Tu estructura de soporte para agentes probablemente esté sobrediseñada: qué eliminar.
El arnés de tu agente probablemente está sobrediseñado. A medida que los modelos mejoran, los elementos auxiliares se convierten en peso muerto. Cómo se acumulan el exceso de información en las reseñas y el costo del contexto, y qué cortar.
A medida que los agentes se vuelven más inteligentes, el trabajo útil se desplaza hacia la eliminación de elementos innecesarios en ellos. Esto va en contra de lo que han hecho la mayoría de los equipos durante el último año, que ha sido añadir más habilidades y capacidades.
Casi todo el progreso logrado hasta ahora con los agentes proviene de estructuras de apoyo: pasos de planificación, bucles de verificación, habilidades, memoria y mecanismos de conexión. Cuando los modelos eran menos potentes, eso tenía sentido, ya que esas estructuras compensaban lo que el modelo no podía hacer por sí solo. El problema es que nadie las elimina una vez que el modelo alcanza un nivel similar. Aparece una limitación, se crea una solución temporal y esa solución permanece para siempre. Se trata de una deuda técnica específica de los agentes, y con frecuencia empeora los resultados.
Cuando la estructura de apoyo se opone al modelo
Considere una configuración ajustada para las generaciones 4.5 y 4.6 de una familia de modelos. Planificaba, revisaba su propio trabajo y realizaba pasadas adicionales de revisión antes de responder, lo cual era un buen equilibrio en ese momento. Si se traslada la misma configuración a una generación más reciente, esto termina perjudicándolo. El modelo ya razona de esa manera sin necesidad de indicaciones, pero el sistema sigue ordenándole que dudé de sí mismo, revise todo y empiece de nuevo. Planifica y luego reconsidera el plan. Ejecuta y luego cuestiona la ejecución. Verifica y luego discute con los resultados de la verificación. Pronto, el agente queda atrapado en la parálisis analítica y gasta recursos cuestionando decisiones que en realidad estaban bien. Eso representa un paso adelante y uno atrás, con más razonamiento que no produce una respuesta mejor y, a veces, incluso una peor.
Hasta ahora eso es solo una sensación, así que aquí hay algo medible. Un ingeniero mantiene un mensaje de revisión antes de hacer un push que ha ido siendo modificado durante meses. Comenzó con 22 líneas y ahora tiene 37, pasando de dos tipos de revisión a tres. Nunca se eliminó nada. Cada adición fue una regla, y cada regla se añadió porque realmente ocurrió algún problema en una solicitud de integración. Desde adentro, así es como se ve el exceso de elementos innecesarios. Las buenas intenciones son la causa de que los sistemas se vuelvan excesivamente complejos. Cada cambio resolvió un problema real en el día en que se realizó, pero falta el segundo paso: nadie vuelve más tarde para comprobar si la regla sigue siendo útil. Nadie está afilando el hacha.
Anthropic ha enfrentado el mismo problema. En su publicación técnica de abril de 2026 sobre la escalabilidad de los agentes gestionados, señalan que los harnesses codifican suposiciones sobre lo que un modelo no puede hacer por sí mismo, y esas suposiciones se vuelven obsoletas a medida que los modelos mejoran. Su ejemplo es Sonnet 4.5, que termina su trabajo antes de tiempo al detectar que se acerca el límite de contexto, un comportamiento que denominan ansiedad por contexto. Para solucionarlo, añadieron funciones de reinicio de contexto. En Opus 4.5, ese comportamiento desapareció y los reinicios pasaron a ser inútiles.
De esto se deriva una práctica útil: cuando llega un modelo nuevo, comience pidiéndole que revise sus harnesses existentes antes de asumir nuevas tareas.
Más análisis no significa más información útil
Pedir a un agente que realice un análisis adicional disminuye silenciosamente la calidad de la información útil, y esto ocurre con más frecuencia de lo que la gente espera.
La revisión de código lo ilustra bien. Se le muestra a un agente algún código y se le pide que busque problemas, y eso es lo que devuelve. Algunos son importantes; otros son cuestiones menores de estilo, casos límite hipotéticos o afirmaciones técnicamente ciertas pero irrelevantes. El agente no falla aquí, porque usted solicitó problemas y él se los proporcionó. Algunos hallazgos están claramente equivocados, lo cual es un problema en sí mismo, pero los más problemáticos son aquellos que son correctos pero no tienen importancia.
Los problemas surgen cuando se acumulan. Con diez cuestiones plausibles, la pregunta deja de ser si cada una es válida y pasa a ser cuáles son las importantes. Por lo tanto, un sistema de revisión puede ofrecerle más información pero también menos señales al mismo tiempo.
Un caso real lo ilustra con claridad. En un ticket se solicitaba un endpoint que devolviera un código 409, pero en realidad devolvía un 500. La solución más sencilla consistía en dos líneas en un solo archivo. Sin embargo, la solicitud de integración que se devolvió afectó a 13 archivos y casi 500 líneas distribuidas en tres servicios. Gran parte de ese contenido eran pruebas, así que no todo era inútil, pero sí era excesivo. Seis revisores especializados analizaron los cambios, cada uno realizando su tarea y detectando problemas reales, y el revisor principal aplicó todos ellos, lo que hizo que la solicitud de integración creciera enormemente. Una persona se percató de ese exceso, escribió la solución de dos líneas y esa versión se fusionó. La solicitud de integración demasiado grande fue cerrada.
Ningún revisor falló. Tratar 13 archivos nunca significó tomar una sola decisión; fueron trece decisiones válidas que nadie sumó. Cada revisor se preguntó si el código era correcto, pero ninguno se preguntó si realmente debía existir.
Descartar a un revisor no fue la solución. En su lugar, el equipo le dio instrucciones opuestas al nuevo revisor: tratar la diferencia como algo que probablemente no debería existir y hacer que el autor defendiera cada archivo para conservarlo. CUT era la opción predeterminada. Lo que este indicador muestra es una sola proporción, los archivos enviados en comparación con el mínimo necesario, y esa cifra indica si el cambio tiene el tamaño adecuado.
El análisis en masa no cuesta nada. La señal es el elemento escaso, y un modelo más avanzado no la proporciona de forma gratuita.
Anthropic también tropezó con este problema. Su publicación de marzo de 2026 sobre el diseño de herramientas para aplicaciones de larga duración explica por qué se separaron el agente de programación y su evaluador. Cuando se les pide que juzguen el trabajo que ellos mismos han creado, los agentes tienden a elogiarlo con confianza, incluso cuando un humano consideraría su calidad claramente mediocre. Se puede pedir a un evaluador independiente que sea escéptico, pero no a uno que se revise a sí mismo. Sin embargo, el valor de ese evaluador dependía de la tarea: en trabajos sencillos se convertía en una carga adicional, mientras que en las tareas más difíciles seguía aportando una ayuda real.
La brecha entre estar ocupado y ser útil se amplía una vez que un agente funciona todo el día.
Un agente siempre activo no debería estar pensando todo el tiempo
Utilice un agente diseñado para la rotación de turnos de atención. Este monitorea los canales de ingeniería y muestra todo lo que la persona de turno debería conocer. Esos canales están muy activos y ningún humano en servicio los lee todos, por lo que un agente que funciona las 24 horas puede detectar lo que un humano pasaría por alto.
La primera versión estaba sobredimensionada: herramientas para períodos de mantenimiento, capacidad de introspección de servicios, consultas de políticas de escalada y un manual sobre cuándo utilizar cada una. El desarrollador lo llamó “on-call maxxing” y lo abandonó a mitad del camino. En realidad, solo se necesitaban dos cosas: responder a los incidentes lo suficientemente rápido como para que nadie recibiera notificaciones, y mantener un control adecuado de los canales para que los problemas reales se aborden a tiempo. Para responder se necesitaba un único comando sin argumentos. El resto no aportaba nada y fue eliminado.
Poco después, el mismo error apareció en un nivel inferior, en la propia arquitectura. Un temporizador activaba el bucle cada diez minutos durante cada turno, y una sesión seguía recopilando contexto. Por lo tanto, en cada iteración se volvía a leer una transcripción que se hacía cada vez más larga, lo cual se contabilizaba como lecturas del caché de Opus; para el final del turno, esa transcripción ya superaba los 150 mil tokens. En el período analizado, se informó que la cuenta había tenido 2.1 mil millones de tokens de lectura de caché, lo que equivalía a unos 1.050 dólares según las tarifas del equipo. Un plan de tarifa fija evitaba una facturación directa, pero el límite semanal se estaba agotando incluso con una promoción que añadía un 50 por ciento. Rastreando el consumo se llegó directamente al culpable.
Un prompt más preciso no fue la solución; un diseño diferente sí lo fue. En cada iteración, el bucle ahora genera un agente Sonnet de corta duración cuya tarea es sencilla: leer cualquier contenido nuevo, registrar la fecha y hora de última visualización de cada canal en un archivo pequeño y devolver una línea de texto. Dado que la sesión del propio bucle permanece estable, el modelo costoso solo se ejecuta cuando el modelo más simple no puede manejar la carga. En términos de código, esto eliminó 79 líneas y todo un componente. El siguiente turno transcurrió sin que se perdiera nada importante, y la vigilancia continúa.
La proyección inicial era que una iteración rutinaria pasaría de aproximadamente 0,25 dólares a unos 0,03 dólares. Al comparar 433 iteraciones del diseño antiguo con un turno completo del nuevo diseño, se obtuvo la misma relación pero a una escala diferente: unos 1,85 dólares por iteración antes y unos 0,19 dólares después, es decir, aproximadamente diez veces más económico. La naturaleza del problema se había evaluado correctamente, pero su magnitud se había subestimado.
Lo importante es saber qué no causó el costo. El diseño original ya utilizaba un modelo económico, Haiku, para la lectura real del canal, y este representaba menos del 1 por ciento de las lecturas de caché. El costo real provenía de que la sesión principal volvía a leer su propio transcripción en cada iteración. El modelo económico realizaba el trabajo, mientras que el modelo caro tenía que leer todo de nuevo.
De esto se deducen dos lecciones. Primera, asegúrese de que el modelo caro no repita el trabajo ya realizado por el modelo económico. Segunda, en tareas de alta frecuencia y bajo riesgo, un modelo más potente casi no aporta beneficios; su valor se demuestra cuando se abordan incidentes complejos en la producción. El modelo más inteligente no necesariamente tiene que ser el más utilizado.
El contexto no es gratis
La tendencia a sobrediseñar aumenta a medida que crecen las ventanas de contexto. Cuando el contexto era escaso, la selección era forzada. Ahora es fácil tratar el contexto como almacenamiento: incluir la conversación, los documentos, las descripciones de las herramientas, el historial y todas las habilidades que puedan ser útiles, y luego dejar que el modelo lo organice. El modelo no percibe el contexto como almacenamiento; todo forma parte del problema que debe resolver. Cada instrucción es algo más que interpretar y cada herramienta es algo más al que podría recurrir. Un agente más inteligente, al igual que una persona más inteligente, necesita más concentración y no más información de entrada.
Esto plantea una pregunta para cualquier agente: ¿qué se podría eliminar sin empeorar las cosas? En lugar de añadir otra habilidad, bórrala. Funciona con menos contexto del que se considera seguro. Elimina un bucle de verificación. Realiza encuestas a un ritmo más lento. Luego deja que los resultados hablen por sí mismos. Si nada empeora, el agente resulta más económico sin costo adicional y probablemente mejor, ya que el modelo tiene menos información con la que lidiar. Si empeora, habrás aprendido que esa función no encaja en este modelo.
De maximizar todo a la ingeniería de agentes
Debajo de todo esto hay un hábito común. Los equipos se han vuelto excelentes en maximizar todo: más tokens, contexto, habilidades, herramientas, memoria, ganchos, razonamiento, verificación y subagentes. Añadir más elementos parece significar progreso, ya que el sistema se vuelve más complejo, pero complejo y útil no son sinónimos. En algún momento se crea una burocracia alrededor del agente, y las burocracias suelen ser un derroche.
Considere cada componente de un sistema como una hipótesis, por ejemplo:
- Esta habilidad hace que el agente escriba mejor código.
- Este gancho evita fallos reales.
- Otra revisión detectará errores que el agente principal pasó por alto.
- Más subagentes permitirán completar el trabajo más rápido.
Algo que parece útil es una suposición sobre su sistema y no un hecho. No se puede evitar la parte aburrida, que es experimentar. Ejecute el flujo con y sin la habilidad, luego con y sin el gancho, y mida los resultados.
El artículo de diseño de harness de Anthropic expone directamente este principio: cada componente de un harness incluye una suposición sobre lo que el modelo no puede manejar por sí solo, y esas suposiciones deben someterse a pruebas de estrés. Su equipo creó un harness complejo que funcionaba, luego eliminó sus componentes uno por uno para determinar cuáles eran importantes. Se abandonó la descomposición en sprints, ya que con las mejoras en Opus 4.6 había motivos suficientes para pensar que el modelo podía realizar esa tarea de forma nativa.
Eso enseña más que el eslogan de que ganan los agentes simples. Considere el conjunto de herramientas como algo que debe medirse y ajustarse. Algunas partes se vuelven innecesarias, otras permanecen porque el modelo aún no puede realizar esa tarea. Eliminar un componente y demostrar que nadie lo echó de menos es más difícil que añadir uno, y esto marca la línea entre maximizar todo y la ingeniería de agentes. Uno maximiza lo que hace el sistema; el otro, la señal útil por cada token gastado.
Afilar el hacha
A medida que los modelos mejoran, la lista de elementos a eliminar crece. Las tareas que antes requerían estructuras auxiliares se vuelven gradualmente nativas, los ciclos de revisión dejan de justificar su costo, y parte de lo que parecía fundamental resulta ser solo una solución temporal para un modelo obsoleto. Un conjunto de herramientas nunca está completo. Pregúntese únicamente si un elemento sigue mejorando los resultados para este modelo y tarea, méjtele, córtelo y úselo nuevamente solo cuando la evidencia demuestre que es importante.
Existe un dicho atribuido frecuentemente a Lincoln que dice que si le dieran seis horas para talar un árbol, pasaría las primeras cuatro afilando el hacha. Afila el hacha.
Leer más
- Por qué los agentes de voz suenan robóticos: cascadas, detección de turnos y el marco TEN — Cómo las cadenas de procesamiento STT-LLM-TTS generan silencios y interrupciones molestas, los cuatro tipos de agentes de voz y cómo el marco TEN gestiona la detección de turnos y los gráficos paralelos.
- Por qué los agentes de IA necesitan una capa de gobernanza, no solo mejores prompts — Los prompts influyen en un único intercambio, no en todo un flujo de trabajo. Cómo una capa de gobernanza formada por reglas, contexto delimitado, límites de autoridad y prueba de finalización hace que los agentes programados sean fiables.