"Harness" de agentes frente a framework de agentes: ¿cuál es la diferencia real?

¿Qué es un agent framework?

Un agent framework te proporciona los bloques de construcción para ensamblar un agente. Ofrece estructura y abstracciones; tú aportas la lógica que los une.

Un framework típico te ofrece:

• Una forma de definir pasos. Nodos en un grafo, roles en un equipo, funciones en una cadena.
• Una forma de conectarlos. Aristas, condiciones, transferencias, secuencias.
• Un modelo de estado. Normalmente un esquema tipado que declaras y que se transmite a través de cada paso.
• Enlaces a modelos. Adaptadores para que el mismo código funcione con diferentes proveedores.
• Ejecución. Un ejecutor que recorre tu estructura hasta que finaliza.

LangGraph es el ejemplo más claro. Declaras nodos, aristas y un esquema de estado compartido, y se ejecuta hasta que un nodo devuelve END. CrewAI adopta una forma diferente con la misma idea: declarar agentes con roles y tareas, y dejar que los ejecute de forma secuencial o jerárquica. Microsoft Agent Framework, que fusionó AutoGen y Semantic Kernel en su versión 1.0 en abril de 2026, hace lo mismo para .NET y Python.

Un framework funciona mejor cuando:

• Tu flujo de trabajo tiene una forma requerida y desviarse de ella supone un problema de corrección
• Necesitas ramificaciones condicionales, distribución en paralelo o bucles que regresen a etapas anteriores
• Diferentes pasos requieren diferentes modelos, prompts o conjuntos de herramientas
• Quieres que la ruta de ejecución sea legible en el código, no que se infiera a partir de un prompt
• Una persona debe dar su aprobación en un punto específico del flujo

¿Qué es un Agent Harness?

Unaentorno de agentes (agent harness) es la capa de ejecución en torno a un LLM que lo convierte en un agente fiable y de larga duración. No son primitivas para construir un bucle. Es el bucle en sí, ya construido.

Un modelo por sí solo razona, pero no puede actuar. Si le das una tarea, obtendrás un plan y nada más. No puede abrir un archivo, llamar a una API, ejecutar el código que acaba de escribir ni recordar lo que decidió hace tres turnos. El arnés cierra esa brecha y la mantiene cerrada durante toda la ejecución.

Un arnés típico gestiona:

• El bucle de ejecución. Planificar, llamar a una herramienta, leer el resultado, decidir qué sigue, repetir.
• Gestión del contexto. Compactación, carga diferida de herramientas, descarga de respuestas de herramientas demasiado grandes, para que una ejecución larga no agote la ventana ni el presupuesto.
• Sandboxing. Ejecución aislada para código, archivos y comandos de shell.
• Aprobaciones. Pausar antes de llamadas a herramientas destructivas y esperar a que intervenga una persona.
• Estado de la sesión. Persistencia entre reconexiones, reinicios y conversaciones de varios turnos.

TrueForge, Claude Agent SDK, opencode, Pi y OpenHands son todos arneses. Tú proporcionas las herramientas y las instrucciones; no proporcionas el bucle.

Un arnés funciona mejor cuando:

• La ruta se descubre en lugar de diseñarse, y el siguiente paso depende de lo que se haya encontrado en el paso anterior
• Quieres un agente funcionando esta misma semana en lugar de una arquitectura de flujo de trabajo
• Las ejecuciones son lo suficientemente largas como para que la gestión del contexto se convierta en el punto crítico que falla
• El agente ejecuta código o accede a un sistema de archivos y necesita aislamiento
• Prefieres ajustar prompts y herramientas antes que mantener una máquina de estados

Diferencias clave

Ambos te permiten obtener un agente funcional. La diferencia radica en de qué eres responsable.

Dos preguntas para distinguirlos

Las páginas de producto no aclararán esto, así que usa estas preguntas en su lugar.

¿Escribes tú el bucle?

Si estás declarando nodos, condiciones o una secuencia de pasos, eso es un framework. Si estás proporcionando herramientas e instrucciones y pulsando el botón de inicio, eso es un harness.

¿Gestiona el contexto por ti?

‍Los frameworks generalmente te entregan el esquema de estado y te dejan decidir qué incluir en la ventana. Los harnesses tienen que gestionarlo, porque ellos controlan el bucle y, de lo contrario, una ejecución larga llenaría la ventana y dejaría de funcionar. Si la documentación no menciona compactación, descarga de datos o carga diferida de herramientas, probablemente estés ante un framework.

Por qué se confunden los términos

Tres razones, y la primera es la más importante.

Algunos productos son, en realidad, ambas cosas. deepagents es el harness de LangChain construido sobre LangGraph, que es un framework. Incluye un bucle completo con planificación, un sistema de archivos virtual, subagentes y memoria, por lo que se comporta como un harness. En su núcleo, es un grafo. Microsoft Agent Framework hace algo similar, ofreciendo tanto las primitivas de orquestación como una capa de harness con una configuración predeterminada.

El marketing sigue al volumen de búsqueda. "Framework" ha sido el término establecido durante años y genera más tráfico. "Harness" solo empezó a aparecer en 2026. Muchos harnesses siguen llamándose frameworks porque es la palabra que los compradores escriben.

La línea divisoria se desplaza a medida que los productos maduran. Los frameworks añaden valores predeterminados y empiezan a parecerse a los harnesses. Los harnesses exponen hooks y empiezan a parecerse a los frameworks. Que Microsoft incluya una capa de Agent Harness dentro de Agent Framework es precisamente esto, y veremos más casos así.

Nada de esto hace que la distinción sea inútil. Solo significa que debes comprobar el comportamiento en lugar de la etiqueta.

No son mutuamente excluyentes

El planteamiento que suele confundir a los equipos es tratar esto como una elección. La mayoría de los sistemas de producción utilizan ambos, en diferentes capas.

Un harness gestiona el bucle del agente y todo lo que debe ocurrir en cada turno. Un framework se encarga de la orquestación entre agentes, o del flujo de trabajo determinista en el que se integra un agente basado en un harness. Distribuir tareas entre cinco agentes, esperar a que todos terminen, ejecutar un paso de validación y luego realizar la transferencia. Ese es el trabajo de un framework, y lo que hay en cada nodo puede ser un harness.

El error consiste en utilizar un framework para reconstruir un bucle que ya existe. Crear un grafo para un agente cuyo camino es genuinamente abierto significa escribir una versión peor de lo que un harness te ofrece gratis, y pagarlo con mantenimiento de por vida. El error opuesto también es real: obligar a un harness a seguir un flujo de trabajo de cumplimiento rígido describiendo la secuencia en un prompt y cruzando los dedos.

TrueForge: El mejor harness de agentes para equipos de producción

TrueForgees el entorno con licencia MIT que lanzamos como código abierto en agosto de 2026, y es el mismo motor que impulsa nuestro propio agente AskTFY. Lo creamos porque queríamos la ergonomía de un agente gestionado sin tener que ceder la decisión del modelo a un proveedor, y no existía ninguna solución de código abierto que cubriera todo el espectro.

Se distribuye en tres partes en lugar de una. Un servidor central ejecuta el bucle: streaming, puertas de aprobación para acciones sensibles, delegación de subagentes, compactación y sesiones que persisten tras reconexiones. Una API HTTP con un SDK de TypeScript (@truefoundry/trueforge-sdk) ofrece a tu código todo lo que puede hacer la interfaz de usuario. Y una interfaz de chat con su propio SDK (@truefoundry/trueforge-ui) está disponible para usarla tal cual, personalizarla o integrarla. Esa tercera pieza es lo que lo diferencia de la mayoría de esta lista, que se limita a la terminal.

La decisión de diseño que más reduce tu factura: TrueForge trata el sandbox como una herramienta. Solo lo inicia cuando el agente realmente necesita ejecutar código, en lugar de envolver toda la sesión en un contenedor. Un servidor gestiona muchos agentes a la vez, y los turnos que no requieren código siguen siendo económicos.

Lo que añade al bucle es el trabajo de contexto, porque eso es lo que determina si las ejecuciones largas siguen siendo asequibles. La carga diferida de herramientas significa que los esquemas de herramientas MCP se cargan bajo demanda en lugar de llenar la ventana de contexto desde el principio. El modo de código permite al agente encadenar varias llamadas a herramientas dentro de un único script de sandbox, de modo que solo el resumen impreso entra en el contexto. Las respuestas de herramientas demasiado grandes se escriben en un archivo del sandbox y se sustituyen por una ruta y una vista previa. La compactación se activa al 80% de la longitud del contexto del modelo y sustituye el historial antiguo por un resumen estructurado. Los subagentes se ejecutan con su propio contexto limpio y solo devuelven el resultado.

En el Enterprise-Bench de DevRev, que consta de 14 tareas intersistémicas en tres servidores MCP con una sesión nueva cada vez y un juez LLM a ciegas, TrueForge sobre Opus 4.8 resolvió las mismas tareas que los agentes gestionados de Claude en8,5 $ por ejecución frente a 11,8 $, con3,8 M de tokens frente a 10 M. Cambiar a GLM-5.2 lo llevó a2,9 $ por ejecución. Frente a deepagents en el mismo modelo, utilizó menos de una cuarta parte de los tokens.

Tiene licencia MIT, lo mantenemos nosotros y se desarrolla de forma abierta. Sus puntos fuertes son esas tres superficies, el sandboxing bajo demanda, una ruta documentada desdenpxhasta Helm con Postgres, Redis, réplicas y OIDC, además de cifras de rendimiento publicadas que puedes verificar. Su debilidad evidente es la juventud. Es el proyecto más reciente de esta lista, por lo que el ecosistema de extensiones de terceros es limitado en comparación con lo que ofrece opencode.

Pruébalo en 60 segundos: npx @truefoundry/trueforgeodale una estrella en GitHub.

An Open-Source Alternative to Claude Managed Agents, Up to 75% Cheaper

Run production-ready AI agents on your own infrastructure with TrueForge, using your choice of models, tools, and sandbox providers.

View on GitHub

Docs

Preguntas frecuentes

P: ¿Qué es un entorno de ejecución (harness) para agentes?

‍R: Un harness de agentes es la capa de ejecución alrededor de un LLM que lo convierte en un agente fiable y de larga duración. Se encarga del bucle de ejecución y gestiona el contexto, el sandboxing, las aprobaciones y el estado de la sesión, porque un modelo por sí solo puede razonar, pero no puede actuar, ejecutar ni recordar entre turnos.

P: ¿Cuál es la diferencia entre un "harness" de agentes y un framework de agentes?

‍R: Un framework te proporciona los elementos básicos para construir un agente y espera que tú definas el flujo de control. Un "harness" es el entorno de ejecución terminado con el bucle ya programado, por lo que solo tienes que añadir las herramientas y las instrucciones. Los frameworks sirven para construir agentes; los "harnesses" sirven para ejecutarlos.

P: ¿Es LangGraph un "harness" de agentes o un framework?

‍R: LangGraph es un framework. Declaras nodos, aristas y un esquema de estado, y este ejecuta tu grafo. deepagents, que está construido sobre LangGraph, es un "harness" porque incluye un bucle completo que no tienes que escribir tú. Un producto puede contener ambas capas.

P: ¿Necesito ambos?

‍R: A menudo, pero en capas distintas. Utiliza un "harness" para el bucle del agente y un framework para la orquestación entre agentes o para un flujo de trabajo determinista en el que se integre el agente. Lo que no deberías hacer es usar un framework para construir manualmente un bucle que un "harness" ya te ofrece sin esfuerzo.

P: ¿Puedo ejecutar un entorno de agentes en mi propia VPC o de forma local (on-prem)?

‍R: Sí, con uno de código abierto. TrueForge se ejecuta desde un único npxcomando de forma local, o mediante Docker Compose y Helm para despliegues en equipo con Postgres, Redis, réplicas e inicio de sesión OIDC. La versión gestionada de TrueFoundry también se puede ejecutar de forma autónoma, en instalaciones propias (on-prem), en entornos aislados o híbridos, para que ningún dato salga de tu dominio.

P: ¿Cómo puedo gestionar modelos y servidores MCP en muchos agentes?

‍R: A través de una capa de puerta de enlace. TrueFoundrypuerta de enlace de IA (AI Gateway) pone más de 1.000 LLMs detrás de una API compatible con OpenAI con aproximadamente 3-4 ms de latencia añadida y más de 350 RPS en una sola vCPU, con RBAC, presupuestos, barreras de seguridad y rotación de credenciales, además de una pasarela MCP para el control de acceso a nivel de herramientas y trazas de OpenTelemetry hacia Grafana, Datadog o Prometheus.

Lecturas relacionadas

• El mejor entorno de agentes en 2026: comparativa de las 5 mejores opciones: el sector, una vez que has decidido que quieres un "harness"
• Presentamos TrueForge: el entorno de agentes de código abierto que utilizamos en produccióndecisiones de arquitectura y diseño
• TrueForge frente a Claude Managed Agents: hasta un 75 % más barato: qué impacto tiene la capa de "harness" en los costes
• Por qué los entornos de ejecución de agentes deben ser abiertosargumentos en contra de alquilar esta capa
• Cómo funciona AskTFY, de TrueFoundry, sobre TrueForge: un agente en producción construido sobre un "harness"

Conclusión

La versión corta: un framework sirve para construir un agente, un "harness" de agentes sirve para ejecutarlo. Si te ves escribiendo el bucle, has elegido un framework. Si el bucle venía incluido, has elegido un "harness". Muchos equipos necesitan ambos, en diferentes capas, y el error costoso es usar uno para reconstruir lo que el otro ya hace.

Si lo que quieres es el bucle sin tener que escribirlo, TrueForge está en GitHubynpx @truefoundry/trueforge lleva aproximadamente un minuto. Si quieres ver cómo ese mismo "harness" se ejecuta de forma controlada, con presupuestos, RBAC y trazas unificadas, ese es el TrueFoundry Agent Harness.