Как собрать AI-харнесс для SaaS-разработки: связка Orca, Pi Agent и GitHub

Un desarrollador publicó en Habr en julio de 2026 un desglose detallado de su propio sistema de IA para desarrollo SaaS — un llamado agent harness, o harness. La tesis principal: en trabajo real de producción, no vence el modelo de lenguaje más poderoso, sino la infraestructura correctamente construida alrededor de él, incluyendo el orquestrador Orca, el ligero Pi Agent, GitHub y un pipeline VPS personalizado.

¿Por qué el harness importa más que la elección del modelo?

El debate sobre la selección de LLM nunca cesa: GPT-5 o Claude Opus 4.6, Gemini o Codex. Pero el autor plantea una tesis radical: en desarrollo real, la pregunta "qué modelo elegir" es secundaria. Primaria es la pregunta "cómo se integra el modelo en el flujo de trabajo".

Agent harness es una capa entre el desarrollador y el modelo de lenguaje que gestiona contexto, enrutamiento de tareas, ejecución de código aislada, logging y ciclos de retroalimentación. Sin él, incluso el modelo más potente sigue siendo un chatbot inteligente, incapaz de funcionar de manera confiable en un entorno de producción.

¿De qué componentes está formada la configuración?

El autor describe una arquitectura específica de cinco elementos:

• Orca — orquestrador central: recibe una tarea, la divide en subtareas y las enruta al agente o herramienta apropiada
• Pi Agent — agente de ejecución ligero para tareas puntuales: correcciones de código, refactorización, verificación de lógica
• GitHub — repositorio como la "única fuente de verdad" del sistema y punto de sincronización para agentes
• VPS — entorno de ejecución aislado: los agentes ejecutan código en un servidor remoto sin riesgo para la máquina local
• Pipeline personalizado — describe el flujo de tareas desde la asignación hasta el merge

Orca y Pi Agent funcionan como pareja: el orquestrador ve el cuadro completo y distribuye el trabajo, Pi Agent ejecuta una instrucción específica y claramente definida sin necesidad de mantener todo el contexto del proyecto.

GitHub juega un doble papel en este esquema. Primero — el familiar repositorio de código. Segundo — punto de sincronización: los agentes escriben en ramas, crean pull requests, y el desarrollador revisa cambios en un loop clásico de revisión de código, solo que ahora con IA en el lado de la ejecución.

¿Cómo difiere este enfoque del ChatGPT común?

La mayoría de los desarrolladores usan LLM en modo "pregunta-respuesta": pegan código en el chat, obtienen una corrección, la copian de vuelta. Esto funciona para tareas aisladas, pero se quiebra en desarrollo de sistemas.

El harness cambia el paradigma: el modelo se convierte en parte de un flujo automatizado donde cada paso se verifica, se versiona y se registra. Un error del agente no se pierde — se captura en el sistema y puede ser depurado. Aislamiento de VPS: múltiples agentes pueden trabajar en paralelo sin conflictos en la máquina local.

"En el trabajo real, no es solo el modelo más fuerte el que gana, sino

un sistema correctamente ensamblado alrededor de él" — tesis clave del autor.

Qué significa esto

El artículo captura un cambio importante en la práctica del desarrollo de IA: el punto de crecimiento deja de ser la calidad del modelo, sino la madurez de la infraestructura alrededor de él. Los desarrolladores que invierten en harness — orquestración, ejecución aislada, versionamiento — obtienen resultados estables de producción. Aquellos que simplemente alternan entre ChatGPT y Claude trabajan más lentamente y de manera menos predecible.