Tu agente no es el modelo: Harness vs Servicio de inferencia explicados
La gente suele hablar de Claude como si fuera una entidad única, pero un agente de IA es una pila de tres capas distintas. Conocer la diferencia te ahorra horas de depuración: cuando algo sale mal, necesitas saber si culpar al modelo, al servicio o a la lógica que lo rodea.
Las Tres Capas
- Modelo — la función matemática que transforma tokens de entrada en tokens de salida. Ejemplos: Sonnet, Opus, Gemini.
- Servicio de inferencia — el servicio alojado que ejecuta el modelo y rastrea el uso. Ejemplos: AWS Bedrock, API de Anthropic.
- Harness — la lógica que da forma a las entradas, interpreta las salidas y toca el mundo exterior. Esto incluye MCP y Skills — el modelo no los conoce de forma inherente.
En conjunto, un sistema de agente es un harness que llama a un servicio de inferencia, el cual ejecuta un modelo. Eso es todo.
Desglose en el Mundo Real
| Sistema de Agente | Harness | Servicio de Inferencia | Modelo |
|---|---|---|---|
| Claude Desktop | UI + MCP + lógica local | Servicio de inferencia de Anthropic | Sonnet / Opus / Haiku |
| Claude CLI | Parsing de herramientas + E/S de archivos | Servicio de inferencia de Anthropic | Sonnet / Opus / Haiku |
| Cursor | Ensamblaje de contexto + enrutamiento de herramientas | Capa de inferencia de Cursor | Sonnet / GPT / Gemini |
| Agente LangChain personalizado | Plantillas de prompt + definiciones de herramientas | Bedrock, OpenAI, etc. | El modelo que elijas |
El mismo modelo (por ejemplo, Sonnet) puede comportarse de manera diferente dependiendo del harness — porque el harness da forma a las entradas e interpreta las salidas. Por eso tus prompts funcionan en Claude CLI pero no en Cursor.
Depura con Este Modelo Mental
- ¿Respuestas malas? Mira el harness — quizás no está proporcionando suficiente contexto.
- ¿Demasiado lento o caro? Revisa el servicio de inferencia — el precio y el rendimiento viven ahí.
- ¿Salida inesperada? ¿El modelo está equivocado, o el harness le está dando basura?
El artículo también señala que a medida que los modelos se vuelven más inteligentes, parte de la lógica del harness (como MCP o Skills) podría volverse obsoleta — así que la forma en que construimos harnesses ahora puede no envejecer bien.
La próxima vez que digas "mi modelo hizo X", detente y pregunta: ¿fue el modelo, o fue el harness orquestándolo?
📖 Lee la fuente completa: HN AI Agents
👀 Ver también
Guía de lanzamiento de código abierto para proyectos de IA local y LLM de código abierto
Un manual de código abierto aborda los problemas de descubrimiento para proyectos de LLM e IA local al proporcionar orientación estructurada sobre la preparación previa al lanzamiento, la ejecución del día del lanzamiento y el seguimiento posterior. Incluye plantillas y estrategias para la distribución en comunidades, el alcance a creadores y la optimización SEO.
Tu LLM no debería ser tu flujo de trabajo de agente de codificación: Separación de preocupaciones en OpenClaw
Si el flujo de trabajo de tu agente de codificación se detiene cuando alcanzas el límite de uso de LLM, el LLM está haciendo demasiado. Mantén las colas, el estado, los reintentos y la verificación deterministas; llama al LLM solo para el juicio.
Estructura Práctica de Prompts para Agentes de Ejecución de Claude IA
Un desarrollador comparte técnicas de ingeniería de prompts que redujeron las alucinaciones en agentes de Claude AI que realizan llamadas API, extracción de datos y flujos de trabajo de múltiples pasos. Las estrategias clave incluyen escribir prompts como contratos, dedicar el 40% de los tokens al manejo de errores y separar las condiciones de 'espera' de las de 'detención'.
Análisis de Costos del Agente OpenClaw: De $340 a $112 Mensuales con Cinco Optimizaciones
Un desarrollador rastreó 18,000 llamadas API en cuatro agentes de OpenClaw durante 30 días, encontrando que el 70% de las tareas no necesitaban GPT-4.1. Al implementar caché de prompts, acortar prompts del sistema, agrupar análisis, cambiar a modelos más baratos y agregar límites máximos de tokens, los costos bajaron de $340 a $112 mensuales.