agentes de IA

agentes generales

workflows de agentes

humano en el circuito

MCPlato

Como usar agentes de IA generales sin perder el control

Los agentes de IA generales son mas utiles cuando operan dentro de workflows acotados e inspeccionables. Esta guia cubre contratos de prompt, estructura para tareas largas, puntos de control humanos, entornos curados y artefactos revisables para agentes como Hermes, gateways de estilo OpenClaw y MCPlato.

Publicado el 2026-05-26

La mayoria de las personas no pierden el control de un agente de IA general porque el prompt sea demasiado corto. Lo pierden porque el trabajo nunca se estructuro como un workflow controlable.

Un agente general no es solo un asistente de programacion. Puede investigar, operar un navegador, resumir documentos, programar trabajo, coordinar subtareas, preparar artefactos o actuar dentro de un workspace. Herramientas como Hermes, gateways cercanos a OpenClaw y MCPlato apuntan a ese patron mas amplio: un partner de IA que puede usar herramientas y contexto a lo largo del tiempo. La documentacion publica de OpenClaw sigue estando muy orientada a workflows de agentes de programacion, asi que aqui conviene tratarlo como un ejemplo de frontera y gateway, no como un manual completo para agentes generales.

Por lo tanto, la pregunta practica no es: "Como escribo un prompt mas bonito?" Es: Como diseno trabajo acotado e inspeccionable para que un agente ayude sin tomar el control en silencio?

Estas cinco practicas hacen que los agentes generales sean mas confiables para trabajo de conocimiento, operaciones, investigacion y ejecucion de varios pasos.

Diagrama de un workflow acotado para usar agentes de IA generales

1. Escribe un contrato de prompt, no un deseo

Una instruccion debil suena asi:

Investiga este tema y haz un buen informe.

Una instruccion mas fuerte funciona como un contrato operativo. Le dice al agente que significa el exito, donde estan los limites, que evidencia se requiere y cuando debe detenerse.

Un prompt util para un agente general normalmente deberia incluir:

Campo del contrato	Que especificar
Objetivo	El resultado que el usuario realmente necesita, no solo la actividad.
Criterios de exito	Que debe ser cierto para que la tarea cuente como completa.
Condiciones de fallo	Cuando detenerse, escalar o reportar incertidumbre.
Materiales de entrada	Que archivos, enlaces, notas, datasets o decisiones previas son autoritativos.
Herramientas y herramientas prohibidas	Que puede usar el agente y que no debe usar.
Acciones de confirmacion	Que acciones requieren aprobacion antes de ejecutarse.
Puntos de control	Donde el agente debe pausar y resumir el progreso.
Artefacto final	El entregable esperado: memo, tabla, deck, ticket, plan, hoja de calculo, imagen o registro de decisiones.
Evidencia	Citas, logs, capturas de pantalla, resultados de pruebas, rutas de archivo o supuestos que respaldan el resultado.

Este encuadre es coherente con la guia de prompts de AWS, que enfatiza objetivos claros, restricciones de tarea y salidas esperadas, y tambien con la guia de Anthropic sobre como construir agentes efectivos, donde los agentes funcionan mejor cuando los workflows se componen deliberadamente en lugar de quedar como autonomia vaga.

El punto no es hacer que cada prompt sea largo. El punto es hacer explicito el contrato operativo. Los prompts cortos estan bien para tareas cortas. Los agentes de larga duracion que usan herramientas necesitan contratos.

2. Divide el trabajo largo en planes, puntos de control y estados de recuperacion

Los agentes generales se vuelven fragiles cuando se les pide sostener un trabajo largo como un unico hilo mental ininterrumpido. El trabajo prolongado deberia estructurarse como una secuencia de estados inspeccionables:

Plan: Que se hara, en que orden y por que.
Subtareas: Unidades de trabajo lo bastante pequenas para verificarse.
Puntos de control: Lugares donde el usuario o el sistema pueden inspeccionar el progreso.
Recuperacion: Una forma de reanudar, reintentar o revertir despues de una interrupcion.
Sintesis final: Un artefacto duradero que resume que cambio y que queda abierto.

El patron orchestrator-workers de Anthropic es util aqui: un agente coordinador divide la tarea en partes, mientras worker especializados manejan subtareas acotadas. Los patrones de persistencia e interrupts de LangGraph muestran la misma idea arquitectonica desde otro angulo: los agentes de larga duracion necesitan estado, puntos de control y la capacidad de pausar antes de acciones sensibles.

Hermes tambien ilustra por que los entornos de agentes generales necesitan memoria duradera, automatizaciones programadas, subagentes aislados y limites de herramientas. No son funciones cosmeticas. Son lo que permite que un agente sobreviva a trabajos que abarcan muchos pasos, multiples sesiones o ejecucion en segundo plano.

En MCPlato, el mismo principio aparece como coordinacion a nivel de workspace: varias sesiones pueden contener distintas partes del trabajo, un partner virtual o Sprite puede coordinar el progreso, los materiales conectados pueden mantenerse local-first, y las tareas programadas o en segundo plano pueden continuar sin colapsarlo todo en una unica transcripcion de chat. Eso no convierte a MCPlato en un sustituto magico del diseno de procesos. Simplemente facilita preservar ese diseno.

3. Coloca la revision humana en las fronteras de riesgo, no en cada clic

El control human-in-the-loop suele malinterpretarse. Si un usuario debe aprobar cada paso diminuto, el agente se vuelve mas lento que hacer el trabajo manualmente. Si el agente puede hacer cualquier cosa sin revision, el usuario no tiene control real.

El mejor patron es una escalera de riesgo.

Escalera de riesgo que muestra donde deberia ocurrir la confirmacion humana

Las acciones de bajo riesgo normalmente pueden avanzar con supervision ligera:

leer materiales proporcionados;
buscar dentro de un workspace aprobado;
redactar un esquema;
resumir fuentes;
proponer proximos pasos.

Las acciones de riesgo medio deberian producir un punto de control:

modificar un documento;
generar un borrador para clientes;
crear una lista de tareas;
preparar una transformacion de datos;
recomendar una decision.

Las acciones de alto riesgo deberian requerir confirmacion explicita:

enviar un mensaje al exterior;
borrar o sobrescribir datos;
comprar, publicar, desplegar o enviar;
acceder a sistemas sensibles;
realizar acciones dificiles de revertir.

Esto coincide con la direccion del trabajo de Anthropic sobre agentes confiables y computer use, los controles human-in-the-loop del OpenAI Agents SDK y la guia de Microsoft Responsible AI: la supervision debe estar ligada al riesgo, la autoridad, la reversibilidad y el impacto.

Por lo tanto, una buena instruccion no es "preguntame antes de hacer cualquier cosa". Es mas especifica:

Puedes leer y resumir todos los materiales proporcionados. Puedes redactar archivos. Antes de enviar mensajes, borrar archivos, cambiar permisos, publicar o realizar ediciones irreversibles, detenente y pide confirmacion con una breve explicacion del riesgo.

Ese tipo de frontera permite que el agente siga siendo util mientras conserva la autoridad humana.

4. Cura el entorno del agente antes de aumentar la autonomia

Cuando un agente general se desempena mal, los usuarios suelen intentar arreglarlo agregando mas instrucciones. A veces el verdadero problema es el entorno.

Los agentes necesitan una superficie operativa curada:

Materiales autoritativos: Indica al agente que archivos, enlaces, notas o repositorios importan mas.
Permisos minimos necesarios: Da acceso de lectura antes que escritura; acceso local antes que externo; acciones reversibles antes que irreversibles.
Zonas de ejecucion seguras: Usa sandboxes, borradores, entornos de staging o workspaces aislados para trabajo riesgoso.
Fronteras de red claras: Define que fuentes estan permitidas, bloqueadas o preferidas.
Salida de herramientas con alta senal: Las herramientas deberian devolver resultados estructurados, concisos y accionables, no volcados ruidosos.
Contexto persistente: Las decisiones importantes, supuestos y artefactos deberian sobrevivir al turno de chat.

La guia de Anthropic sobre computer use y escritura de herramientas apunta repetidamente a la misma idea: la calidad de un agente depende en gran medida de las herramientas y el entorno que lo rodean. AWS tambien enmarca los agentes de computer use como sistemas que deben gestionar ejecucion de tareas, herramientas y restricciones de seguridad, no solo prompts.

Para agentes generales, esto importa aun mas que para agentes de programacion estrechos. Un asistente de programacion suele vivir dentro de un repositorio con pruebas, diffs y control de versiones. Un agente general puede operar a traves de documentos, calendarios, pestanas de navegador, mensajes, PDF, notas y politicas internas. Sin un entorno curado, el agente debe adivinar que importa.

Los materiales conectados local-first de MCPlato son una forma de hacerlo manejable: el usuario puede adjuntar el directorio, los archivos o el contexto de proyecto relevantes, y luego dejar que las sesiones de agente trabajen dentro de esa frontera curada. El principio importante es portable: no pidas a un agente que sea autonomo en un entorno que no has preparado.

5. Pide artefactos revisables, no solo respuestas de chat

El resultado final del trabajo de un agente normalmente deberia ser algo que el usuario pueda inspeccionar sin reproducir toda la conversacion.

Por ejemplo:

Tipo de tarea	Salida debil	Mejor artefacto
Investigacion	"Esto es lo que encontre."	Un brief con fuentes, afirmaciones, citas y preguntas abiertas.
Operaciones	"Complete la tarea."	Una checklist con acciones realizadas, archivos cambiados y elementos no resueltos.
Planificacion	"Aqui hay un plan."	Un plan de hitos con responsables, dependencias, riesgos y puntos de decision.
Contenido	"Aqui hay un borrador."	Un documento con estructura, referencias, imagenes y notas de revision.
Trabajo de datos	"Los datos estan limpios."	Una hoja de calculo o tabla, mas notas de transformacion y controles de validacion.

El trabajo artifact-first se esta convirtiendo en un patron de producto comun. Claude Artifacts hizo que las salidas duraderas fueran mas visibles para los usuarios. OpenAI tracing y LangSmith observability muestran la necesidad operativa adyacente: cuando los agentes actuan, los equipos necesitan trazas, evidencia y estado inspeccionable. La guia de Microsoft Responsible AI enfatiza de forma similar responsabilidad, monitoreo, gobernanza y supervision humana.

Para un agente general, el artefacto no es decoracion. Es la superficie de control. Permite al usuario preguntar:

Que produjo realmente el agente?
Que fuentes o herramientas lo respaldaron?
Que decisiones se tomaron?
Que acciones siguen pendientes?
Que deberia revisar una persona antes del siguiente paso?

La disciplina de artefactos y las trazas de decision de MCPlato encajan naturalmente con este patron: el valor no es solo que un partner de IA pueda ayudar con el trabajo, sino que el trabajo pueda volverse visible, reanudable y revisable entre sesiones.

Una plantilla practica para empezar

Si quieres un prompt reutilizable para un agente general, empieza con esto:

Objetivo:
[Describe el resultado real, no solo la actividad.]

Contexto y materiales:
[Adjunta o enumera los archivos, enlaces, notas y restricciones autoritativos.]

Criterios de exito:
[Define que debe ser cierto al final.]

Fronteras:
[Herramientas permitidas, herramientas prohibidas, limites de datos, limites de red y reglas de permisos.]

Workflow:
1. Replantear el objetivo y los supuestos.
2. Proponer un plan breve.
3. Ejecutar en subtareas pequenas.
4. Pausar en los siguientes puntos de control: [listar puntos de control].
5. Pedir confirmacion antes de: [acciones de alto riesgo].

Evidencia:
[Exigir citas, logs, capturas de pantalla, rutas de archivo, diffs o notas de validacion.]

Artefacto final:
[Especificar el formato del entregable y donde debe guardarse o mostrarse.]

Si hay bloqueo:
[Reportar el bloqueo, lo que se intento y la opcion siguiente mas segura.]

Esta plantilla es intencionalmente simple. Funciona porque convierte el uso de agentes de una delegacion abierta en colaboracion acotada.

Conclusion: el control es una propiedad del workflow

Los agentes generales no se volveran confiables solo con prompts. Necesitan contratos claros, contexto curado, fronteras de permisos, puntos de control, rutas de recuperacion y artefactos duraderos.

Eso es cierto tanto si el agente es automatizacion de estilo Hermes, un gateway cercano a OpenClaw, el modelo de partner de IA multi-sesion de MCPlato o cualquier otro entorno de agente general. El patron ganador no es maxima autonomia. Es autonomia acotada con inspeccion.

Cuando los usuarios disenan el workflow, los agentes pueden actuar con mas confianza. Cuando los usuarios omiten el workflow, incluso un agente capaz se convierte en una fuente muy rapida de incertidumbre.