Un armazón de agente, también conocido como andamiaje de agente, es la infraestructura de software que rodea a un modelo de lenguaje de gran tamaño (LLM) y que le permite operar como un agente de IA. Gestiona el uso de herramientas, la memoria, la persistencia de estado, los entornos de ejecución y los bucles de retroalimentación, en contraposición al razonamiento interno del modelo. El Instituto de Seguridad de la IA del Reino Unido describió a un agente de IA como formado por el modelo más el andamiaje ya en 2023, y la relación suele expresarse como agente = modelo + armazón.
Debido a que un LLM "modelo base" es una función probabilística sin estado que mapea secuencias de tokens de entrada a secuencias de tokens de salida, el armazón es lo que convierte un modelo en un agente: una entidad que interactúa con herramientas externas, que introduce y produce datos que no son tokens (como imágenes) y que interactúa con un entorno de tareas de manera coherente a lo largo de múltiples rondas. En lugar de releer repetidamente una transcripción cada vez más extensa dentro de la ventana de contexto, un armazón puede descargar el mantenimiento de registros en un entorno de software estructurado que gestiona el estado del agente. Un armazón mínimo es innecesario para un intercambio único de indicación y respuesta, pero se vuelve importante a medida que las tareas se vuelven de múltiples pasos, orientadas a herramientas o de larga duración.
Los armazones de agente populares se centran en el desarrollo de software asistido por IA, incluidos Anthropic's Claude Code, OpenAI's Codex, Google DeepMind's Antigravity, SpaceXAI's Cursor, Qwen, DeepSeek, Kimi y GLM.
Arquitectura
Los mecanismos que coordina un armazón son anteriores al término. El patrón de un modelo que alterna entre razonar y actuar en un bucle se introdujo en el marco ReAct revisado por pares, y la capacidad de un modelo para llamar a herramientas externas se demostró en Toolformer.
Los componentes comúnmente agrupados bajo un armazón incluyen el despacho de herramientas, la memoria y la persistencia de estado, un espacio de trabajo o sandbox aislado, la gestión de contexto y guardarraíles como permisos con alcance, niveles de aprobación y monitoreo. En un informe técnico de ingeniería de 2026, Anthropic describió un ejemplo práctico construido a partir de un agente inicializador que prepara el entorno y un agente de codificación que selecciona repetidamente la siguiente tarea sin terminar, realiza confirmaciones y actualiza un registro de progreso antes de detenerse.
Birgitta Böckeler de Thoughtworks distingue un armazón interno enviado por el creador del modelo (por ejemplo, un SDK de agente o una herramienta de codificación como Cursor o Codex) de un armazón externo que el usuario ensambla encima, como archivos de instrucciones, servidores Protocolo de Contexto de Modelo y habilidades personalizadas. Además, separa las guías, que dirigen al agente antes de que actúe, de los sensores, que observan el resultado y permiten que el agente se autocorrija; cada uno puede ser computacional (comprobaciones deterministas como linters o pruebas) o inferencial (comprobaciones semánticas como un "LLM como juez").
Historia y terminología
Las nociones relacionadas de andamiaje alrededor de un modelo existen en las pruebas de software (el armazón de pruebas), en la evaluación comparativa de LLM (armazones de evaluación) y, en el aprendizaje por refuerzo, en el entorno y el envoltorio que rodean a un agente de aprendizaje. Los sustantivos armazón de agente y armazón de LLM circularon entre los profesionales antes de que se nombrara la disciplina asociada.
El vocabulario de "ingeniería de armazones" surgió a principios de 2026, y la atribución de la frase específica está en disputa. Varios relatos la remontan a una publicación de blog de febrero de 2026 de Mitchell Hashimoto, cofundador de HashiCorp, quien describió una práctica de incorporar una corrección permanente en el entorno de un agente cada vez que comete un error; otros relatos atribuyen el mérito a Vivek Trivedy de LangChain, cuya publicación "Anatomía de un armazón de agente" derivó los componentes del armazón de la fórmula agente = modelo + armazón. Un informe técnico de OpenAI ampliamente citado que describe una gran base de código construida en gran parte por agentes de codificación, junto con escritos posteriores de Thoughtworks, LangChain y Anthropic, ayudaron a difundir el término.
A mediados de 2026, el armazón se había convertido en un objeto de estudio académico. Reportajes independientes describieron investigaciones como Self-Harness, en la que un agente extrae iterativamente sus propios fallos para proponer y validar cambios en su armazón, y Harness-1, un agente de búsqueda de código abierto que mejoró la precisión de recuperación principalmente rediseñando el entorno de software alrededor del modelo en lugar de agrandar el modelo.
Relación con la ingeniería de indicaciones y contexto
La ingeniería de armazones suele posicionarse como una capa más amplia que la ingeniería de indicaciones, que optimiza una interacción única, o que la ingeniería de contexto, que gobierna qué información ve el modelo en un momento dado; en este marco, el armazón diseña todo el entorno operativo y contiene a las otras dos como partes. Una característica distintiva es que el componente envuelto es no determinista, por lo que un armazón está diseñado para recuperarse con gracia cuando el modelo fabrica una acción o informa que una tarea está terminada cuando no lo está.
Véase también
- Agente de IA
- Lista de modelos de lenguaje de gran tamaño
- Protocolo de Contexto de Modelo
- Ingeniería de indicaciones
- Agente de software
- Armazón de pruebas