Componentes de un AI agent harness: qué hace cada pieza y qué proveedores la resuelven
Cada componente de un AI agent harness explicado en simple, con los proveedores y herramientas open source que lo resuelven, para evaluar propuestas de agentes.
El problemaTodos los proveedores dicen tener una plataforma de agentes y no sabes qué piezas estás comprando ni cuáles siguen faltando.
Estás comparando tres propuestas para tu primer agente de IA en producción. Las tres dicen "plataforma de agentes". Una habla del modelo, otra de integraciones, la tercera de tableros. Ninguna te muestra el panorama completo, así que no sabes qué estás comprando ni qué vas a descubrir que falta en el tercer mes.
Esta guía explica cada componente de un AI agent harness en términos de negocio y, para cada uno, los proveedores y herramientas open source que ofrece hoy el mercado. Úsala como mapa: el diagrama de abajo muestra el sistema completo y las secciones siguientes lo recorren pieza por pieza.
1¿Qué es un harness?
El sistema de ejecución que rodea al LLM: orquesta la ejecución y gestiona herramientas, memoria, estado, seguridad y observabilidad.
2Capacidades clave
- Ensamblado de prompt y contexto
- Orquestación del ciclo del agente
- Orquestación de herramientas
- Gestión de memoria
- Políticas y seguridad
- Humano en el ciclo
- Ejecución aislada
- Coordinación multiagente
- Observabilidad y trazas
- Evals y mejora continua
Objetivo: Que el modelo planee, use herramientas, recuerde, ejecute y entregue resultados de forma segura.
- Usuario / API
- Harness
- Modelo
- Herramientas / entorno
- Resultados
3Arquitectura del harness
Harness · plano de control
Herramientas
- Búsqueda web
- Bases de datos
- Archivos
- Correo / Slack
- Ejecución de código
- APIs
- Servicios en la nube
- CRM / ERP
Sandbox · entorno de ejecución
Aislamiento · Límites de recursos · Snapshots de estado · Seguridad
Capas de memoria
- Corto plazo · sesión
- Largo plazo · base vectorial
- Episódica · trazas
- Base de conocimiento
La idea clave: El modelo piensa. El harness hace que ese pensamiento sea ejecutable, seguro y confiable.
4El ciclo del agente
- 1. Pensar
El modelo analiza el contexto y decide qué hacer.
- 2. Planear
Elige: responder o llamar a una herramienta.
- 3. Actuar
El harness ejecuta la herramienta de forma segura.
- 4. Observar
Vuelve el resultado de la herramienta y del entorno.
- 5. Reflexionar
Suma el resultado al contexto y repite hasta terminar.
- 6. Responder
Entrega el resultado final al usuario.
5Orquestación multiagente
6Observabilidad y evals
Qué se traza
- Prompts y respuestas
- Llamadas a herramientas
- Latencia y tokens
- Errores y reintentos
- Transiciones entre agentes
- Lecturas / escrituras de memoria
Ciclo de mejora
- Definir tareas y benchmarks
- Correr el agente
- Calificar resultados
- Analizar fallas
- Mejorar prompts, herramientas, políticas, modelo
7Capas de seguridad y control
- Validación y limpieza de entradas
- Permisos y acceso a herramientas
- Detección de acciones peligrosas
- Flujos de aprobación humana
- Secretos y protección de datos
- Rate limits y topes de gasto
- Auditoría y cumplimiento
8Ejemplo de punta a punta
- El usuario pide: "Analiza ventas.csv y dame hallazgos"
- El harness arma el contexto: memoria, herramientas, instrucciones
- El LLM razona y llama a una herramienta de Python
- El sandbox ejecuta el código de forma segura y devuelve resultados
- El LLM interpreta los resultados y sigue razonando
- El harness entrega la respuesta final al usuario
Agente = modelo + harness
Un harness es el sistema de ejecución que rodea a un modelo de lenguaje (LLM). El modelo razona; el harness hace todo lo demás: arma el contexto, corre el ciclo de pensar y actuar, ejecuta herramientas de forma segura, recuerda, aplica tus reglas, le pide aprobación a una persona cuando importa y registra lo que pasó.
La fórmula "agente = modelo + harness" se popularizó en 2026, cuando Mitchell Hashimoto acuñó el término "agent harness" y LangChain formalizó la definición. Para quien compra, la idea importa: dos empresas pueden usar el mismo modelo y obtener resultados opuestos, porque la diferencia vive en el harness. Lo explicamos a fondo en qué es el harness engineering.
La capa del modelo: el motor de razonamiento
El modelo decide qué hacer a continuación. No ejecuta nada por sí mismo y no recuerda tu negocio entre conversaciones.
- Proveedores de modelos de frontera: OpenAI (GPT), Anthropic (Claude), Google (Gemini).
- Modelos de pesos abiertos: Meta Llama, Mistral, Qwen y DeepSeek, que puedes alojar en tu propia infraestructura.
- Acceso empresarial desde tu nube: AWS Bedrock, Google Cloud Vertex AI y Microsoft Azure AI Foundry ofrecen varios de estos modelos bajo tus contratos y acuerdos de datos actuales.
- Gateways y routers de modelos: LiteLLM, OpenRouter, Portkey y Cloudflare AI Gateway ponen una sola interfaz frente a muchos modelos, para enviar cada tarea al mejor modelo y cambiar si un proveedor falla.
Un buen harness trata al modelo como una pieza reemplazable. Si cambiar de modelo obliga a reescribir el sistema, el harness es demasiado delgado.
El plano de control: los diez módulos del harness
Es el corazón del diagrama, el bloque verde. Cada módulo resuelve un problema concreto que la demo esconde y la operación real deja al descubierto.
Ensamblador de prompts
Arma lo que el modelo ve en cada paso: instrucciones, la parte relevante de la memoria, las herramientas disponibles y la tarea actual. Con poco contexto el agente adivina; con demasiado se confunde y sale caro. A esta disciplina se le llama context engineering.
Opciones en el mercado: frameworks como LangChain, LlamaIndex y DSPy ayudan a armar y optimizar prompts; Langfuse, PromptLayer y Braintrust versionan y gestionan los prompts para que cada cambio quede registrado como si fuera código.
Motor del ciclo y router multiagente
El motor del ciclo corre la secuencia que ves a la derecha del diagrama: pensar, planear, actuar, observar, reflexionar y responder. El router decide qué agente se encarga de qué parte del trabajo cuando hay más de uno, normalmente con un agente supervisor que delega en especialistas.
Opciones en el mercado:
- Frameworks open source: LangGraph, OpenAI Agents SDK, Claude Agent SDK, Google Agent Development Kit (ADK), Microsoft Agent Framework, CrewAI, Mastra, Pydantic AI y AWS Strands Agents.
- Runtimes gestionados: AWS Bedrock AgentCore, el runtime de agentes de Google Cloud en Vertex AI y Azure AI Foundry Agent Service ejecutan los agentes por ti con aislamiento, identidad y escalado.
- Protocolo entre agentes: A2A, un protocolo abierto impulsado por Google, permite que agentes hechos con frameworks distintos hablen entre sí.
Registro de herramientas
La lista de acciones que un agente puede ejecutar, con un contrato para cada una: qué recibe, qué devuelve y quién tiene permiso de usarla. Sin registro, cada agente integra cada sistema a su manera y nadie sabe qué puede tocar.
Opciones en el mercado: el Model Context Protocol (MCP) se volvió el estándar común para exponer herramientas a los agentes. Composio, Arcade.dev, Zapier y Pipedream ofrecen catálogos grandes de conectores listos, y gateways de nube como AgentCore Gateway convierten tus APIs existentes en herramientas con autenticación.
Gestor de memoria
Decide qué lee y qué escribe el agente en la memoria en cada paso, y con qué permisos. Es el módulo que convierte conversaciones sueltas en un sistema que aprende tu negocio. Las capas de memoria en sí las vemos más abajo.
Motor de políticas
Las reglas que el agente no puede romper: qué datos puede ver, qué acciones requieren aprobación, cuánto puede gastar. Las políticas deben vivir fuera del prompt, porque un prompt se puede manipular y un motor de políticas no.
Opciones en el mercado: motores de autorización como Open Policy Agent, Cerbos, Permit.io y Amazon Verified Permissions (Cedar); kits de guardrails como NVIDIA NeMo Guardrails, Guardrails AI y Llama Guard; y guardrails gestionados en AWS Bedrock Guardrails y Azure AI Content Safety.
Gestor de sesión y estado, reintentos y recuperación
Los procesos reales duran minutos, horas o días, y los proveedores fallan. Estos módulos guardan el estado después de cada paso para que una falla signifique retomar desde el último punto bueno, en lugar de empezar de cero o, peor, duplicar una acción como enviar dos veces una factura.
Opciones en el mercado: motores de ejecución durable como Temporal, Inngest, Restate, DBOS y Trigger.dev; los checkpointers de LangGraph guardan el estado de un grafo. Es una de las piezas más olvidadas en los pilotos y de las primeras en causar daños en producción.
Gestor de aprobación humana
Los puntos de control donde la persona correcta firma antes de que algo importante salga de la empresa: una propuesta, un reembolso, una cláusula de contrato. Necesita saber quién aprueba qué, avisarle donde trabaja y registrar la decisión.
Opciones en el mercado: los interrupts de LangGraph y las señales de Temporal pausan un flujo hasta que una persona responde; HumanLayer se especializa en aprobaciones por Slack, correo y otros canales. En la mayoría de las empresas la pantalla de aprobación termina dentro de los sistemas que la gente ya usa, por eso la tratamos como parte de la construcción y no como un producto aparte. Más en aprobación humana por rol.
Trazas y telemetría
El registro de qué hizo cada agente, con qué datos, cuánto tardó y cuánto costó. Sin esto, nadie puede explicar un error ni demostrar que el agente funciona.
Opciones en el mercado: Langfuse, LangSmith, Arize Phoenix, Braintrust, Helicone, Traceloop (OpenLLMetry) y Weights & Biases Weave; Datadog, Dynatrace y New Relic sumaron monitoreo de LLM y agentes a sus plataformas. Las convenciones de IA generativa de OpenTelemetry se están volviendo el formato estándar, lo que te deja libre para cambiar de herramienta.
Herramientas: sobre qué puede actuar el agente
Las herramientas son la forma en que el agente toca el mundo: buscar en la web, leer archivos, consultar una base de datos, enviar un correo, actualizar el CRM, ejecutar código.
- Búsqueda web para agentes: Tavily, Exa, Brave Search API y Sonar API de Perplexity devuelven resultados con formato pensado para modelos.
- Lectura de la web: Firecrawl y servicios similares convierten páginas en texto limpio; Browserbase y Steel ejecutan navegadores reales para agentes que necesitan navegar.
- Los sistemas de tu negocio: CRM, ERP, tickets y correo a través de sus APIs, idealmente expuestos como herramientas MCP con permisos mínimos por agente.
La regla es simple: cada herramienta es una puerta. Dale a cada agente solo las puertas que su proceso necesita.
Sandbox: donde el código corre de forma segura
Cuando un agente escribe y ejecuta código, por ejemplo para analizar una hoja de cálculo, ese código debe correr en un entorno aislado con límites de CPU, memoria, red y archivos, para que un error o un ataque no alcance tus sistemas.
- Sandboxes gestionados para agentes: E2B, Daytona, Modal, Vercel Sandbox, Cloudflare Sandbox, Runloop, Blaxel y Northflank, cada uno con ventajas distintas en velocidad de arranque, persistencia y soporte de GPU.
- La tecnología de base: contenedores Docker, gVisor, microVMs Firecracker (aislamiento más fuerte) y runtimes de WebAssembly como Wasmtime para ejecuciones ligeras y muy acotadas.
- Intérpretes de código gestionados: runtimes de nube como AgentCore incluyen un intérprete de código como servicio.
Capas de memoria: de la sesión al brain del negocio
La memoria es lo que separa a un asistente que olvida de un sistema que conoce a tus clientes, tus reglas y tu historia. El diagrama muestra cuatro capas:
- Corto plazo: la sesión y la tarea actuales.
- Largo plazo: hechos y documentos que se recuperan por significado, normalmente en una base vectorial como Pinecone, Weaviate, Qdrant, Milvus (Zilliz), Chroma, Turbopuffer o Postgres con pgvector.
- Episódica: lo que pasó en ejecuciones anteriores, tomado de las trazas, para que el agente no repita errores.
- Base de conocimiento: el conocimiento estructurado del negocio, como políticas, precios y fichas de clientes.
Encima se ubican capas de memoria especializadas como Mem0, Zep (grafo de conocimiento temporal) y Letta (agentes que gestionan su propia memoria), y los runtimes de nube ya incluyen memoria gestionada. Elijas lo que elijas, el contenido de esa memoria es tu activo más valioso y debe vivir en almacenamiento que controlas. Lo llamamos el brain de tu empresa.
Observabilidad y evals: demostrar que funciona
Las trazas dicen qué pasó. Las evals dicen si estuvo bien. El ciclo de mejora del diagrama es: definir tareas a partir de casos reales, correr el agente, calificar los resultados, analizar las fallas y mejorar prompts, herramientas, políticas o modelo, y volver a correr antes de que cualquier cambio llegue a los usuarios.
Opciones en el mercado: Braintrust, LangSmith, Langfuse, Arize, Galileo y Patronus AI combinan datasets, calificación y experimentos; Promptfoo, DeepEval, Ragas e Inspect AI (del UK AI Security Institute) son frameworks open source populares. Detalles en evals para agentes en producción.
Capas de seguridad y control
La seguridad no es un producto: son siete capas que trabajan juntas.
| Capa | Qué previene | Proveedores y herramientas de ejemplo |
|---|---|---|
| Validación de entradas | Prompt injection y contenido malicioso | Lakera (Check Point), Prisma AIRS (Palo Alto Networks), Cisco AI Defense, Llama Guard |
| Permisos de herramientas | Agentes tocando sistemas que no deben | Gateways MCP, Open Policy Agent, Cerbos, Permit.io |
| Detección de acciones peligrosas | Acciones irreversibles sin revisión | Reglas del motor de políticas y guardrails como NeMo Guardrails |
| Aprobación humana | Decisiones sin revisar que llegan a clientes | Interrupts de LangGraph, Temporal, HumanLayer |
| Secretos y protección de datos | Llaves filtradas y datos personales expuestos | HashiCorp Vault, AWS Secrets Manager, Doppler, Infisical |
| Rate limits y topes de gasto | Ciclos desbocados y facturas sorpresa | LiteLLM, Portkey, Kong AI Gateway, Cloudflare AI Gateway |
| Auditoría y cumplimiento | No poder explicar una decisión | Almacén de trazas y marcos como ISO/IEC 42001, NIST AI RMF y la Ley de IA de la UE |
En seguridad en agentes de IA explicamos cómo encajan estas capas en un despliegue real.
¿Comprar, ensamblar o encargar?
Mira de nuevo el diagrama: no hay un solo proveedor en el mercado que cubra todas las cajas para tu empresa. Las nubes y los frameworks cubren más cada trimestre, y es buena noticia, porque baja el costo de la plomería. Lo que ningún proveedor te puede vender es la parte que es solo tuya: tus procesos, roles, reglas de aprobación, la memoria del negocio y las evals construidas con tus casos reales.
Errores comunes al armar un harness:
- Comprar diez herramientas y no conectar ninguna. Cada pieza funciona sola; el valor está en cómo se conectan el estado, las aprobaciones, las trazas y la memoria.
- Poner las reglas en el prompt. Las políticas y los topes de gasto van en el harness, donde nadie puede convencer al agente de saltárselos.
- Saltarse la recuperación y las trazas en el piloto. Son invisibles en la demo y decisivas en producción.
- Dejar que un proveedor sea dueño de tu memoria y tus evals. Son los activos más difíciles de mover después.
Comparamos los tres caminos en construir, comprar o encargar.
Cómo lo hacemos en Addabra
En Addabra construimos el harness de cada empresa sobre nuestra propia base probada, que ya cubre los módulos del plano de control de este diagrama, y elegimos componentes del mercado donde son la mejor opción para el caso: el modelo correcto para cada tarea, estándares abiertos como MCP y OpenTelemetry, y la memoria y las evals en tu infraestructura. El resultado es tuyo: código, memoria y datos.
Los proveedores de esta guía son ejemplos de lo que ofrece el mercado a noviembre de 2026, no recomendaciones ni un ranking. Este mercado cambia rápido: verifica capacidades y condiciones actuales antes de elegir.
Preguntas frecuentes
¿Puedo comprarle un AI agent harness completo a un solo proveedor?
Las nubes y los frameworks de agentes cubren más del harness cada trimestre, pero ninguno conoce tus procesos, roles, reglas de aprobación ni la memoria de tu negocio. En la práctica se combina un framework o runtime gestionado con varias piezas especializadas, y lo que lo vuelve confiable es cómo se conectan esas piezas con tu operación.
¿Qué componentes del harness importan más para un primer agente en producción?
Empieza por el ciclo del agente, un registro de herramientas con permisos mínimos, aprobación humana en todo lo que toque dinero o clientes, trazas y una suite pequeña de evals con casos reales. El enrutamiento multiagente, la memoria avanzada y la ejecución aislada de código pueden llegar después, cuando un proceso de verdad las necesite.
¿Cómo evito quedar amarrado a un proveedor del harness?
Prefiere estándares abiertos como MCP para herramientas y OpenTelemetry para trazas, guarda la memoria y los datasets de evals en almacenamiento que controlas, y enruta los modelos a través de un gateway para poder cambiar de proveedor. Lo más difícil de mover después es la memoria del negocio y las evals, así que sé dueño de ambas desde el primer día.
