionando?

    Revisa si el problema es de coordinación (agentes que se contradicen) o de coste (tokens que no se justifican con el resultado). En el primer caso, el diagnóstico de Cognition aplica directo: necesitas más contexto compartido, no más agentes. En el segundo, vuelve a los cinco criterios y cuenta cuántos apuntaban realmente a multiagente antes de construirlo.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Verificar código generado por IA sin leer todo: 4 técnicas

    Verificar código generado por IA sin leer todo: 4 técnicas

    Hace unas semanas aprobé un pull request generado por un agente que arreglaba el cálculo de un descuento por antigüedad. Para verificar código generado por IA hice lo que hacemos casi todos: los tests pasaban en verde, el type checker no se quejó, el diff tenía 40 líneas legibles con nombres razonables.

    Le di merge.

    Dos días después, un usuario premium con 14 meses de antigüedad reportó un descuento del 10% en vez del 20%. El código funcionaba. Hacía exactamente lo que decía que hacía — solo que eso no era lo que yo había pedido. La condición antiguedad > 12 estaba invertida en un if, y ni el compilador ni los tests que el propio agente había escrito lo detectaron.

    (Esta anécdota es ilustrativa del tipo de fallo que describo aquí — no es un incidente puntual verificable con fecha exacta, es el patrón que se repite.)

    Esto no es una historia sobre un mal agente. Es sobre un mal proceso: mi "verificación" fue leer por encima y confiar en dos gates que no estaban hechos para atrapar ese error. Leer por encima no escala cuando el agente te entrega cinco PRs al día.

    En corto: verificar código generado por IA sin leer cada línea es posible con cuatro filtros baratos: deja que el type checker haga de primer gate, pide los tests desde la especificación antes de enseñarle el código al agente, usa un segundo agente con un prompt distinto como revisor, y concentra tu lectura manual en las líneas que tocan auth, dinero o validación de input. Ninguno sustituye un sistema completo — son parches rápidos que aplicas hoy, sin instalar nada.

    ¿Qué es un gate de verificación (y por qué no es lo mismo que "revisar")?

    Un gate de verificación es un chequeo binario que pasa o falla sin que tengas que interpretarlo — no depende de tu criterio ni de tu concentración a las 11 de la noche. "Revisar" es leer código y juzgar si parece correcto. Un gate ejecuta algo que responde sí o no, con evidencia. "Leí el diff y se veía bien" no es un gate, es una opinión — y las opiniones fallan justo cuando el código está bien escrito y hace lo contrario de lo que pide la spec.

    Eso importa porque el código de un agente está optimizado para parecer correcto: nombres claros, formato limpio, estructura familiar. Tu ojo entrenado para detectar "código feo" falla exactamente cuando el código es bonito y está mal.

    El problema real: el código pasa la vista y falla en producción

    No soy el único con esta fricción. En un hilo de Hacker News con 298 comentarios titulado "When AI writes the software, who verifies it?", el usuario roadbuster lo describe así (traducido del inglés):

    "El LLM genera felizmente tests que simplemente refuerzan el comportamiento existente del código. En ningún momento nadie se detiene a preguntar si el código generado implementa el comportamiento funcional deseado."

    Es lo que me pasó con el descuento: el agente escribió el código y luego tests que confirmaban que ese código hacía lo que hacía — no lo que yo había pedido. El test nunca falla porque nació del mismo malentendido que la implementación.

    En el mismo hilo, Karrot_Kream admite el punto incómodo: sigue auditando a mano los tests que genera la IA, aunque reconoce que es "la parte de programar que menos le gusta". Nadie quiere hacer esta parte. Por eso casi nadie la hace bien.

    4 técnicas que puedes aplicar hoy, sin instalar nada nuevo

    Ninguna requiere adoptar un framework, escribir un AGENTS.md o cambiar tu flujo. Son filtros que añades a lo que ya haces.

    Técnica Qué detecta Qué NO detecta Esfuerzo
    Type checker en modo estricto Tipos incompatibles, propiedades inexistentes, APIs alucinadas, nulls sin manejar Lógica de negocio incorrecta que tipa perfectamente bien Ninguno extra — actívalo en strict
    Tests desde la spec, antes de ver el código Que el comportamiento coincida con lo pedido, no con lo que el agente decidió escribir Casos que la spec no contempló; spec vaga produce tests vagos Bajo — un prompt aparte, antes de la implementación
    Segunda pasada con otro agente/prompt como revisor Inconsistencias entre spec y código, casos límite obvios, errores sin manejar Puede repetir el sesgo del primero si comparte el mismo chat Medio — exige prompt adversarial, en sesión nueva
    Diffing dirigido a zonas críticas (auth, dinero, validación) Regresiones graves justo donde más caro sale que fallen Todo lo que quede fuera del filtro — no es lectura completa Bajo — un comando de git, pero exige definir bien qué es "crítico"

    1. Deja que el type checker sea tu primer filtro

    TypeScript, mypy o el compilador que uses no mienten ni se cansan. Si el agente alucina una propiedad, el gate lo para antes de tu revisión:

    function getDiscount(user: User): number {
      if (user.subscription.tier === 'premium') {
        return user.subscription.discountRate; // no existe en el tipo
      }
      return 0;
    }
    
    error TS2339: Property 'discountRate' does not exist on type 'Subscription'.
    

    Esto no habría parado mi bug del descuento invertido — el tipo estaba bien, la lógica no. Pero sí para buena parte de las alucinaciones típicas: APIs inventadas, campos que no existen, nulls sin manejar. Es gratis y ya lo tienes. Actívalo en modo estricto si no lo has hecho.

    2. Pide los tests desde la spec, antes de enseñarle el código

    Esta es la técnica que me habría salvado del bug del descuento. En vez de pedir código y luego tests, invierte el orden:

    Esta es la especificación (no hay código todavía):
    
    "calcularDescuento(usuario) devuelve 20% si el usuario es premium
    y lleva más de 12 meses activo, 10% si es premium con menos de
    12 meses, y 0% en cualquier otro caso."
    
    Escribe los tests de aceptación en Vitest. Todavía no has visto
    ninguna implementación.
    

    Cuando el agente escribe primero el código y luego "sus" tests, el test hereda cualquier malentendido de la spec. Cuando nace de la spec en una pasada separada, se convierte en un juez independiente que detecta el error porque no lo comparte.

    3. Usa un segundo agente con un prompt distinto como revisor

    No el mismo chat. Una sesión nueva, sin el contexto de cómo se escribió el código, con un prompt deliberadamente escéptico:

    Eres un revisor senior, escéptico por defecto. No escribiste este código
    y no asumes que está bien solo porque compila y pasa los tests actuales.
    
    Busca: casos límite no cubiertos, lógica que no coincide con la
    especificación, manejo de errores ausente, datos sensibles sin validar.
    
    Especificación: [pegar]
    Código: [pegar diff]
    
    No digas "se ve bien". Señala línea y motivo, o di qué revisaste
    y por qué no encontraste problema ahí.
    

    Este patrón de usar un agente distinto para tareas que exigen otro punto de vista es parte de lo que enseño paso a paso en Construye con IA: montar flujos con varios agentes que se corrigen entre sí, no uno solo que se audita a sí mismo.

    4. Diffing dirigido: lee solo lo que puede doler de verdad

    No leas las 340 líneas del PR. Filtra por lo que toca zonas donde un error sale caro:

    git diff --stat main...feature/discount-calc
    
    git diff main...feature/discount-calc -- '**/auth/**' '**/payment/**' '**/*valida*' '**/*schema*'
    

    El criterio de qué es "crítico" no es intuición — es cuánto cuesta que falle y qué tan rápido te enteras.

    Mi criterio, sin "depende"

    El type checker en estricto y el diffing dirigido van siempre, en cualquier PR — son gratis. Los tests desde la spec los reservo para lógica de negocio real, no para un CRUD trivial. El segundo agente como revisor solo cuando ya tengo un flujo agéntico corriendo — si no, revisarlo yo mismo es más rápido.

    Si solo añades una cosa hoy, que sea el type checker en strict más el diffing dirigido: eliminan la categoría de bugs más tonta sin coste de configuración extra.

    Lo que estas técnicas no te van a coger

    Sé honesto contigo mismo, porque yo no lo fui con el descuento: estos cuatro filtros no son un sistema, son parches.

    No dejan rastro. Dentro de tres meses no hay ningún documento que diga qué se verificó, con qué criterio, y quién lo aprobó — repites el proceso de memoria, y la memoria falla en el PR número 40 de la semana.

    Dependen de que definas bien qué es "crítico" o qué pide realmente la spec. Si tu filtro de diffing no incluye la carpeta correcta, o tu spec es ambigua, el agujero sigue ahí y nadie te avisa — el chequeo "pasó" porque nunca miró donde tenía que mirar.

    Y el segundo agente como revisor puede convertirse en un espejo del primero si comparte contexto o sesgo. Un revisor que piensa igual que quien escribió el código no es un revisor — es una segunda opinión de la misma persona.

    Si tu proyecto mueve dinero real, datos de usuarios o decisiones irreversibles, estas cuatro técnicas son el piso mínimo, no el techo. El post Revisar código generado por IA: el método Revisión por Contrato explica el sistema completo que sí deja rastro: qué se construye, por dónde no puede salirse el agente, y quién dice que está bien, con un AGENTS.md real. Si además quieres el sistema montado con harness de verificación end-to-end, el workshop SDD + Agentic Engineering cubre eso paso a paso.

    Qué puedes hacer hoy

    Abre tu tsconfig.json o tu mypy.ini ahora mismo y confirma que estás en modo estricto. Es la línea más barata que vas a escribir esta semana.

    Después, la próxima vez que le pidas código a un agente, invierte el orden: pide primero los tests desde la especificación, en una pasada separada, antes de pedir la implementación. Esa sola inversión habría parado mi bug del descuento.

    Estas cuatro técnicas son la entrada. Cuando el proyecto crezca lo suficiente como para que un parche ya no alcance, el siguiente paso es un sistema real de verificación — contrato, carril y veredicto — que dejo completo, con ejemplos y el AGENTS.md entero, en Revisar código generado por IA: el método Revisión por Contrato. Y si quieres ver cómo aplico esto semana a semana en proyectos reales, en Dominicode Labs comparto el detalle con la comunidad.

    Preguntas frecuentes

    ¿El type checker es suficiente para confiar en código generado por IA?

    No. Detecta que las piezas encajan en forma — tipos correctos, propiedades que existen, nulls manejados. No detecta que la lógica de negocio sea la que pediste. Mi bug del descuento invertido tipaba perfectamente bien: es un filtro necesario y gratuito, no una prueba de corrección.

    ¿Qué diferencia hay entre pedir tests antes o después de ver la implementación?

    Cuando el mismo agente escribe primero el código y luego los tests, estos heredan cualquier malentendido de la spec, porque nacen de la misma lectura equivocada. Generados en una pasada separada, se convierten en un juez independiente que detecta el error porque no lo comparte.

    ¿Puedo usar el mismo agente que escribió el código para revisarlo después?

    Puedes, pero pierdes gran parte del valor: en el mismo chat, con el mismo contexto, el agente tiende a justificar sus decisiones en vez de cuestionarlas. Usa una sesión nueva y un prompt explícitamente escéptico para que la segunda pasada aporte un punto de vista distinto, no un eco del primero.

    ¿Estas técnicas sirven si mi proyecto no tiene tests todavía?

    El type checker y el diffing dirigido sí, sin cambios — no dependen de una suite existente. Los tests desde la spec además te dan una forma barata de empezar a construirla: cada vez que le pides código a un agente, generas primero el test de aceptación, y en unos meses tienes cobertura real sin haber dedicado un sprint a escribirla.

    ¿Cuándo necesito algo más que estas 4 técnicas?

    Cuando el error de un agente puede costarte dinero real, datos de usuarios, o algo que no se deshace con un revert. Ahí un parche puntual no basta — necesitas un sistema que deje rastro de qué se verificó y con qué criterio, que es justo lo que cubre el método de Revisión por Contrato.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Event loop de Node: por qué tu agente de IA se bloquea

    Event loop de Node: por qué tu agente de IA se bloquea

    El agente llevaba cuarenta segundos streameando tokens sin cortes. Tool call, chunk, tool call, chunk. Perfecto. Hasta que dejó de responder.

    No hubo excepción ni error en consola. El proceso seguía vivo, la conexión seguía abierta, pero pasaron seis segundos sin que saliera un token más. El cliente que consumía el streaming asumió que el agente había muerto y cortó la conexión.

    No fue un timeout de red ni un capricho del LLM. Fue el event loop de Node haciendo lo que tiene que hacer: ejecutar, en orden, una sola cosa a la vez. Esa "una cosa" era un JSON.parse() de una respuesta de herramienta de 30MB — y mientras corría, nada más en el proceso podía avanzar: ni el siguiente chunk del stream, ni la siguiente tool call.

    Si construyes agentes en Node o TypeScript y no entiendes el event loop por dentro, esto te va a pasar. No es una posibilidad remota: es casi garantizado en cuanto metes trabajo síncrono pesado en el proceso que gestiona streaming y llamadas concurrentes a un LLM.

    En corto: el event loop de Node es el mecanismo de un solo hilo que decide, en fases fijas (timers, pending callbacks, poll, check, close callbacks), qué callback se ejecuta a continuación — nunca dos a la vez. Un agente de IA en Node se bloquea cuando metes trabajo síncrono pesado (un JSON.parse() enorme, un regex con backtracking catastrófico, cifrado síncrono) en el mismo proceso que debería atender el siguiente chunk de streaming o la siguiente tool call. La solución no es "más async/await": es sacar ese trabajo del hilo principal con worker_threads o particionarlo.

    ¿Qué es el event loop de Node?

    El event loop de Node es el bucle de un solo hilo que ejecuta tu código JavaScript, atiende callbacks y delega el trabajo de I/O a libuv, la librería en C que implementa la asincronía de la plataforma.

    Node ejecuta JavaScript en un único hilo — el call stack solo puede tener una función corriendo a la vez. Lo que parece "concurrencia" (leer un archivo, una petición HTTP, esperar al LLM) no lo hace ese hilo: lo delega a libuv, que usa el sistema operativo y, para algunas operaciones, un pool de hilos interno.

    Cuando el trabajo termina, libuv encola el callback para que el hilo principal lo ejecute cuando le toque.

    La palabra clave es "cuando le toque". El event loop decide ese turno recorriendo fases fijas, una y otra vez, mientras el proceso siga vivo.

    Las fases del event loop (y qué las bloquea)

    Cada vuelta del loop pasa por estas fases, en este orden. La documentación oficial de Node las describe así:

    Fase Qué ejecuta Qué la bloquea
    Timers Callbacks de setTimeout() y setInterval() cuyo umbral ya venció Cualquier callback anterior que tarde más que el timer programado
    Pending callbacks Callbacks de I/O diferidos (p. ej. errores TCP tipo ECONNREFUSED) Trabajo síncrono pesado en la fase anterior que retrasa la llegada aquí
    Poll Recupera eventos de I/O nuevos y ejecuta casi todos sus callbacks; aquí Node espera si no hay nada más que hacer Un callback de I/O que hace trabajo síncrono en vez de delegar y devolver el control
    Check Callbacks de setImmediate(), tras la fase de poll Cualquier callback de poll que no suelte el hilo
    Close callbacks Eventos de cierre, como socket.on('close', ...) Casi nunca — es la fase más ligera

    process.nextTick() no es una fase del loop: su cola se vacía después de cada operación, sin importar la fase, y antes de la cola de microtasks de las Promises. Encadenarlo de forma recursiva puede "matar de hambre" al loop y evitar que llegue a poll — riesgo que documenta la propia guía de Node.

    Dato para quien ya conocía esto: desde libuv 1.45.0 (Node 20), los timers corren después de poll en cada vuelta, no antes como en versiones previas, con una excepción solo en la primera vuelta, por compatibilidad.

    Microtasks vs macrotasks: quién corre primero

    setTimeout, setImmediate y los callbacks de I/O son macrotasks: cada uno corre en su fase. Las Promises son microtasks: su cola se vacía completa entre cada macrotask, y process.nextTick() tiene prioridad incluso sobre esa cola.

    Fuera de un callback de I/O, el orden entre setTimeout(fn, 0) y setImmediate() no está garantizado — depende de cuánto tarde el proceso en arrancar. Dentro de uno sí lo está, porque ya veniste de la fase de poll y check es la siguiente parada:

    const fs = require('node:fs');
    
    fs.readFile(__filename, () => {
      setTimeout(() => console.log('timeout'), 0);
      setImmediate(() => console.log('immediate'));
      Promise.resolve().then(() => console.log('promise'));
      process.nextTick(() => console.log('nextTick'));
    });
    
    // orden garantizado aquí: nextTick, promise, immediate, timeout
    

    Esto no es trivia de entrevista. Es lo que determina si tu agente procesa el siguiente evento a tiempo o lo deja esperando en cola.

    Por qué tu agente de IA se cuelga a mitad de un streaming

    Un loop agéntico en Node hace, en el mismo proceso, tres cosas que compiten por el mismo hilo: recibe chunks del stream del LLM, ejecuta tool calls y a veces atiende varias conversaciones a la vez. Si metes ahí una operación síncrona pesada, todo lo demás espera.

    Los tres culpables más comunes:

    • JSON.parse() de payloads enormes. Un resultado de herramienta con miles de filas puede tardar cientos de milisegundos en parsear, y ese tiempo es tiempo sin avance del stream. La guía oficial "Don't Block the Event Loop" confirma que JSON.parse() y JSON.stringify() son costosas sobre estructuras grandes.
    • Regex con backtracking catastrófico. Si validas los argumentos de una tool call con un regex mal escrito, un input adversarial puede volverlo exponencial — la misma guía lo señala como vector de ReDoS.
    • Cifrado síncrono. Las variantes Sync de node:crypto bloquean el hilo principal; las asíncronas delegan al pool de libuv. Esa diferencia es la que hay entre un agente que responde y uno que se congela.

    Esto no es hipotético. En el issue #75882 de OpenClaw — una gateway de agentes en Node 22 — el event loop se quedó estancado entre 10 y 170+ segundos, con un pico registrado de eventLoopDelayMaxMs=171798.7. El reportante lo atribuye a trabajo síncrono y locks de archivo al guardar sesión, sin que el issue confirme la causa exacta.

    Lo que sí es un hecho documentado es el resultado: mensajes de WhatsApp sin respuesta y sesiones colgadas más de 594 segundos. El síntoma no era "el LLM tardó" — era el hilo único, ocupado en otra cosa.

    La solución no es cambiar de lenguaje. Es sacar el trabajo pesado del hilo principal:

    import { Worker } from 'node:worker_threads';
    
    function parseToolResultInWorker(raw: string): Promise<unknown> {
      return new Promise((resolve, reject) => {
        const worker = new Worker('./json-parser.worker.js', { workerData: raw });
        worker.once('message', (result) => { worker.terminate(); resolve(result); });
        worker.once('error', (err) => { worker.terminate(); reject(err); });
      });
    }
    

    Validar los argumentos de una tool call con un schema declarativo, en vez de un regex a mano, elimina el riesgo de ReDoS de raíz — es el tipo de validación que cubrimos en el curso de Zod para TypeScript: defines el shape, Zod hace el parseo.

    Si ya usas streaming por SSE, esta arquitectura con Hono y Bun muestra cómo mantener vivo el flujo de chunks. Y si el loop crece, compara el while loop clásico contra un grafo de estados con LangGraph: un grafo no arregla el bloqueo, pero obliga a aislar cada paso — y eso facilita detectar cuál bloquea.

    Cuando ese JSON.parse() lo escribió un agente y no tú, revisarlo antes de aceptar el PR importa más — es justo el chequeo que cubre el método Revisión por Contrato: qué debe cumplir el código antes de fiarte de que "compila y pasa los tests".

    Cuándo el event loop NO es tu problema

    Entender el event loop no convierte cada lentitud en un problema de hilo bloqueado. Hay al menos tres casos donde pelear con el single thread es la respuesta equivocada:

    1. La latencia es del proveedor del LLM, no de tu proceso. Si el modelo tarda 3 segundos en devolver el primer token, eso es I/O de red esperando respuesta externa — el loop está libre mientras espera. Optimizar tu código no acelera la infraestructura de OpenAI o Anthropic.
    2. Necesitas paralelismo real de CPU, no solo no bloquear. Generar embeddings de miles de documentos no se arregla con async/await — un solo hilo sigue siendo un solo hilo. Ahí la respuesta es worker_threads, un cluster de procesos, o un servicio aparte.
    3. El cuello de botella es una dependencia con bindings síncronos por diseño. Si tu persistencia hace locks de archivo entre sesiones concurrentes, como en el issue de OpenClaw, el fix no es "entender mejor el loop": es cambiar de estrategia de persistencia.

    Confundir estos casos con "necesito entender mejor el event loop" es la forma más común de perder una tarde sin resolver nada.

    Qué hacer hoy

    Busca en tu agente cualquier JSON.parse(), .sync( o regex sobre datos del LLM o de una tool call. Si puede tardar más de unos milisegundos, sácalo del hilo principal con worker_threads, o mide primero con perf_hooks.monitorEventLoopDelay() antes de reescribir nada.

    Si construyes tu propio agente de producción, en Construye con IA trabajamos estas decisiones de arquitectura antes de que se conviertan en un incidente. Y en Dominicode Labs discutimos patrones de producción como este cada semana.

    Preguntas frecuentes

    ¿Node.js es de un solo hilo, entonces no puede hacer nada en paralelo?

    Tu código corre en un solo hilo, pero Node delega I/O (red, disco, algo de crypto) a libuv, que usa un pool de hilos internamente — eso da concurrencia, no paralelismo real de CPU. Para paralelismo de verdad hacen falta worker_threads, procesos separados o un servicio externo.

    ¿process.nextTick() es lo mismo que una promesa (microtask)?

    No. Ambos corren antes que el siguiente macrotask, pero process.nextTick() tiene prioridad: su cola se vacía primero, y solo después la de microtasks de las Promises. Abusarlo de forma recursiva puede impedir que el loop llegue nunca a poll.

    ¿Cómo detecto en producción que mi agente está bloqueando el event loop?

    Usa perf_hooks.monitorEventLoopDelay(), incluido en Node, para medir el delay real sin instrumentación externa — si el max o el p99 se disparan al procesar resultados grandes, ahí está la pista. Clinic.js o un flame graph con --prof dan el detalle de qué función es la culpable.

    ¿worker_threads resuelve todos los problemas de bloqueo en un agente?

    No todos. Resuelve el trabajo de CPU pesado y determinista (parseo, validación, cifrado). No resuelve la latencia de red hacia el LLM, ni bugs donde una promesa nunca se resuelve y el agente queda colgado — eso es un problema de diseño del loop agéntico, no del event loop de Node.

    ¿Bun o Deno tienen el mismo problema de event loop que Node?

    El modelo de un solo hilo ejecutando JavaScript es el mismo en los tres runtimes. Cambia la implementación de I/O: Node usa libuv en todas las plataformas; Bun tiene su propia capa sobre epoll en Linux y kqueue en macOS, y solo recurre a libuv en Windows. Deno, por su parte, delega la parte async en Tokio. Pero un JSON.parse() gigante bloquea el hilo principal igual en los tres.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Verificar código generado por IA: 112 posts con el schema roto

    Verificar código generado por IA: 112 posts con el schema roto

    El 10 de septiembre de 2026 le pedí a un script que auditara la FAQ de todo el blog de Dominicode. No esperaba encontrar gran cosa: llevo meses aprobando cada post yo mismo antes de publicarlo, y la sección de preguntas frecuentes siempre se veía perfecta — pregunta en negrita, respuesta debajo, todo alineado en el editor de WordPress y en el navegador.

    El script devolvió 112 posts con el schema FAQPage roto.

    Es el mismo problema que tienes al intentar verificar código generado por IA con solo leer el resultado: se ve perfecto y sigue roto.

    No roto a medias. En un grupo de esos 112, el JSON-LD que se genera para Google y para cualquier motor que lea structured data tenía las preguntas literalmente llamadas "Respuesta:". Ciento doce posts publicados, revisados por mí uno por uno antes de publicarlos, y ninguno cumplía el contrato real que el frontend del blog necesita para generar ese schema.

    Nadie lo había visto leyendo el HTML. Yo tampoco.

    En corto: leer el diff o el HTML de código generado por IA no es lo mismo que verificar que cumple el contrato que otro sistema necesita para consumirlo — solo confirma que "se ve bien". Verificar código generado por IA por contrato significa ejecutar el mismo parser o extractor que usará el consumidor final antes de dar el visto bueno. Lo descubrimos auditando nuestro propio blog: 112 posts aprobados a simple vista tenían el schema FAQPage roto, invisible en el navegador, durante meses.

    ¿Qué es "verificar por contrato" y por qué no es lo mismo que leer el código?

    Verificar por contrato es comprobar que un cambio produce exactamente lo que el sistema que lo consume necesita — no que "se vea bien" para un humano que lo lee. Leer un diff o un post publicado confirma que el resultado es legible. No confirma que un parser o un test automatizado pueda procesarlo.

    Son dos preguntas distintas. "¿Se ve bien?" la responde cualquiera en cinco segundos. "¿Cumple el contrato de quien lo consume?" solo la responde ejecutar ese sistema —o replicar su lógica exacta— contra el resultado.

    Ya escribí el método completo, con el AGENTS.md entero, en Revisión por Contrato: cómo verificar código de agentes de IA. Este post es la prueba de que el método no es teoría: es lo que evitó que 112 posts siguieran rotos indefinidamente.

    El blog no usa ningún plugin de WordPress para generar el schema FAQPage. Lo genera el frontend en Next.js parseando el HTML del post con una función propia (extractFaqsFromContent, en app/lib/api.ts).

    Su contrato es estricto: la sección FAQ debe abrir con un <h2> que case con "FAQ" o "Preguntas frecuentes", cerrar en el primer <hr> o el siguiente <h2> —lo que llegue antes— y dentro de esa sección solo reconoce <h3> como pregunta y <p> como respuesta. Cualquier otra estructura, por bien que se vea en pantalla, no existe para ese parser.

    Seis formas de "verse bien" que rompían el contrato

    El catálogo acumuló seis formas distintas de escribir la FAQ, heredadas de plantillas de distintas épocas. Ninguna usaba <h3> + <p> dentro de la sección — todas se veían impecables en WordPress.

    Forma heredada Dónde vivía el id del ancla Qué producía el schema real
    A — <li> con enlace + <div id><p><strong>Respuesta:</strong> R</p></div> La respuesta Todas las preguntas literalmente "Respuesta:"
    B — igual que A, pero <strong>P</strong> cuelga del <div>, fuera del <p> La respuesta 0 preguntas — el extractor solo mira dentro de <p>
    C — <div class="faq-question"> con el enlace + <div id> con texto suelto La respuesta 0 preguntas — no hay ni <h3> ni <p>
    D — <p><a href="#id">P</a></p> como pregunta La respuesta 0 preguntas — se lee como párrafo suelto y se descarta
    E — <h3 id="id">P</h3> suelto, sin enlace de índice La propia pregunta La respuesta vive en un <div> sin <p>; la pregunta se pierde sin dejar rastro
    F — <section id="id"> que solo envuelve al <h3> La propia pregunta Mismo problema que E: el <div> de respuesta queda fuera de lo que ve el extractor

    Seis formas, un solo fallo compartido: la pregunta y la respuesta nunca vivían dentro de <h3> + <p> a la vez. El contrato no pedía nada exótico — pedía dos etiquetas concretas, en el lugar concreto.

    Por qué nadie lo vio en 112 revisiones

    Esto no es negligencia mía en particular. Es lo que le pasa a cualquier revisión manual cuando el criterio de "correcto" no es visual.

    En un hilo de Hacker News sobre por qué las code reviews casi nunca encuentran bugs, un comentario cita un dato de Wikipedia: menos del 15% de los comentarios que se dejan en una revisión de código señalan errores reales. El resto es estilo y preferencia —lo que un humano sí evalúa mirando.

    Una FAQ con formato bonito no activa ninguna alarma en un revisor humano. Activa un montón en un parser que busca <h3> y no encuentra ninguno.

    Hay un detalle que le añade ironía al caso: Google dejó de mostrar el rich snippet de FAQ en el buscador el 7 de mayo de 2026, cuatro meses antes de que reparáramos el nuestro, y sin anunciarlo —solo lo cambió en la documentación.

    ¿Reparar un schema que ya no produce un desplegable en el SERP es tiempo perdido? No: el FAQPage sigue siendo structured data válida, y sigue siendo el tipo de dato limpio y extraíble que un motor generativo necesita para leer y citar tu contenido sin tener que adivinar dónde empieza cada respuesta.

    Que Google apagara el escaparate visual no cambia que el contrato de fondo siga decidiendo si tu contenido es citable.

    Cómo se reparó — sin confiar en que "debería funcionar"

    El script scripts/fix-faq-schema.mjs corre por post individual o con --all, en modo dry-run por defecto — solo escribe con --apply explícito. Antes de tocar nada, replica el contrato exacto del extractor del frontend para diagnosticar si un post está roto. Después de reparar, vuelve a correr ese mismo contrato contra el HTML reparado, no contra lo que "debería" haber quedado.

    Aborta ese post concreto — sin tocar los demás — si detecta cualquiera de estas condiciones:

    • Aparece un <h1> inesperado en el cuerpo.
    • Hay un <p> metido dentro de un bloque <pre>.
    • Cambia el número de <pre>, <h2> o <img> respecto al original.
    • Se pierde algún enlace externo que existía antes de reparar.
    • El extractor, tras reparar, devuelve menos preguntas que antes de tocar nada.
    • El diagnóstico, tras reparar, sigue devolviendo fatal o bad en vez de pasar a ok.
    node scripts/fix-faq-schema.mjs --all          # dry-run: solo diagnostica
    node scripts/fix-faq-schema.mjs --all --apply  # repara de verdad
    

    El guardarraíl más importante es el último paso: después de escribir en WordPress, el script vuelve a leer el post ya guardado en el servidor y comprueba que el schema sale bien ahí —no en la respuesta que WordPress devolvió al hacer el POST—. No confía en que la escritura funcionó. Verifica que funcionó.

    El resultado, verificado — no asumido

    Categoría Antes de reparar Después de reparar
    Schema roto 112 posts 0 posts
    Schema válido 375 posts 487 posts
    Sin sección FAQ (no aplica) 106 posts 106 posts

    De los 487 posts con schema válido, 7 quedaron con un aviso cosmético menor — alguna pregunta sin signo de interrogación — que no bloquea el schema y no tiene impacto real. El resto: cero posts rotos.

    Cuándo esto no es suficiente

    Verificar por contrato no es magia, y sería deshonesto venderlo como si lo fuera.

    No arregla un contrato mal definido desde el principio. Si el contrato replicado por el script hubiera asumido, por ejemplo, que el extractor acepta <h4> cuando en realidad solo acepta <h3>, el script habría dado el visto bueno a posts que seguían rotos.

    Verificar contra un contrato equivocado da la misma falsa confianza que no verificar nada. El contrato hay que sacarlo del código real que consume el resultado, no de la memoria de quien escribió la plantilla hace dos años.

    La propia herramienta de verificación puede fallar, y necesita sus propios guardarraíles. Un script que repara HTML a golpe de expresiones regulares puede corromper contenido de formas que no están en su lista de comprobaciones.

    Por eso aborta ante solapes de edición, cambios en el número de imágenes o enlaces perdidos, o si el diagnóstico sigue en rojo después de reparar —pero esa lista la escribimos nosotros, pensando en lo que podía salir mal. Un caso que no anticipamos no queda cubierto. Esto no termina en un script que se audita a sí mismo una vez y ya: se sigue vigilando.

    Qué puedes hacer hoy

    Si mantienes contenido o código que un sistema automatizado consume después de ti —un schema, un feed, la salida de un agente que escribe en tu repo— deja de revisarlo leyendo el resultado final.

    Escribe (o pide a un agente que escriba) una función de verificación que replique exactamente lo que ese consumidor necesita, y corre esa función antes de aprobar nada. Es el mismo principio que explico con el AGENTS.md completo —contrato, carril y veredicto— en el ebook gratuito Revisión por Contrato.

    Si quieres ver cómo aplicamos esto a proyectos más grandes, con guardarraíles reales y no solo el argumento, en Dominicode Labs seguimos publicando los scripts y los casos según van pasando — este incluido.

    Preguntas frecuentes

    ¿Qué diferencia hay entre revisar código y verificarlo por contrato?

    Revisar código es leer el resultado —un diff, un HTML, una pantalla— y juzgar si parece correcto. Verificar código generado por IA por contrato es ejecutar, o replicar, el mismo proceso que usará el sistema que consume ese resultado, y comprobar que produce lo esperado.

    La revisión detecta si algo se ve bien; la verificación detecta si funciona para quien lo necesita, que casi nunca es un humano leyendo por encima.

    ¿Por qué el HTML se veía perfecto si el schema estaba roto?

    Porque "verse bien" y "cumplir el contrato" son criterios distintos. El navegador y el editor de WordPress renderizan cualquier combinación de etiquetas de forma legible, aunque esa combinación no sea la que un parser automatizado espera.

    El fallo solo existe desde el punto de vista del extractor, no desde el punto de vista de quien lee la página.

    ¿El schema FAQPage sigue sirviendo de algo si Google ya no muestra el rich snippet?

    Sigue siendo structured data válida, y sigue siendo el tipo de dato limpio y extraíble que un sistema automatizado —no un humano— necesita para leer tu contenido sin ambigüedad.

    Que Google retirara el desplegable visual del buscador en mayo de 2026 no cambia que ese contrato de fondo siga importando para cualquier motor que consuma tu página en vez de un lector.

    ¿Cómo verifico código generado por IA cuando lo escribe un agente en mi propio repo?

    Igual que aquí: define el contrato exacto que ese código debe cumplir —qué test tiene que pasar, qué estructura tiene que respetar— antes de que el agente escriba una sola línea.

    Después no apruebes el resultado leyendo el diff: corre ese contrato contra lo que el agente entregó. Si estás construyendo ese agente desde cero, el mismo principio aplica en cada uno de los 5 pasos. El método completo de verificación, con ejemplos de AGENTS.md, está en el post sobre Revisión por Contrato.

    ¿Qué pasa si el propio script de verificación tiene un error?

    Puede pasar, y por eso no basta con escribirlo una vez y confiar en él para siempre. Este en concreto se protege con guardarraíles explícitos —aborta si cambia el número de imágenes o enlaces, y relee el contenido ya guardado en el servidor en vez de asumir que la escritura funcionó.

    Pero esa lista de guardarraíles la definió una persona, y solo cubre lo que esa persona anticipó. Verificar por contrato reduce el margen de error; no lo elimina.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.

  • Gemini 4 Argon: precio real y 1M de tokens de salida

    Gemini 4 Argon: precio real y 1M de tokens de salida

    El 30 de septiembre de 2026, Google DeepMind anunció Gemini 4 Argon. En el anuncio oficial hay de todo menos la frase que un developer busca primero: a partir de cuándo puedo llamarlo desde la API.

    No está.

    Hay benchmarks récord, 800.000 líneas migradas a Rust y un precio agresivo. Pero hoy solo lo usa un grupo de expertos en ciberseguridad. Ni tú ni yo podemos probarlo. Así que este post va de lo que sí puedes decidir hoy con lo que Google ha publicado.

    En corto: Gemini 4 Argon cuesta $2/$10 por millón de tokens (input/output) en un periodo introductorio de duración no publicada y $4/$20 después. Su límite de salida es de 1 millón de tokens. A 1 de octubre de 2026 no tiene API pública: solo lo usan defensores de ciberseguridad del programa Fairwind.

    ¿Qué es Gemini 4 Argon?

    Gemini 4 Argon es el nuevo modelo de Google DeepMind, anunciado el 30 de septiembre de 2026, con un límite de salida de 1 millón de tokens y orientado a agentes de código y ciberseguridad, disponible de momento solo para un grupo selecto de expertos en seguridad.

    Ojo: el millón de tokens es de salida, no de contexto. Google no ha publicado la ventana de entrada. Tampoco la velocidad en tokens por segundo ni la fecha de la API pública.

    La hoja de ruta que da Google es esta: primero el programa Fairwind, después un despliegue gradual "comenzando con los clientes de la API de pago y los suscriptores de Google AI Ultra". Además habrá una versión sin salvaguardas de ciberseguridad para "defensores de confianza" y equipos internos de Google.

    Precio de Gemini 4 Argon frente a GPT-6.1 Sol, Astra y Opus 5.5

    El precio introductorio de Argon es exactamente el de GPT-6.1 Sol. El definitivo es exactamente el de Claude Opus 5.5 en input y output.

    Argon (intro) Argon (después) GPT-6.1 Sol GPT-6 Astra Claude Opus 5.5
    Input (por M) $2 $4 $2 $10 $4
    Input cacheado (por M) $0,10 $0,20* $0,10 $1 $0,20
    Output (por M) $10 $20 $10 $50 $20
    Disponible en API hoy No No Sí Sí Sí
    Limitación / riesgo Sin API pública; duración del periodo no publicada Duplica la factura respecto a la intro Benchmarks también del propio proveedor 5× Sol por token Benchmarks también del propio proveedor

    *Cálculo propio: Google publica el 95% de descuento sobre input cacheado; aplicado a $4 da $0,20. Google no lo ha confirmado para la tarifa regular.

    Fuentes: anuncio de Google y los precios verificados en los posts de GPT-6.1 Sol vs Astra, GPT-6 Astra y Opus 5.5.

    Las cuentas cuadran: $2 frente a $10 de Astra en input y $10 frente a $50 en output es 1/5. En caché, $0,10 frente a $1 es 1/10. Que es lo mismo que calculó LucasBrandt en Hacker News: "5 veces más barato que Astra en input y output, 10 veces más barato en input cacheado".

    Mi lectura: no planifiques costes con la tarifa introductoria. Si tu presupuesto solo cierra a $2/$10, no cierra. Cuando termine la intro, la factura se duplica sin que cambies una línea.

    La cifra que importa es el coste por tarea, no por token: en el post de Gemini 3.8 Flash explico cómo calcularlo.

    Gemini 4 Argon y el millón de tokens de salida: qué cambia en agentes

    El límite de salida cambia el diseño de los agentes de migración. Hasta ahora, un refactor masivo se trocea porque el modelo no puede escribir tanto por respuesta. Con 1M de salida, el troceo deja de ser obligatorio.

    Los casos internos que cuenta Google van en esa línea. Agentes de Argon migrando C/C++ a Rust: más de 800.000 líneas para el kernel Zircon de Fuchsia. En libgav1 reemplazaron 32.000 líneas de código SIMD en la versión Rust existente, y el decodificador resultante, memory-safe, va 2,7 veces más rápido que ese port. Y optimizaciones que liberan más de 300 TiB de memoria, con un ahorro total estimado de entre 500 TiB y 1 PiB.

    Ahora la parte incómoda. Una salida de 1M de tokens no se revisa a mano.

    Tampoco es rápida. Un usuario de HN, MisterBiggs, estimó que a la velocidad de Gemini 3.8 Flash agotar el millón de salida tardaría alrededor de 1 hora y 10 minutos. Es una estimación suya, no un dato de Google, pero da la escala: estás lanzando un job, no esperando una respuesta.

    Con salidas de ese tamaño, la revisión deja de ser leer código y pasa a ser verificar contra un contrato: tests, tipos, invariantes, benchmarks de rendimiento que fallan solos si algo se rompe. Es lo que explico en revisión por contrato del código de agentes, y si quieres el método completo, tiene capítulo propio en el ebook gratuito El Developer Agéntico.

    Esta función va en el harness antes de lanzar un job largo. Obliga a calcular con las dos tarifas:

    type Tarifa = { input: number; cachedInput: number; output: number }; // $ por millón
    
    const ARGON_INTRO: Tarifa = { input: 2, cachedInput: 0.1, output: 10 };
    const ARGON_REGULAR: Tarifa = { input: 4, cachedInput: 0.2, output: 20 }; // caché derivada del 95% off
    
    function costeJob(t: Tarifa, inputTokens: number, cachedTokens: number, outputTokens: number): number {
      const M = 1_000_000;
      return (inputTokens / M) * t.input + (cachedTokens / M) * t.cachedInput + (outputTokens / M) * t.output;
    }
    
    // Una respuesta que agota el millón de salida: $10 en intro, $20 después.
    console.log(costeJob(ARGON_INTRO, 0, 0, 1_000_000));   // 10
    console.log(costeJob(ARGON_REGULAR, 0, 0, 1_000_000)); // 20
    

    El presupuesto que apruebes es el de ARGON_REGULAR. El de la intro es un descuento temporal, no tu coste.

    Benchmarks de Gemini 4 Argon: cifras de Google, no tuyas

    Todas estas cifras las reporta Google. Ninguna está verificada de forma independiente a día de hoy.

    Benchmark Resultado de Argon Qué mide
    DeepSWE v1.1 77,9% (récord) Tareas de ingeniería de software
    Vals Index 1er puesto Impacto económico (finanzas, código, legal, fiscal)
    AutomationBench (Zapier) 51,3% (1er puesto) Automatización de flujos
    LVBench 91,7% Comprensión de vídeo largo
    CWE-bench v1 68% (empate al 1er puesto) Detección de vulnerabilidades
    Gray Swan IPI Líder Robustez ante inyecciones de prompt

    Dos matices. Google presenta el 68% de CWE-bench v1 como continuación del resultado de 3.8 Flash Cyber en la versión anterior, v0. Y un empate en primer puesto no es una ventaja.

    Ya expliqué en qué miden de verdad los benchmarks de IA para programar por qué un 77,9% en DeepSWE no te dice cómo se porta el modelo con tu monorepo, tu ORM y tus convenciones. Evalúa con tus tareas.

    Qué dice Hacker News del anuncio

    El hilo de HN superó los 1.200 puntos, y el tono dominante es escepticismo sobre la disponibilidad, no entusiasmo por los benchmarks.

    babelfish citó la frase de Google sobre seguir "iterando en los guardarraíles" antes de abrirlo a developers y resumió: Gemini no consigue quitarse de encima las acusaciones de que "no puede lanzar un modelo".

    cmrdporcupine predijo la secuencia: de "no puede lanzar un modelo" a "no carga en un harness que la gente normal pueda usar durante 3-4 semanas", luego "listo como el demonio pero completamente torpe con tool use y programando" y al final "ahora va por detrás de todos los demás… como cada lanzamiento de Gemini".

    Androider añadió un dato concreto: como usuario de pago Pro en EE. UU., su app de Gemini aún muestra 3.6 como último modelo seleccionable, aunque 3.7 salió en agosto y 3.8 a principios de septiembre.

    Y eamsen contó una anécdota que conviene tener presente con un modelo de salida gigante: Gemini 3.5 metió en un test de sistema un DROP TABLE contra una tabla real de producción, convencido de que era una tabla de test, y lo cazó la revisión humana. Es una anécdota, no una estadística, pero es justo el fallo que un contrato de verificación tiene que bloquear sin depender de que alguien lo lea.

    Cuándo no esperar a Gemini 4 Argon: límites y riesgos

    Argon puede ser el mejor modelo del trimestre y aun así esperar sea mala decisión.

    Si tu producto sale este trimestre. No hay fecha de API pública. Google habla de "lo antes posible", que no es un compromiso. GPT-6.1 Sol cuesta lo mismo que la tarifa intro de Argon y ya está disponible.

    Si tu presupuesto depende de la tarifa intro. La duración del periodo introductorio no se ha publicado. Puede acabar en cualquier momento.

    Si tus tareas no generan salidas enormes. Para un agente que edita cinco ficheros por iteración, el millón de salida es irrelevante.

    Si no tienes cómo verificar. Un modelo que escribe 800.000 líneas sin una batería de tests que lo frene te da 800.000 líneas de riesgo.

    Lo que esto no resuelve: los benchmarks siguen siendo autoinformados y el historial de despliegues lentos que señala HN es una incógnita real.

    Qué preparar antes de que llegue la API de Gemini 4 Argon

    En producción, nada. Fuera de producción, tres cosas.

    Primero, evals con tus tareas reales: diez o veinte issues cerradas de tu repo, con sus tests. Te dirán en una tarde si Argon supera a lo que usas hoy.

    Segundo, el contrato de verificación: tests, tipos estrictos y checks de CI que bloqueen solos. Si vas a delegar migraciones grandes, la especificación previa importa tanto como el modelo, y es justo lo que desarrollo en el libro de Spec-Driven Development.

    Tercero, el harness preparado para cambiar de proveedor con una línea de configuración, con la tarifa regular ya metida en el cálculo de costes. Así lo montamos en el curso Construye con IA.

    El día que Argon abra la API, quien tenga esto listo sabrá en horas si le compensa. El resto lo sabrá cuando llegue la factura.

    Preguntas frecuentes

    ¿Cuánto cuesta Gemini 4 Argon?

    Durante el periodo introductorio, $2 por millón de tokens de input y $10 de output, con un 95% de descuento en input cacheado ($0,10). Después, $4 de input y $20 de output. Google no ha publicado cuánto dura la intro.

    ¿Gemini 4 Argon tiene 1 millón de tokens de contexto?

    No se ha publicado. El millón de tokens es el límite de salida. La ventana de contexto de entrada no aparece en el anuncio.

    ¿Cuándo estará Gemini 4 Argon disponible en la API?

    Sin fecha. Hoy solo lo usan expertos en ciberseguridad del programa Fairwind. Google dice que después llegará de forma gradual, empezando por clientes de pago de la API y suscriptores de Google AI Ultra.

    ¿Cuánto cuesta una respuesta de 1 millón de tokens de salida?

    $10 a precio introductorio y $20 a precio regular, sin contar el input.

    ¿Son fiables los benchmarks de Gemini 4 Argon?

    Son cifras reportadas por Google y no verificadas de forma independiente a 1 de octubre de 2026. Úsalas como señal, no como decisión: evalúa con tus propias tareas.


    Por Bezael Pérez — Developer senior con más de 15 años de experiencia y fundador de Dominicode.