La ingeniería agente y el bucle exterior: dónde encajan Antigravity y la Agents CLI
Las especificaciones, evaluaciones y restricciones definen la ingeniería agente. Un análisis de la Agents CLI de Google, su capa de producción en GCP y cómo Antigravity difiere de otras herramientas de programación.
Fuentes: Agentic Engineering and Antigravity 2.0: The New Operating Model for Software Development
La siguiente etapa del desarrollo de la IA depende menos de modelos más potentes y más de sistemas de ingeniería más robustos. En Sequoia Ascent 2026, Andrej Karpathy describió cómo la industria está pasando del coding basado en intuiciones al engineering agente. En esta disciplina, las personas redactan las especificaciones, los ciclos de evaluación y las restricciones, mientras que los agentes se encargan de partes específicas de la implementación.
Este cambio es importante porque la IA no reemplaza a la disciplina de ingeniería de software. Más bien, potencia cualquier disciplina que ya exista. La investigación DORA de Google y las directrices relacionadas con plataformas apuntan en la misma dirección: las organizaciones con bases sólidas de ingeniería obtienen mayores beneficios de los flujos de trabajo asistidos por IA que aquellas con procesos frágiles y una verificación deficiente. La adopción de herramientas de desarrollo con IA es generalizada, pero la confianza no lo es. El factor limitante ya no es el modelo en sí, sino el sistema que lo rodea: las especificaciones, las evaluaciones, el pipeline de despliegue y la capa de gobernanza. La ingeniería agente es la práctica de construir ese sistema.
Qué significa la ingeniería agente
En resumen, se trata de un método estructurado para el desarrollo asistido por IA en el que los seres humanos se encargan de la arquitectura, la calidad y la corrección, mientras que los agentes realizan tareas de implementación dentro de límites definidos. Karpathy señaló tres pilares fundamentales.
Especificaciones primero. Antes de que un agente escriba cualquier código, el ingeniero establece el objetivo, las restricciones y los criterios de éxito en una especificación legible por máquinas. Un contrato estructurado entre el ser humano y el agente sustituye a una instrucción vaga.
Evaluación antes que confianza. Un solo resultado exitoso no dice nada sobre la fiabilidad. Los agentes deben probarse con conjuntos de datos de evaluación estructurados, evaluándose mediante métricas y métodos que utilicen modelos de lenguaje grande como jueces, para garantizar que su rendimiento sea reproducible antes de cualquier despliegue.
Barrieras de seguridad y entornos aislados. Un agente debe encontrarse en un entorno seguro con permisos explícitos, complementos de herramientas y controles de política, para que su ejecución no pueda realizarse sin supervisión. Actualmente, solo el 12% de los proyectos piloto de agentes de IA empresariales llegan a la fase de producción, y los modelos no son la principal causa. Las deficiencias en la infraestructura son: falta de entornos aislados, ausencia de escaneo de secretos y no existencia de controles de política.
Dónde se encuentran las herramientas de programación actuales
Cualquier evaluación honesta comienza reconociendo las fortalezas de las herramientas de programación con IA actuales, y son impresionantes.
Se destacan en tareas que requieren procesos iterativos: descomponer una tarea, editar varios archivos, ejecutar comandos en la terminal local y corregirse a sí mismas ante errores del compilador. Han ido mucho más allá de la simple generación de código y el autocompletado.
No obstante, el bucle interno es solo la mitad del problema. Los equipos empresariales ya no se preguntan si un agente puede escribir y editar código, porque para el año 2026 casi todas las herramientas importantes pueden hacerlo. El problema más difícil es el bucle externo: cómo una organización evalúa, despliega, monitorea y gestiona a los agentes una vez que dejan la terminal local del desarrollador. Ahí es donde cambia el enfoque de la discusión. La diferencia estructural se presenta así:
Nada de esto resta valor a las demás herramientas. Como motores para la ejecución en el bucle interno, siguen estando entre las mejores disponibles. Pero la generación de código es solo el punto de partida, y las herramientas adaptadas a la terminal local del desarrollador no están diseñadas por defecto para gestionar todo el ciclo de vida del bucle externo. Para tener éxito en 2026 se necesita algo más que crear agentes capaces: se requiere infraestructura para evaluarlos, desplegarlos y gestionarlos en entornos de producción.
Agents CLI como vía de entrada
El enfoque de Google se basa en una única decisión de diseño. Agents CLI está pensado para funcionar junto a cualquier asistente de programación, y eso es una ventaja de su arquitectura, no una deficiencia. Al instalarlo, se añaden siete habilidades esenciales desarrolladas con el Agent Development Kit (ADK), que abarcan la creación de estructuras básicas, la evaluación, la puntuación mediante LLM como juez, la configuración en tiempo de ejecución, el despliegue en Cloud Run y la capacidad de observabilidad en Cloud Trace. Un usuario de Claude Code o Cursor puede ejecutar agents-cli scaffold, agents-cli eval y agents-cli deploy con más o menos la misma facilidad que un usuario de Antigravity.
Eso es intencional. Google no compite en la capa de generación de código. Apuesta a que el valor de la ingeniería basada en agentes se traslade desde el frontend, donde se escribe el código, al backend, donde se ejecutan, monitorean y gestionan los agentes. Y sea cual sea el frontend que elige un desarrollador, las órdenes de la CLI conducen al mismo lugar:
- agents-cli despliega en Cloud Run, GKE o Agent Engine, que son todos servicios de GCP.
- agents-cli envía telemetría a Cloud Trace y BigQuery, también servicios de GCP.
- agents-cli registra a los agentes en el Agent Registry, que también forma parte de GCP.
- La capa de gobernanza, con Model Armor, Agent Identity y controles basados en políticas, también se ejecuta en GCP.
Por lo tanto, la CLI es la puerta de entrada y GCP es el destino final. Cada asistente de programación que la adopta se convierte en un cliente de GCP para el ciclo de vida de producción. Por eso la afirmación “también funciona con Cursor” apoya esta estrategia en lugar de socavarla: Google no necesita que nadie cambie de editor, solo que ejecute la producción en GCP, y la CLI hace que ese sea el camino con menos obstáculos para cada herramienta.
Tres capas concéntricas
El ecosistema de Google está organizado en tres capas anidadas. Cada una agrega funcionalidades, y ninguna exige que se abandonen las herramientas existentes.
La capa más interna es Agents CLI, compatible con Cursor, Claude Code, Codex, Copilot, Antigravity o cualquier herramienta que soporte la inyección de habilidades. Ofrece una forma estándar para estructurar un proyecto (agents-cli scaffold), una evaluación estructurada realizada por un juez basado en LLM (agents-cli eval), despliegue a Cloud Run o GKE con un solo comando (agents-cli deploy) y una configuración automática de observabilidad mediante Cloud Trace (agents-cli observe). Carece, sin embargo, de orquestación multiagente, ingeniería de contexto persistente y bucles de verificación integrados. El mensaje dirigido a los usuarios es: mantén tu editor favorito, obtén un proceso reproducible desde el prototipo hasta la producción, y acepta que la ejecución en producción se realice en GCP.
La capa de nube es necesaria para cualquier herramienta que utilice Agents CLI, ya que allí es donde realmente se ejecutan los agentes. Consiste en:
- Cloud Run, GKE y la plataforma de agentes para un alojamiento gestionado escalable
- Cloud Trace, para el seguimiento completo del camino de ejecución con telemetría compatible con OTel
- BigQuery Agent Analytics, para paneles de control que abarcan toda una flota de agentes desplegados
- Agent Registry, un catálogo central para gestionar, versionar y compartir agentes
- Model Armor, que previene fugas de datos y filtra contenido inseguro
- Agent Identity, con identificadores criptográficos vinculados a identidades humanas verificables o principios de servicio
- El protocolo Agent2Agent (A2A), para la comunicación entre agentes al coordinar una flota
La lógica aquí es que los asistentes de programación independientes suelen depender de infraestructuras en la nube externas para el despliegue en producción, la observabilidad y la gobernanza, y no ofrecen un entorno de ejecución empresarial integrado. Se trata de un aspecto estructural y no competitivo. Claude Code no compite con Cloud Run, ya que ambos operan en capas diferentes.
Qué aporta Antigravity
Si todos cuentan con subagentes y archivos de contexto, ¿qué diferencia a Antigravity? La respuesta no es una sola característica: se trata de la integración vertical con la capa de producción.
Los subagentes en Claude Code funcionan dentro de la terminal: escriben código, ejecutan pruebas y generan resultados. Desplegar ese código, monitorearlo en tiempo real, gestionar una flota de agentes y coordinarlos entre diferentes servicios recae en el usuario, ya que Claude Code no sabe nada sobre las instancias de Cloud Run, la pipeline de observabilidad ni las políticas de gobernanza en uso. Es una herramienta de desarrollo. Los subagentes de Antigravity pueden hacer más:
- Desplegar directamente en Cloud Run, GKE o la plataforma de agentes a través de Agents CLI, ya que la CLI es propia del producto y no un complemento de terceros.
- Consultar la telemetría de Cloud Trace mientras se depura, ya que Antigravity puede leer los datos de observabilidad de GCP.
- Registrar a los agentes terminados en el Agent Registry, ya que la publicación forma parte de un flujo de trabajo nativo.
- Coordinarse con los agentes desplegados a través del protocolo A2A, ya que la capa de comunicación pertenece al mismo ecosistema.
Los subagentes de Claude Code son herramientas de desarrollo capaces, mientras que los de Antigravity son herramientas de desarrollo conscientes del entorno de producción porque comparten un conjunto de tecnologías del proveedor. Se afirma que tienen cuatro capacidades que otras herramientas actualmente no poseen:
- Continuidad en múltiples superficies: un contexto de agente abarca el IDE de escritorio, la CLI, el SDK para uso programático y la API gestionada. Un flujo de trabajo puede comenzar en el IDE, continuar en la terminal y ser activado desde CI/CD. Claude Code funciona principalmente en la terminal, mientras que Cursor se centra en el IDE.
- Integración con la CLI de los agentes propios: las funciones scaffold, eval, deploy y observe fueron diseñadas conjuntamente con Antigravity, por lo que el agente conoce la CLI de forma nativa y puede encadenar comandos del ciclo de vida sin necesidad de ingeniería de prompts.
Comparación de ecosistemas
Para hacer concreta la comparación, la siguiente tabla muestra dónde los herramientas son equivalentes y dónde difieren.
En la mitad superior de la comparación, los tres ecosistemas convergen arquitectónicamente, con una buena generación de código, orquestación paralela de subagentes y entornos de prueba en la nube gestionados para tareas de larga duración. La mitad inferior es donde Google afirma ofrecer un valor empresarial adicional. Las plataformas competidoras transfieren el código, los datos y las credenciales a entornos de ejecución propietarios de terceros, mientras que Google permite a una organización ejecutar, identificar, autenticar, gestionar y monitorear agentes dentro de su propio perímetro de Google Cloud a través de Agent Runtime, Agent Identity, Model Armor y Agent Registry. Esta separación se refleja en la producción: telemetría nativa de GCP, un mecanismo de despliegue unificado para cuatro niveles y una gestión de modelos lista para usar desde el principio.
En términos generales, la capacidad de bucle interno local está convergiendo, y es en la capa de infraestructura donde la integración vertical deja un vacío.
Cómo decidir
El marco de toma de decisiones para líderes e ingenieros es sencillo. Un equipo cuyo objetivo principal sea acelerar el bucle interno debería seguir utilizando sus herramientas actuales. Claude Code, Cursor y Copilot son excelentes y mejoran mensualmente. Se puede añadir Agents CLI por sus capacidades relacionadas con el ciclo de vida, con despliegue en GCP cuando el equipo esté listo.
Una organización que pasa de la programación asistida por IA a flujos de trabajo operados por agentes enfrenta requisitos diferentes. La gestión de flotas, la calidad basada en evaluaciones, la gobernanza para industrias reguladas y la coordinación entre múltiples agentes exigen otra arquitectura, y Google es uno de los pocos proveedores que ofrece una solución verticalmente integrada que abarca desde agentes de programación hasta evaluaciones, despliegues, capacidad de observabilidad y gobernanza.
El caso no depende de la superioridad del modelo, ya que los modelos están convergiendo. Depende de la integración de la infraestructura: la distancia desde la escritura de código de agentes hasta la operación de flotas de agentes en producción. Google ha reducido esa distancia más que nadie, independientemente del editor con el que comience un equipo.
Leer más
- Entornos aislados remotos con agentes gestionados Antigravity y el GenAI SDK — Dirigir agentes multi-turnos desde un script: mantener activo un entorno aislado remoto de Ubuntu, volver a conectarlo mediante el ID del entorno y descargar la instantánea del espacio de trabajo, con dos ejemplos prácticos.