Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)

Pi 1.0 conecta MCP mediante Codemode: el agente escribe código JS en lugar de hacer llamadas aisladas

Pi 1.0, el software que sirve de «andamiaje» para dotar de herramientas a un agente de IA, ahora conecta servidores MCP (servicios externos como Sentry) a través de Codemode. El agente escribe un JavaScript breve que combina las llamadas dentro de un sandbox QuickJS aislado, sin red ni acceso a archivos. Con bash, el modelo solo recibe las últimas 2000 líneas de salida, mientras que Codemode devuelve el resultado completo. Por eso, los servidores MCP deberían entregar JSON limpio y estructurado.

Procesado por IA desde Хабр: Машинное обучение; editado por Hamidun News
Pi 1.0 conecta MCP mediante Codemode: el agente escribe código JS en lugar de hacer llamadas aisladas
Fuente: Хабр: Машинное обучение. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalХабр: Машинное обучение ↗
Editor jefe
Dato clave #1Pi limita a cuatro las llamadas simultáneas; el resto espera en cola
Dato clave #2El clasificador Jev analizó hasta 100 issues abiertos de GitHub según su tono
Dato clave #3Codemode se activa por separado mediante la configuración defaultTools: +codemode

Imagine que necesita revisar un centenar de tareas abiertas en un repositorio: leer cada una, evaluar el tono del autor y determinar si se trata de un error o de una solicitud de nueva función. Si un agente de IA invoca las herramientas una por una y arrastra cada respuesta a la memoria del modelo, el contexto se llena en un par de pasos. Precisamente ese problema es el que resuelve Codemode en Pi 1.

0. Pi es el «andamiaje» del agente: un programa que proporciona al modelo de lenguaje sus herramientas y las ejecuta. MCP es el estándar que permite al agente conectarse a servicios externos como Sentry.

Ahora, el soporte de MCP en Pi funciona a través de Codemode: en lugar de una cadena de llamadas aisladas, el agente escribe un JavaScript breve que combina las herramientas por sí mismo.

Hace más de un año, el autor de este material recomendaba no cargar las herramientas personalizadas, incluidos los servidores MCP, en el contexto del modelo, y recurrir a scripts siempre que fuera posible. El lanzamiento de Pi 1.0 parece un giro, pero en realidad es el siguiente paso de la misma idea: dejar que el agente trabaje con código.

¿Para qué necesita un agente código si ya tiene bash?

Bash resulta cómodo porque permite combinar llamadas con facilidad, y los modelos entienden bien el sistema de archivos tras su entrenamiento. Pero tiene un límite: solo sabe encadenar programas ejecutables. Algunas herramientas no son programas, sino que están integradas en la propia interfaz de comunicación con el LLM. Por ejemplo, para que un modelo multimodal vea una imagen, el andamiaje del agente debe transmitir los datos de la imagen directamente a través del protocolo. Eso no se puede hacer con un simple comando de consola.

Hay también una segunda complicación: dónde se ejecuta cada cosa. El sistema tiene dos partes. El andamiaje del agente, es decir, el «cerebro», funciona en una máquina separada y se considera de confianza. El entorno de destino, donde se ejecutan bash y las herramientas, puede estar en un sandbox como Gondolin. Ambas partes tienen sistemas de archivos distintos y niveles de confianza diferentes, y entre ellas existe una frontera clara.

Codemode funciona en el lado del andamiaje, dentro de su propio sandbox. En Pi se ha usado QuickJS en un entorno WASM con restricciones deliberadas: sin red, sin acceso a archivos y con memoria limitada. La única forma de influir en el mundo exterior es invocar otras herramientas. El término lo acuñó Cloudflare.

Qué aporta en la práctica

El ahorro de contexto se aprecia con un ejemplo sencillo. Cuando el LLM invoca bash como una herramienta normal, en el contexto solo llegan las últimas 2000 líneas de salida, y el resto el agente tiene que leerlo después desde un archivo. Con Codemode, la misma llamada devuelve resultados voluminosos de forma estructurada. Además, JavaScript permite describir operaciones en paralelo y flujos de trabajo sencillos. El esquema típico es el siguiente: el agente primero examina entre 5 y 10 elementos de la respuesta para entender la estructura y, después, escribe un script para procesar el resto.

Otra posibilidad es mantener el estado dentro de la sesión. Una llamada a Codemode guarda datos y la siguiente, dentro de la misma sesión, los recupera. Todo esto ocurre en el host del andamiaje, no en el sandbox.

Son ilustrativos los ejemplos de sesiones reales de Pi en los que el propio agente escribió el código. Genera imágenes mediante las API de los modelos. Obtiene hasta 100 issues abiertos de GitHub con gh, procesa cada uno con el modelo clasificador Jev y evalúa su tono, el grado de irritación del autor y el tipo de solicitud. La ejecución en paralelo es segura en este caso: Pi limita por sí mismo a cuatro las llamadas simultáneas a herramientas, y el resto espera en cola. En otro ejemplo, Jev elige la siguiente acción de un tanque en un juego durante la depuración. Si todo esto se expusiera como herramientas separadas, ocuparía espacio en el contexto.

Con MCP, el agente primero busca las herramientas necesarias mediante la API dentro de Codemode. A veces accede al servidor directamente: por ejemplo, al servidor MCP de Sentry, cuya existencia conoce por el prompt del sistema.

Qué todavía no funciona bien con MCP

El autor reconoce que, con MCP, las cosas aún no funcionan a la perfección. Los servidores están pensados sobre todo para andamiajes sin Codemode. La solución provisional de Cloudflare, ejecutar Codemode dentro del propio servidor MCP, deriva en Codemode dentro de Codemode. Aparece una doble escritura de escapes en JSON que confunde a los modelos pequeños, y el código interno no puede invocar herramientas del externo.

Los problemas son cuatro:

  • Datos estructurados. Los servidores deben devolver JSON bien organizado, y muchos no lo hacen.
  • Uniformidad de los resultados. Si un servidor cambia el formato según el número de elementos, por ejemplo para ahorrar tokens, una prueba con cinco elementos funciona, pero el lote máximo rompe el procesamiento.
  • Datos binarios grandes. MCP todavía no los admite, y hay que recurrir a URL prefirmadas.
  • Búsqueda de herramientas en paralelo. No existe un mecanismo práctico para repartirla entre varios servidores. Por ahora todo depende del comportamiento espontáneo de los modelos, lo que escala mal.

Quedan además otras cuestiones abiertas. Con Codemode resulta más difícil garantizar la recuperación tras fallos: quizá convenga tomar ideas de los motores de ejecución fiable de flujos de trabajo y guardar instantáneas del estado de las llamadas. En lugar de JavaScript, quizá sea mejor Starlark por su determinismo. Tampoco están resueltos el trabajo con imágenes y datos binarios ni la incapacidad de los modelos pequeños para aprovechar este enfoque de forma eficaz.

Qué debe hacer el desarrollador

Si desarrolla un servidor MCP, entregue JSON estructurado y mantenga el mismo formato de respuesta sea cual sea el tamaño de la salida. Si construye su propio andamiaje para agentes, considere un entorno aislado para el código del modelo, sin red ni archivos, pero capaz de invocar herramientas. En Pi, Codemode se activa por defecto junto con MCP, y también puede habilitarse por separado con "defaultTools": ["+codemode"]. El autor confía en que el enfoque se aplicará cada vez más, aunque todavía está lejos de ser ideal.

Historia

Preguntas frecuentes sobre la noticia

¿Para qué necesita un agente código si ya tiene bash?

Bash resulta cómodo porque permite combinar llamadas con facilidad, y los modelos entienden bien el sistema de archivos tras su entrenamiento. Pero tiene un límite: solo sabe encadenar programas ejecutables. Algunas herramientas no son programas, sino que están integradas en la propia interfaz de comunicación con el LLM. Por ejemplo, para que un modelo multimodal vea una imagen, el andamiaje del agente debe transmitir los datos de la imagen directamente a través del protocolo.

¿Qué se sabe sobre Qué aporta en la práctica?

El ahorro de contexto se aprecia con un ejemplo sencillo. Cuando el LLM invoca bash como una herramienta normal, en el contexto solo llegan las últimas 2000 líneas de salida, y el resto el agente tiene que leerlo después desde un archivo. Con Codemode, la misma llamada devuelve resultados voluminosos de forma estructurada. Además, JavaScript permite describir operaciones en paralelo y flujos de trabajo sencillos.

¿Qué se sabe sobre Qué todavía no funciona bien con MCP?

El autor reconoce que, con MCP, las cosas aún no funcionan a la perfección. Los servidores están pensados sobre todo para andamiajes sin Codemode. La solución provisional de Cloudflare, ejecutar Codemode dentro del propio servidor MCP, deriva en Codemode dentro de Codemode. Aparece una doble escritura de escapes en JSON que confunde a los modelos pequeños, y el código interno no puede invocar herramientas del externo. Los problemas son cuatro: Datos estructurados.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…