Fundamentos
6 minQué es harness engineering (y por qué no alcanza con "un GPT con tools")
Dani instaló cinco MCPs y el agente brilló en la demo — pero se rompió en la tercera tarea real. El problema no era el modelo: era el harness.
Leer guía →Nuestra escuela
Aprendé cómo funcionan los agentes de IA — de la anatomía a las guías paso a paso.
Anatomía de un agente
Un harness combina loop, MCPs, skills, memoria y verificación — clic en cada pieza para explorar.
-
Agent loop
El ciclo central del harness: el agente decide qué hacer, usa herramientas y evalúa el resultado.
Qué encontrás acá
Guía sobre harness engineering y las piezas del loop.
Explorar -
MCP servers
Model Context Protocol: servidores que exponen herramientas y datos (DBs, APIs, archivos).
Qué encontrás acá
Buscá por intención y copiá la config lista para Claude Code / Cursor.
-
Agent skills
Procedimientos empaquetados en SKILL.md: expertise reutilizable para tareas concretas.
Qué encontrás acá
Buscá por intención y copiá el comando de instalación listo para Claude Code / Cursor.
Explorar -
Memoria & contexto
Ventana de contexto, RAG, checkpoints y estado persistente.
Qué encontrás acá
Guía para elegir MCPs de datos y memoria sin instalar de más.
Explorar -
Verificación
Tests, guardrails, permisos y human-in-the-loop.
Qué encontrás acá
Guía sobre permisos, verificación y catálogo vivo en producción.
Explorar -
Herramientas
Cada MCP expone tools; el agente las elige según la tarea.
Qué encontrás acá
Cada card muestra transporte, lenguaje y señales de mantenimiento.
Construí agentes que no se rompen en producción
Harness engineering es la capa de software que envuelve al LLM: loop, MCPs, memoria y verificación. Estas guías te llevan de la demo al deploy — paso a paso, con el directorio MCP como herramienta de apoyo.
¿Por qué harness engineering?
Un GPT con tools no es un agente. Es un motor sin auto. Harness engineering es todo lo demás: el loop que decide el siguiente paso, el catálogo de herramientas expuesto al modelo, la memoria entre turnos y los guardrails antes de ejecutar una acción destructiva.
La mayoría de los equipos instalan cinco MCPs, hacen una demo impresionante y se rompen en la tercera tarea real. El problema casi nunca es el modelo — es el harness. En la guía 1 explicamos las piezas y por qué importan antes de elegir servidores.
Cuando ya sepas qué piezas necesitás, el directorio MCP te deja buscar por intención — por ejemplo un agente que lee Linear, consulta Postgres y avisa por Slack — y copiar configs listas para Claude Code o Cursor.
Ruta de aprendizaje
Cuatro guías en orden secuencial. Cada una asume la anterior — empezá por la 1 si es tu primera vez con agentes.
Diseño de herramientas
7 minCómo elegir MCP servers para tu agente (sin instalar 40 repos)
Un README con 200 MCPs paraliza. Acá van criterios concretos para filtrar por intención, mantenimiento y scope — antes de tocar el package.json.
Leer guía →Implementaciones de referencia
6 minTu primer stack MCP: Claude Code y Cursor paso a paso
Tres MCPs — datos, acción, notificación — y tenés un agente mínimo viable. Acá el stack de ejemplo, el stack builder y cómo copiar la config.
Leer guía →Seguridad y verificación
7 minDe prototipo a producción: permisos, verificación y catálogo vivo
La demo funcionó. En producción el agente borró algo, gastó tokens o llamó una API deprecated. Acá van permisos mínimos, human-in-the-loop y señales de un MCP abandonado.
Leer guía →