Sobre el proyecto

Este es un repositorio educativo que enseña 'harness engineering' para agentes de IA: la disciplina de construir el entorno operativo alrededor de un modelo entrenado. Su tesis central es que la agencia (percibir, razonar, actuar) proviene del entrenamiento del modelo, no de la orquestación de código externo; un producto de agente es modelo + harness. El README distingue a los agentes genuinos de los constructores de flujos de trabajo encadenados por prompts, y sostiene que la inteligencia no puede diseñarse apilando código de pegamento procedimental. El curso consta de 17 lecciones progresivas (s01–s17), cada una aísla un mecanismo del harness y entrega una implementación independiente y ejecutable en Python (code.py), READMEs en inglés/chino/japonés y diagramas SVG. Las lecciones cubren: - s01 Bucle del agente (un bucle + bash) - s02 Despacho de uso de herramientas - s03 Sistema de permisos - s04 Hooks alrededor del bucle - s05 Planificación con TodoWrite - s06 Aislamiento de contexto de subagentes - s07 Carga de habilidades bajo demanda - s08 Compactación de contexto - s09 Subsistemas de memoria (selección, extracción, consolidación) - s10 Sistema de tareas respaldado por archivos - s11 Tareas en segundo plano - s12 Programación con Cron - s13 Equipos de agentes con reclamos atómicos de tareas y worktrees vinculados a tareas - s14 Integración de herramientas de plugin MCP - s15 Harness integrado que reconecta todos los mecanismos alrededor de un bucle - s16 Runtime de flujo de trabajo con diarios reanudables - s17 Bucle de objetivos con evaluación de parada independiente La implementación sigue un bucle genérico de agente LLM: mensajes de entrada, respuesta de salida, bloques tool_use ejecutados, resultados añadidos, el bucle se repite. Cada capítulo añade exactamente un mecanismo alrededor de este bucle constante. Se hace referencia a Claude Code como modelo de un harness bien diseñado porque proporciona herramientas, carga de conocimiento, gestión de contexto y límites de permisos sin imponer flujos de trabajo rígidos. El repositorio también conserva una pista heredada de 12 lecciones bajo docs/ y agents/ durante la migración, con una tabla de mapeo a los capítulos actuales. Inicio rápido: clonar, pip install requirements, configurar ANTHROPIC_API_KEY en .env, luego ejecutar el código del capítulo como python s01_agent_loop/code.py. Se incluye una versión de aplicación web bajo web/. Los proyectos complementarios mencionados incluyen Kode Agent CLI y Kode Agent SDK, además de un tutorial hermano (OpenClaw) sobre harnesses de asistentes siempre activos.