Act Operator – arnés de control de proyectos LangGraph 1.0+ de código abierto para "producción real"
(github.com/Proact0)¿Por qué, siendo el mismo modelo de IA y la misma persona, el resultado es diferente?
Volver a crear todo desde cero cada vez, usar Agents de manera distinta según cada equipo, generar conflictos de código y acumular solo prototipos que no pueden operar…
Aquí siempre aparece una anomalía crónica que surge cuando colaboran personas que usan herramientas de IA.
Cuando un desarrollador familiarizado con la tecnología le pide a Claude Code que implemente un workflow, sale un código excelente. Pero si un desarrollador que lo usa por primera vez le hace la misma solicitud al mismo Claude Code, sale un código genérico, inconsistente y sutilmente incorrecto. Es el mismo modelo. ¿Por qué pasó eso?
El problema no era el modelo, sino la brecha de contexto (Context Gap) — y esto aplica por igual tanto a las personas como a los agentes de IA.
La razón por la que un nuevo integrante del equipo, incorporado sin onboarding, se pierde dentro del mismo codebase es la misma: las convenciones son implícitas, la arquitectura solo existe en la cabeza de alguien y no hay un entorno estructurado que sirva de guía. Con los agentes de IA pasa lo mismo.
Incluso la gente con experiencia choca con esta pared. Cuando cambia la sesión, el agente olvida el diseño anterior. El agente de hoy no conoce la arquitectura que se decidió ayer. Porque el conocimiento solo vive en la cabeza de las personas, no dentro del codebase. Si una persona no puede encontrar las convenciones, el agente tampoco puede.
Para resolver esto no hace falta mejorar el prompt ni usar un modelo mejor. Hay que diseñar el propio entorno en el que personas y agentes trabajan juntos.
[ El arnés ya existía desde antes. ]
La palabra harness viene del francés antiguo 'harnois'. Su significado original es "equipo militar, herramienta de control".
Desde la década de 1690 se consolidó su sentido figurado: "controlar una fuerza no controlada para usarla en la dirección correcta (to control for use as power)".
Es el mismo sentido en el que se dice que una planta eólica "aprovecha (harnesses) el viento" para convertirlo en energía.
En ingeniería, este principio ha reaparecido una y otra vez con distintas formas.
- Wiring Harness: dispositivo que agrupa cables complejos y enredados en un solo conjunto para convertirlos en una unidad controlable. Es un estándar de la industria automotriz desde hace décadas.
- Test Harness: entorno de ejecución compuesto por stubs y drivers que permite aislar y ejecutar un componente específico sin toda la infraestructura completa. Es un concepto central del software testing.
- Pipeline de CI/CD: un entorno de control estructurado para que el código no vaya directo a producción, sino que pase por capas de build, testing y validación. Esto también es un arnés.
Todos comparten algo.
El diseño de un entorno externo para controlar en la dirección correcta un objetivo no controlado (cables, componentes de código, flujo de despliegue).
Por eso, cuando a comienzos de 2026 OpenAI construyó con el agente Codex un sistema de un millón de líneas durante cinco meses sin escribir manualmente ni una sola línea de código, fue una consecuencia natural llamar a la aplicación de este viejo principio a los agentes de IA Harness Engineering. No fue casualidad que Martin Fowler y el equipo de ingeniería de Anthropic usaran la misma palabra en la misma época.
Y LangChain también mejoró su posición en Terminal Bench 2.0 del puesto 30 al 5 simplemente mejorando el arnés.
Por eso act-operator fue creado como un arnés de control de estructura para LangGraph 1.0+ que puede usarse en productos reales.
[ Ultra-Quick Start ]}
En un entorno con uv instalado, basta esta línea para completar la configuración de un arnés de proyecto LangGraph 1.0+ listo para producción real.
uvx --from act-operator act new
[ Las 3 capas de Act Operator ]
En el desarrollo basado en IA, un arnés es un sistema de scaffolding, conocimiento ejecutable y feedback loop que envuelve tanto a personas como a agentes de IA para que generen salidas correctas de forma estable, sin importar quién haga el trabajo.
Act Operator lo implementa en tres capas:
- Scaffolding: un esqueleto de proyecto completo, con convenciones de módulos y clases base integradas, ensamblado antes del primer prompt del agente, garantizando mínimo acoplamiento y máxima cohesión
- SSOT ejecutable: conocimiento codificado en archivos operables que los agentes y las personas leen en runtime
- Feedback loop: especificaciones que mantienen al agente alineado entre sesiones
[ SSOT ejecutable ]
Un equipo típico comparte conocimiento de desarrollo y diseño mediante wikis, documentos de arquitectura y conocimiento oral; a veces ni siquiera eso. El problema es que los documentos envejecen, las wikis se desactualizan y el conocimiento oral no sobrevive a los cambios en el equipo.
El arnés codifica ese conocimiento en archivos en funcionamiento — no como documentación estática, sino como una referencia ejecutable que agentes y personas leen directamente. Act Operator lo administra en tres capas complementarias de componentes SSOT, considerando acoplamiento y cohesión:
- Act Template (scaffold): el propio esqueleto del proyecto — workflow base de CI, clases base, estructura de testing, configuración de monorepo, gestión de variables de entorno y guía de uso
- Agent Skills: un total de 5 skills, más de 50 patrones de referencia, árboles de decisión y plantillas de arquitectura
- Drawkit: shapes predefinidos de arquitectura Act para draw.io — un vocabulario visual compartido para la comunicación entre personas
Cada componente apunta a un objetivo distinto, pero referencia las mismas convenciones subyacentes. Act Template establece la base estructural sobre la que trabajan tanto agentes como desarrolladores. Skills le indica al agente cómo construir correctamente dentro de esa estructura, y Drawkit le enseña al equipo cómo visualizar la arquitectura.
[ Más información del open source ]
- Además de Claude Code, funciona con cualquier herramienta que soporte directorios de skills, como OpenCode, Cursor y Gemini CLI.
- Soporta documentación en coreano e inglés
- Licencia Apache 2.0 – disponible 200% gratis en PIPY
Damos la bienvenida al feedback y a las contribuciones de todas las personas (y también a las GitHub stars★..!). ¡Gracias! :)
Aún no hay comentarios.