Desentrañando las Capas de la IA

Un e-book para desarrolladores que quieren volverse AI-native — no solo usar el chat, sino entender y construir los sistemas agénticos detrás de él.

Descargar PDF completo

Ya programás. Sabés leer un stack trace, diseñar un schema, discutir un trade-off de arquitectura. Pero el vocabulario nuevo llega demasiado rápido: LLM, harness, agent, subagent, context, skill, plugin, MCP, CLI. Todo el mundo usa estos términos como si fueran obvios, y rara vez alguien muestra dónde encaja cada uno y cómo se conectan.

Este e-book resuelve eso de una forma específica: en vez de definir cada palabra por separado, construye una capa a la vez sobre un único ejemplo concreto, y en cada capítulo vuelve a atar todo a la capa central — el agent.

Para quién es

• Desarrolladores que ya programan y quieren dominar la arquitectura de sistemas agénticos.
• Quienes usan Claude Code (u otras herramientas similares) a diario pero tratan todo como una caja negra.
• Equipos que quieren estandarizar cómo construyen, empaquetan y comparten agentes.

No es un tutorial de “cómo usar el chat”. Es sobre cómo funciona el stack por dentro y cómo diseñás sobre él.

El hilo conductor

Todo capítulo usa la misma tarea concreta:

Construir un sistema universal de CRUD de Pedidos (Orders).

Una tarea real de ingeniería de software, que cualquier desarrollador reconoce y que tiene la complejidad ideal para demostrar casi todas las capas agénticas. Vamos a ver:

• por qué el LLM solo sabe describir una API de pedidos, pero no puede escribir los archivos ni correr la base de datos;
• cómo el harness le da ojos y manos al modelo para crear y modificar archivos;
• cómo un agent (agent-order-orchestrator) transforma el modelo genérico en un especialista de dominio;
• cómo un escuadrón de subagents divide la tarea en frentes de producto, arquitectura, backend, frontend, QA e infra;
• y cómo context, skill, plugin, MCP y CLI entran en juego para volver esa operación robusta, reutilizable, segura y eficiente.

El modelo mental

Las capas no son una pila rígida de arriba hacia abajo — se componen. Pero hay un orden de dependencia que ayuda a pensar:

mermaid Copiar Tela cheia

graph TD
    LLM["LLM — el cerebro: predice el próximo token"]
    HARNESS["Harness — el cuerpo: loop, herramientas, permisos"]
    AGENT["Agent — el especialista: prompt + modelo + herramientas"]
    SUB["Subagent — el escuadrón: delegación en contexto propio"]
    CTX["Context — lo que el agente ve"]
    SKILL["Skill — conocimiento bajo demanda"]
    MCP["MCP — conexión con el mundo externo"]
    PLUGIN["Plugin — empaquetado distribuible"]
    CLI["CLI — donde operás todo"]

    LLM --> HARNESS
    HARNESS --> AGENT
    AGENT --> SUB
    CTX -.alimenta.-> AGENT
    SKILL -.extiende.-> AGENT
    MCP -.conecta.-> AGENT
    PLUGIN -.empaqueta.-> AGENT
    CLI -.opera.-> HARNESS

Código do diagrama

graph TD
    LLM["LLM — el cerebro: predice el próximo token"]
    HARNESS["Harness — el cuerpo: loop, herramientas, permisos"]
    AGENT["Agent — el especialista: prompt + modelo + herramientas"]
    SUB["Subagent — el escuadrón: delegación en contexto propio"]
    CTX["Context — lo que el agente ve"]
    SKILL["Skill — conocimiento bajo demanda"]
    MCP["MCP — conexión con el mundo externo"]
    PLUGIN["Plugin — empaquetado distribuible"]
    CLI["CLI — donde operás todo"]

    LLM --> HARNESS
    HARNESS --> AGENT
    AGENT --> SUB
    CTX -.alimenta.-> AGENT
    SKILL -.extiende.-> AGENT
    MCP -.conecta.-> AGENT
    PLUGIN -.empaqueta.-> AGENT
    CLI -.opera.-> HARNESS

Leelo así: el LLM es el cerebro. El harness es el cuerpo que le da ojos, manos y un loop de acción. El agent es una configuración de ese conjunto para un trabajo específico. Todo lo demás — subagent, context, skill, plugin, MCP, CLI — existe para que el agent sea más capaz, más confiable o más fácil de operar.

Capítulos

Parte I — El Stack Agéntico

#	Capítulo	Qué te llevás sabiendo
01	El LLM	Qué hace el modelo y, sobre todo, qué no hace solo.
02	El Harness	Cómo el LLM gana loop, tools (TypeScript) y hooks de seguridad determinísticos.
03	El Agent	El capítulo-ancla. Cómo estructurar y versionar el especialista de Orders.
04	El Subagent	Delegación en escuadrones de contexto aislado. Caso de estudio: escuadrón order completo.
05	El Context	Gestión de contexto, señal sobre ruido y control de memoria de trabajo.
06	La Skill	Progressive disclosure, skills auto-mejorables y la regla anti-explosión de tokens.
07	El Plugin	Empaquetado distribuible con slash commands, hooks y MCP integrados.
08	El MCP	MCP vs CLI: el protocolo unificado de datos y acciones externas.
09	El CLI	Terminal como cabina de comando, comandos personalizados y Git Worktrees.
10	Síntesis	El stack agéntico completo en acción de punta a punta, con mejores prácticas.

Parte II — AI Native en Producción

Caso de estudio real: IgnitionStack, plataforma SaaS multi-tenant. Desde la explicación del stack hasta la construcción de productos de IA que corren, escalan y cierran la cuenta.

#	Capítulo	Qué te llevás sabiendo
11	Embeddings & Semantic Search	Cómo el texto se vuelve vector y la búsqueda pasa a ser por significado, no por palabra.
12	RAG	Recuperar conocimiento externo para responder con hechos actuales y citables.
13	Memory	Qué recuerda el agente entre sesiones — y qué debe olvidar (RGPD incluido).
14	Structured Outputs & Tool Calling	Transformar lenguaje en acciones validadas y determinísticas en el sistema.
15	Evals	El CI de los agentes: medir calidad y frenar regresiones antes del deploy.
16	Observability	Ver qué hizo el agente, por qué decidió eso, cuánto costó y dónde falló.
17	Cost Engineering	Volver rentable el producto de IA sin sacrificar calidad.

Parte III — Ingeniería de Loop

El ciclo autónomo de experimentación y mejora: métrica, alcance, verificación y rollback. Dejamos de enfocarnos solo en el prompt y pasamos a diseñar procesos iterativos robustos.

#	Capítulo	Qué te llevás sabiendo
18	Ingeniería de Loop	Ciclos con métrica, alcance y rollback: Autoresearch, bundle, spec-loop, Chrome QA y madurez del loop.
19	Graph Engineering	De loops aislados a grafos de agentes con estado compartido y memoria durable.
20	Workflows con Subagentes	Workflows dinámicos que orquestan cientos de subagents vía scripts JavaScript.

Cómo leer

Lineal, del 01 al 20, es la forma recomendada la primera vez. La Parte I (01-10) arma el stack agéntico, la Parte II (11-17) pone ese stack en producción, y la Parte III explora las fronteras de la Ingeniería de Loop. Pero el capítulo 03 (agent) es el centro de gravedad: si solo tenés 20 minutos, leé el 01, el 02 y el 03 en ese orden y ya vas a tener el modelo mental que sostiene el resto.

Cada capítulo sigue la misma disciplina pedagógica:

1. Ejemplo primero. Ves el concepto en uso antes de cualquier definición.
2. Definición después. Recién ahí formalizamos el término.
3. Vuelta al agent. Cada capa cierra mostrando cómo se conecta al capítulo-ancla.
4. Trade-offs reales. Qué cuesta, dónde falla, cuándo no usarlo.
5. Fuentes primarias. Docs oficiales y papers, no blogs de terceros.

Convenciones

• Idioma: portugués brasileño. Estos .md son la única fuente de verdad. Las versiones en otros idiomas se generan después, a partir del contenido fuente — el contenido fuente nunca se duplica por idioma.
• Modelos citados: la familia Claude 4.X se usa como referencia concreta — Opus 4.8 (claude-opus-4-8), Sonnet 4.6 (claude-sonnet-4-6), Haiku 4.5 (claude-haiku-4-5). Los conceptos valen para cualquier LLM moderno.
• Voz: la inspiración en educadores como Andrej Karpathy (código primero) y en autores de ingeniería como Robert C. Martin y Martin Fowler (claridad de principios) es tono, no cita. Ninguna frase se pone en boca de personas reales.

Empezá por el Capítulo 01 — El LLM.