i
AI Runtime: el Agent Harness de Deyel
Los modelos de lenguaje han evolucionado significativamente, incorporando capacidades para comprender instrucciones, razonar, utilizar herramientas, analizar información y resolver tareas complejas. Sin embargo, estas capacidades por sí solas no son suficientes para implementar agentes de inteligencia artificial en entornos empresariales.
Para operar dentro de una aplicación, los agentes necesitan un entorno de ejecución que les proporcione contexto, acceso a herramientas, memoria, permisos, mecanismos de seguridad, control de ejecución y observabilidad. En la arquitectura moderna de agentes, este entorno se conoce como Agent Harness.
El enfoque de Harness Engineering propone concebir a los agentes como sistemas integrales, en los que el modelo de lenguaje aporta las capacidades de razonamiento y el entorno de ejecución proporciona los recursos y mecanismos necesarios para transformar ese razonamiento en acciones concretas, controladas, seguras y confiables.
En Deyel, el AI Runtime de agentes proporciona este entorno de ejecución, permitiendo que los agentes modelados en la plataforma interactúen con los objetos y funcionalidades de las aplicaciones, dentro de un marco de ejecución gestionado.
Una forma simple de expresarlo es "El modelo decide qué hacer. El harness hace posible hacerlo"
AI Runtime como Agent Harness de Deyel
En Deyel, el concepto de Agent Harness se materializa a través del AI Runtime, un entorno de ejecución que integra las capacidades de los agentes de inteligencia artificial con los objetos, funcionalidades y mecanismos de gobierno de la plataforma. A diferencia de un harness genérico, el AI Runtime está integrado al modelo de aplicaciones de Deyel, lo que le permite interactuar con entidades, procesos, reglas, usuarios, permisos, herramientas y políticas de gobierno, aprovechando el conocimiento del contexto funcional de cada aplicación.
El modelador de agentes permite definir el comportamiento, conocimiento, contexto, herramientas y configuración de los agentes, mientras que el AI Runtime interpreta estas definiciones y las convierte en ejecuciones reales, gestionando la interacción entre el modelo de lenguaje y los distintos objetos de la aplicación.
Su función va más allá de construir un prompt e invocar un modelo de lenguaje. El AI Runtime orquesta la ejecución de los agentes, proporcionando el contexto, los recursos y los mecanismos de control necesarios para transformar las decisiones del modelo en acciones concretas, seguras y confiables.
Esta arquitectura amplía el concepto tradicional de Agent Harness con una capacidad diferencial: el AI Runtime conoce la aplicación en la que opera cada agente. No depende exclusivamente de integraciones con APIs externas, sino que aprovecha directamente el modelo de datos, los procesos, las reglas de negocio, los usuarios, los permisos y las configuraciones de la aplicación.
De esta manera, la inteligencia artificial deja de actuar como un servicio externo y pasa a formar parte de la propia aplicación, permitiendo que los agentes operen de manera integrada y bajo las políticas de seguridad y gobierno definidas en Deyel.
Construcción Inteligente del Contexto
Una de las principales responsabilidades del AI Runtime es determinar qué información necesita el modelo de lenguaje en cada momento de la ejecución, proporcionando un contexto relevante y adecuado para la tarea que debe realizar el agente.
Disponer de mayor cantidad de información no garantiza mejores resultados. Un contexto excesivo o poco relevante puede incrementar los costos de procesamiento, afectar el rendimiento y reducir la precisión de las respuestas.
Para optimizar este proceso, el AI Runtime construye dinámicamente el contexto de cada ejecución, seleccionando y organizando la información necesaria a partir de distintas fuentes, según corresponda:
•Instrucciones del agente: definen su comportamiento, objetivos y restricciones.
•Solicitud del usuario: establece la tarea o necesidad que debe resolver.
•Historial de conversación: proporciona continuidad y permite interpretar las interacciones anteriores.
•Información de entidades: aporta datos de los objetos de negocio de la aplicación.
•Variables de procesos: incorporan información relacionada con el estado y la ejecución de los procesos.
•Documentos recuperados: proporcionan conocimiento relevante para la tarea.
•Resultados de herramientas: incorporan información obtenida durante la ejecución de acciones o consultas.
•Memoria: permite recuperar información conservada de interacciones anteriores.
•Contexto adicional de la invocación: incluye datos específicos proporcionados al iniciar la ejecución del agente.
Gracias a su integración con el modelo de aplicaciones de Deyel, el AI Runtime puede preparar este contexto sin que el agente deba gestionar directamente la recuperación de toda la información.
De esta manera, el agente se concentra en interpretar, razonar y resolver la tarea, mientras que el AI Runtime se encarga de proporcionar el contexto necesario para una ejecución eficiente, coherente y alineada con la aplicación.
Herramientas Bajo Control de la Aplicación
Los modelos pueden razonar, pero las aplicaciones necesitan actuar. Consultar información, modificar una entidad, ejecutar una regla, iniciar un proceso, consumir una API, generar un documento o utilizar una herramienta MCP (Model Context Protocol), son ejemplos de acciones que un agente puede realizar.
El AI Runtime proporciona estas herramientas en Deyel (Action Surfaces), pero mantiene siempre el control sobre su utilización. Cuando el modelo solicita ejecutar una herramienta, la acción no se realiza directamente. El AI Runtime verifica previamente que:
•La herramienta esté habilitada.
•La política de gobierno permita utilizarla.
•El usuario tenga los permisos correspondientes.
•Los parámetros sean válidos.
•La operación no exceda los límites establecidos.
Solo entonces ejecuta la acción. Esto establece el principio central "El modelo propone. El AI Runtime valida, autoriza y ejecuta.".
La aplicación mantiene así el control, incluso cuando el agente dispone de autonomía para decidir qué acciones necesita realizar.
Memoria y Persistencia
Los agentes tampoco pueden depender exclusivamente de la ventana de contexto del modelo. Una conversación puede extenderse durante múltiples interacciones. Una ejecución puede conservar resultados intermedios, suspenderse esperando una aprobación o continuar después de una interrupción.
El AI Runtime debe administrar diferentes formas de estado: conversación, memoria temporal, scratchpads, resúmenes, archivos o conocimiento persistente.
La memoria se convierte así en otra capacidad administrada por la plataforma. El modelo utiliza memoria cuando la necesita, pero es el AI Runtime quien determina cómo se almacena, cuánto tiempo permanece disponible y cuándo vuelve a incorporarse al contexto.
Control de la Autonomía
La ejecución de un agente no se limita necesariamente a una interacción tradicional en la que el modelo recibe una instrucción y genera una respuesta.
Prompt → Modelo → Respuesta
Los agentes pueden realizar ejecuciones más complejas, que involucran múltiples ciclos de razonamiento, utilización de herramientas, evaluación de resultados y ejecución de nuevas acciones hasta alcanzar un objetivo.
Objetivo → Modelo → Tool → Resultado → Modelo → Nueva acción → Resultado
Esta capacidad de iterar y tomar decisiones durante la ejecución se relaciona con el concepto de Loop Engineering, que aborda el diseño y control de los ciclos de ejecución de los agentes. Sin embargo, la autonomía requiere mecanismos de control que permitan establecer límites y condiciones para evitar ejecuciones indefinidas, consumo excesivo de recursos o acciones no deseadas.
En Deyel, el AI Runtime gestiona estos ciclos de ejecución, proporcionando el entorno necesario para que los agentes puedan razonar, utilizar herramientas y continuar realizando acciones de manera controlada, respetando las configuraciones, restricciones y políticas de gobierno establecidas.
El AI Runtime controla aspectos como:
•Cantidad máxima de iteraciones.
•Llamadas a herramientas.
•Timeouts.
•Reintentos.
•Tokens.
•Costos.
•Paralelismo.
•Aprobaciones humanas.
•Condiciones de detención.
El resultado es una autonomía gobernada. El modelo puede decidir cómo avanzar hacia un objetivo, pero no controla los límites de su propia ejecución.
Seguridad y Gobernanza Fuera del Prompt
Una de las principales diferencias entre un prototipo de agente de inteligencia artificial y una solución empresarial es la necesidad de implementar mecanismos de seguridad y gobierno independientes de las instrucciones del modelo de lenguaje.
Las restricciones críticas no pueden depender exclusivamente de un prompt. Indicarle al modelo que no acceda a determinada información o que solicite autorización antes de ejecutar una operación no constituye, por sí mismo, un control de seguridad confiable.
Por este motivo, la seguridad y la gobernanza deben aplicarse desde el entorno de ejecución, mediante mecanismos que permitan controlar el acceso a la información, validar permisos, restringir operaciones y supervisar las acciones realizadas por los agentes.
En Deyel, esas restricciones se definen mediante la política de gobernanza de IA. La política establece:
•Proveedores y modelos autorizados.
•Tratamiento de datos.
•Herramientas permitidas.
•Operaciones que requieren aprobación.
•Límites operativos y económicos.
•Reglas de auditoría.
El AI Runtime recupera y aplica la política correspondiente durante cada ejecución, asegurando que las acciones del agente respeten las restricciones, los permisos y las políticas de gobierno establecidas.
Esta arquitectura establece una clara separación de responsabilidades:
•El Agente determina qué acciones necesita realizar para alcanzar su objetivo.
•La Política de Gobernanza de IA establece qué acciones están permitidas y bajo qué condiciones pueden ejecutarse.
•El AI Runtime aplica y hace cumplir estas políticas durante la ejecución del agente.
De esta manera, la autonomía de los agentes se combina con mecanismos de control independientes del modelo de lenguaje, garantizando una ejecución segura y gobernada dentro de las aplicaciones Deyel.
Observabilidad y Auditoría
Un agente empresarial debe poder ser observado y auditado. Cuando una ejecución falla o produce un resultado inesperado, no alcanza con conocer la respuesta final. Es necesario reconstruir qué ocurrió durante todo el proceso.
El AI Runtime puede registrar:
•Contexto utilizado.
•Conocimiento recuperado.
•Modelo y proveedor.
•Herramientas ejecutadas.
•Resultados obtenidos.
•Aprobaciones humanas.
•Tiempos y tokens.
•Errores y resultado final.
Esta información puede integrarse con la misma infraestructura de observabilidad que Deyel utiliza para procesos, reglas, integraciones y eventos. La ejecución de un agente deja así de ser una caja negra y pasa a formar parte de la operación corriente de la aplicación.
Independencia del Proveedor
Una de las características del AI Runtime es su capacidad para desacoplar la definición y ejecución de los agentes de los proveedores de modelos de inteligencia artificial.
Proveedores como OpenAI, Anthropic y Google Gemini evolucionan constantemente, incorporando nuevos modelos, capacidades, APIs y esquemas de costos. Frente a estos cambios, las aplicaciones empresariales necesitan una arquitectura flexible que garantice estabilidad y facilite la adopción de nuevas tecnologías.
Para lograrlo, Deyel utiliza AI Provider Adapters, que encapsulan las particularidades de cada proveedor y ofrecen una interfaz común al AI Runtime. Esta arquitectura permite integrar diferentes modelos de lenguaje sin que los agentes deban depender directamente de las características técnicas de cada proveedor.
De esta manera, se establece una clara separación de responsabilidades:
•El Agente define el comportamiento y las capacidades necesarias para cumplir un objetivo de negocio.
•El AI Runtime gestiona la ejecución del agente y su interacción con el modelo de lenguaje.
•Los AI Provider Adapters permiten la comunicación con los distintos proveedores, adaptando sus interfaces y particularidades técnicas.
Esta separación facilita la incorporación, actualización o sustitución de modelos y proveedores, reduciendo el impacto de los cambios tecnológicos sobre los agentes modelados en Deyel. Así, las aplicaciones mantienen su independencia tecnológica, aprovechando la evolución de los modelos de inteligencia artificial sin comprometer la estabilidad de su arquitectura ni requerir modificaciones significativas en la definición de los agentes.
Del Agent Harness al AI Runtime Empresarial
El concepto de Agent Harness establece que un agente de inteligencia artificial necesita mucho más que un modelo de lenguaje para operar en un entorno empresarial. Requiere una infraestructura que proporcione contexto, herramientas, memoria, persistencia, mecanismos de control, seguridad y observabilidad.
El AI Runtime de Deyel incorpora estas capacidades y las integra directamente con el modelo de aplicaciones de la plataforma, permitiendo que los agentes interactúen con los objetos de negocio y operen bajo las políticas de seguridad y gobierno establecidas.
De esta manera, el AI Runtime va más allá de una capa técnica de comunicación con modelos de lenguaje (LLMs). Constituye el entorno que conecta la inteligencia probabilística del modelo con el mundo determinístico de datos, permisos, procesos, reglas, integraciones y políticas empresariales.
Esta arquitectura establece dos responsabilidades:
•El Modelador de Agentes define la inteligencia.
•El AI Runtime actúa como el Agent Harness de Deyel permite que esa inteligencia opere de forma segura, gobernada y observable dentro de una aplicación Deyel.
A medida que evolucionan los modelos de inteligencia artificial, el valor de las soluciones empresariales no depende únicamente de las capacidades del modelo seleccionado, sino también de la infraestructura construida alrededor del mismo.
En este contexto, el AI Runtime constituye una pieza central de la arquitectura de aplicaciones agénticas en Deyel, al integrar las capacidades de los modelos de lenguaje con los objetos, las funcionalidades y los mecanismos de gobierno de la plataforma.