Estándar de hardware de modelos de Anthropic: los agentes de IA obtienen un controlador unificado para dispositivos de laboratorio y fábrica
Anthropic ha abierto una vista previa de investigación del Estándar de Hardware para Modelos (MHS) — una especificación compartida que permite a los agentes de IA operar de forma segura dispositivos físicos como microscopios, manipuladores de líquidos y brazos robóticos. El objetivo es reducir el tiempo típico de integración de hardware en laboratorios y fábricas, que solía tomar de semanas a meses, a horas o minutos.
Cómo funciona MHS
MHS introduce un controlador estandarizado que traduce entre un dispositivo y un agente de IA. El controlador expone un conjunto simple de primitivas — comandos como leer (por ejemplo, "obtener temperatura") y escribir (por ejemplo, "establecer temperatura") — que cualquier dispositivo programable puede entender. También hace que los dispositivos sean descubribles en redes sin programas personalizados de "traducción".
Crítico para la operación segura, el controlador puede incluir etiquetas de lenguaje natural que describen características del dispositivo que no son evidentes en el código (como el peso de un brazo robótico). Los usuarios pueden agregar estas etiquetas manualmente o conversando con un agente que los entrevista sobre la configuración. A partir de estas etiquetas, MHS genera automáticamente un archivo de referencia con las capacidades del dispositivo, la ajustabilidad y los límites de seguridad impuestos — dando esencialmente al agente la información que solía estar en manuales en papel.
Tres mecanismos de control
Una vez conectados, los agentes pueden controlar el hardware a través de tres mecanismos:
- MCP (Protocolo de Contexto de Modelo) — protocolo estándar para la comunicación agente-herramienta.
- Interfaz de línea de comandos — control directo desde la terminal.
- Archivos de código (APIs) — encadenar comandos del controlador en scripts para operaciones rápidas y de larga duración.
Estos mecanismos trabajan juntos para orquestar múltiples dispositivos mediante una sola línea de código. Los agentes pueden secuenciar pasos entre instrumentos, monitorear resultados en tiempo real y ajustar parámetros a medida que cambian las condiciones — incluso recuperándose de errores de hardware sin intervención humana.
Anthropic informa que en las pruebas, Claude interactuó con los experimentos de manera exploratoria, similar a un científico. Un ejemplo observado: Claude ajustó un láser y luego usó una cámara para evaluar visualmente el efecto — un bucle que demuestra la capacidad del agente para razonar sobre acciones físicas.
MHS se está compartiendo con un primer grupo de laboratorios de investigación científica y fabricantes avanzados, incluida una colaboración con el Campus de Investigación HHMI Janelia. Anthropic planea construir evaluaciones de seguridad y mejores prácticas antes de hacer que el estándar sea de código abierto.
Quién debería postular
La vista previa está abierta a laboratorios de investigación científica, equipos de robótica, fabricantes de electrónica e instalaciones de fabricación avanzada. Las solicitudes se aceptan ahora a través del sitio web de Anthropic.
📖 Lee la fuente completa: HN AI Agents
👀 Ver también

FlowBoard v5: El espacio de trabajo del proyecto donde tus agentes de IA realmente funcionan
FlowBoard v5 es un espacio de trabajo basado en React para agentes de IA. Incluye un almacén de tareas con fuente de eventos (SQLite), soporte multi-agente, un bucle de ideas a especificaciones y widgets modulares de visión general.

Desarrollador Crea la Aplicación LibraHQ para Resolver el Problema de Memoria de Agentes de IA
Un desarrollador creó LibraHQ, una aplicación gratuita de notas que sirve como una capa de memoria compartida entre chatbots y agentes de programación. La aplicación registra notas y decisiones importantes de los chats y las almacena para sesiones futuras, abordando el problema de que los agentes de IA olviden decisiones previamente tomadas.

Universal CLAUDE.md reduce los tokens de salida de Claude en un 63% en pruebas comparativas.
Un desarrollador creó un archivo universal CLAUDE.md que reduce la salida de tokens de Claude en un 63% en cinco pruebas de referencia, manteniendo la precisión técnica. El archivo aborda comportamientos comunes de Claude como respuestas verbosas, formato innecesario y sugerencias no solicitadas.

Tether: Un Servidor MCP para Compartir Contexto Entre Modelos de IA a través de SQLite
Tether es una herramienta de código abierto que comprime datos JSON en identificadores direccionables por contenido de 28 bytes, permitiendo que múltiples modelos de IA compartan contexto a través de una base de datos SQLite compartida. Funciona como un servidor MCP, facilitando la comunicación directa entre modelos como Claude y MiniMax sin necesidad de copiar y pegar.