Tendril: Un agente autoextensible que construye y registra herramientas sobre la marcha
Tendril es un arenero agentico autoextensible que demuestra el patrón de Capacidad de Agente: el modelo descubre, construye y reutiliza herramientas de forma autónoma a través de sesiones. Construido con AWS Strands Agents SDK y Tauri.
Cómo funciona
Le pides a Tendril que haga algo. Revisa su registro de capacidades. Si existe una herramienta, la usa. Si no, escribe una, la registra y la ejecuta, todo sin preguntar. La próxima vez que necesites lo mismo, la herramienta ya está ahí.
Tú: "obtén las mejores historias de Hacker News"
Tendril: → searchCapabilities("obtener url hacker news") # nada encontrado
→ registerCapability(fetch_url, código) # construye una herramienta
→ execute("fetch_url", {url: "https://..."}) # la ejecuta por nombre
→ "Aquí están las mejores historias: ..."
Tú: "ahora obtén Lobsters y compara"
Tendril: → listCapabilities() # encontrado: fetch_url ✓
→ execute("fetch_url", {url: "https://lobste.rs"}) # la ejecuta — sin reconstruir
El registro crece con el uso. Cada sesión es más inteligente que la anterior.
Configuración del agente
El núcleo de Tendril es un agente Strands con solo tres herramientas de arranque:
import { Agent } from '@strands-agents/sdk';
import { BedrockModel } from '@strands-agents/sdk/models/bedrock';
const agent = new Agent({
model: new BedrockModel({ modelId: '...', region: '...' }),
systemPrompt: TENDRIL_SYSTEM_PROMPT(workspacePath),
printer: nullPrinter,
tools: [
listCapabilities(registry),
registerCapability(registry),
executeCode(registry, workspacePath, config),
],
});
Reglas del prompt del sistema
El prompt del sistema impone un comportamiento autónomo:
- Llama a
searchCapabilities(query)para verificar si existe una herramienta relevante - Si se encuentra: llama a
loadTool(name)y luego aexecute(code, args) - Si NO se encuentra: DEBES construir la herramienta tú mismo
- NUNCA preguntes "¿quieres que cree una herramienta?" — simplemente constrúyela
- Si una herramienta falla, lee el error, corrige el código y reintenta
- NUNCA respondas con datos de entrenamiento cuando una herramienta podría obtener información en vivo
Arquitectura
┌─────────────────────────────────────────┐ │ Tauri Shell (Rust) │ │ ACP Host ──stdin/stdout──► Agent │ │ (acp.rs) NDJSON (Node.js SEA)│ │ Events ◄── session/update ──┘ │ │ (events.rs) │ │ Tauri Events ──► React Frontend │ │ (TailwindCSS v4) │ └─────────────────────────────────────────┘Agent internals: Strands SDK ── BedrockModel ── Claude │ 4 bootstrap tools ┌────┴────┐ │ Registry │ ←→ index.json + tools/*.ts └─────────┘ ┌────┴────┐ │ Sandbox │ ←→ Deno subprocess (sandboxed)
El bucle agentico se ejecuta dentro de agent.stream() y se conecta al protocolo ACP, exponiendo las fases think, act y observe a la interfaz de usuario.
La solución "demasiadas herramientas"
La mayoría de los frameworks de agentes le dan al modelo una gran bolsa de herramientas y esperan que elija la correcta. Tendril invierte esto: el modelo siempre ve exactamente tres herramientas. Busca en un registro, construye lo que necesita y el registro crece con el tiempo. La superficie de herramientas nunca cambia; las capacidades sí.
📖 Lee el código fuente completo: HN AI Agents
👀 Ver también

Memento v1.0: Memoria Persistente Local para Agentes de IA de Programación
Memento v1.0 es una capa de memoria completamente local para agentes de codificación con IA que ejecuta incrustaciones, almacenamiento y búsqueda en tu máquina sin dependencias en la nube. Utiliza incrustaciones all-MiniLM-L6-v2, indexación HNSW y es compatible con múltiples IDEs con 17 herramientas MCP.

Desarrollador Prueba Apple Intelligence para Tareas del Portapapeles en el Dispositivo
Un desarrollador creó un administrador del portapapeles utilizando el framework Foundation Models de Apple Intelligence, encontrándolo razonable para tareas cotidianas como resúmenes cortos y reescrituras, pero limitado en lenguaje ambiguo y trabajos detallados.

Tarea-observador: Una meta-habilidad que automatiza la mejora de habilidades para agentes de codificación de IA
Observador de tareas es un meta-skill que mejora automáticamente todas las habilidades de tu agente de IA, incluyéndose a sí mismo. Registró 600 mejoras en 40 habilidades en 3 meses y automatiza la creación de habilidades a partir de brechas de trabajo.

La búsqueda híbrida con RRF mejora el sistema de memoria de IA sobre la búsqueda vectorial pura.
Un sistema de memoria de IA de código abierto que utiliza PostgreSQL con pgvector encontró que la búsqueda vectorial pura era insuficiente para coincidencias exactas, por lo que añadió búsqueda de texto completo y fusionó los resultados usando Fusión de Rango Recíproco (RRF) con k=60, además de enriquecimiento de consultas mediante tokenizador.