MTS AI creó un equipo virtual que construye agentes de IA a partir de una descripción en texto
MTS AI convirtió su prototipo de concurso en un producto: el «equipo de IA» (AI Force), dentro de MWS AI Agents Platform, construye un bot a partir de una descripción en texto. El usuario explica lo que necesita y un LLM diseña la arquitectura y entrega un agente casi listo. Para que no haga nada inesperado a mitad de una tarea, el modelo se rodea de herramientas, conocimientos, reglas y bloqueos. La conclusión para los equipos es clara: la fiabilidad de un agente corporativo depende del andamiaje que lo rodea, no solo de un modelo potente.
Procesado por IA desde Habr: MTS AI; editado por Hamidun News
Crear un agente de demostración que impresione al jurado puede llevar un par de semanas. Crear un agente al que una empresa cliente confíe un proceso de trabajo es mucho más difícil: debe funcionar de forma repetible, no solo con ejemplos favorables, y no producir nada inesperado en mitad de una tarea. Precisamente con este problema se topó el equipo de MTS AI después de que su prototipo Meta Agent ganara el primer puesto en un concurso interno. En la segunda parte de un artículo largo publicado en Habr, el autor explica en qué se convirtió ese prototipo: la función «equipo de IA» (AI Force) dentro de MWS AI Agents Platform.
Qué hace el «equipo de IA»
La idea es sencilla. El usuario describe en lenguaje natural qué bot necesita, y el sistema, basado en un modelo de lenguaje grande, actúa como un equipo virtual de desarrollo. Se encarga del ciclo de ingeniería rutinario: analiza los requisitos, diseña la arquitectura, ensambla la configuración del agente y entrega el resultado en un formato que la plataforma puede ejecutar. En el prototipo, la salida era un JSON; en el producto, un agente «listo, o casi». Los autores dicen expresamente «casi»: una persona sigue revisando el resultado.
Para quienes han trabajado con plataformas low-code, el sentido es evidente. Allí existe una barrera entre la idea y la solución funcional: hay que entender la interfaz, los bloques y los ajustes. El equipo de IA elimina ese umbral y convierte la plataforma en una especie de programación por vibración para agentes: describes la tarea, recibes un borrador y lo corriges.
La metáfora del maestro de taller
Para explicar el funcionamiento, el autor compara el sistema con un maestro de taller. El maestro tiene máquinas y banco de trabajo, herramientas, conocimiento sobre el material, instrucciones paso a paso para las operaciones típicas, normas de seguridad, bloqueos físicos y un diario donde anota las lecciones aprendidas. Cada elemento del sistema corresponde a un fragmento de código:
- LLM toma las decisiones, como la cabeza del maestro.
- MCP (protocolo de conexión de herramientas) y MCP tools son llamadas concretas a la API de la plataforma: crear un nodo, configurar una conexión, verificar la configuración.
- Skills (SKILL.md) son conocimientos estructurados sobre la plataforma, es decir, cómo leer el «plano».
- Workflows / Recipes son escenarios paso a paso: primero el marcado, luego el taladrado, después el ensamblaje.
- Rules son normas que el agente mantiene siempre en contexto.
- Hooks (PreToolUse / PostToolUse) son bloqueos de infraestructura que se activan antes y después de invocar una herramienta.
- Findings (FINDINGS.md) es una base de patrones acumulados en el trabajo real.
Por qué los bloqueos importan más que las peticiones
La idea más práctica de este esquema se refiere a los hooks. Una regla en el prompt es una petición: «ten cuidado». El modelo puede pasarla por alto, sobre todo en un diálogo largo. El hook funciona como la protección de una máquina: si no se cumple la condición, la llamada a la herramienta simplemente no se ejecuta. No es una petición, sino una restricción constructiva. En producción, esta diferencia es decisiva: un comportamiento que no puede infringirse mediante código es más fiable que uno que el modelo «recuerda».
El segundo detalle útil es el archivo FINDINGS.md. El agente y los desarrolladores registran allí patrones de ejecuciones reales: qué falló y qué secuencia de acciones funcionó. Es una forma barata de «aprendizaje» sin reentrenar el modelo: el conocimiento vive en archivos, se carga cuando hace falta y se edita de forma habitual.
Qué conviene tener en cuenta
Para quienes construyen sus propios agentes, de esta historia se desprenden tres conclusiones. Primero, conviene guardar el conocimiento del dominio (Skills) y las recetas paso a paso por separado del modelo, porque así es fácil actualizarlos y verificarlos. Segundo, todo lo que no debe infringirse hay que trasladarlo del prompt a los hooks antes y después de las llamadas a herramientas. Tercero, conviene llevar un registro de patrones de la operación real y conectarlo al agente.
También hay limitaciones. En la parte publicada no aparecen cifras: cuántos tokens consume ensamblar un agente, qué proporción de ensamblajes exitosos no requiere correcciones ni cuánto cuesta cada ejecución. Con este texto no se puede evaluar la economía de la solución, así que conviene esperar la continuación. Además, se trata de la descripción de una plataforma interna de MTS: el conjunto de herramientas está ligado a su API, y el esquema solo puede trasladarse como enfoque arquitectónico. Pero el enfoque en sí —LLM, herramientas MCP, habilidades, recetas, reglas, hooks y un registro de hallazgos— ya parece una plantilla de trabajo válida para cualquier equipo que construya agentes para vender, y no solo para un concurso.
- 21 nov 2026Meta prepara Muse Charm, un tamagotchi con IA de 300 dólares y un año de 5G de Verizon
- 21 nov 2026MLCommons empieza a medir las API de IA bajo carga real: 7 mediciones para agentes
- 21 nov 2026Unsloth actualizó los Qwen3.8-27B comprimidos: la precisión sube un 5–10% con el mismo tamaño
- 21 nov 2026Apple construye un agente de IA para Mac y complica el acceso a terceros: 14 clics en lugar de 4
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hace el «equipo de IA»?
La idea es sencilla. El usuario describe en lenguaje natural qué bot necesita, y el sistema, basado en un modelo de lenguaje grande, actúa como un equipo virtual de desarrollo. Se encarga del ciclo de ingeniería rutinario: analiza los requisitos, diseña la arquitectura, ensambla la configuración del agente y entrega el resultado en un formato que la plataforma puede ejecutar. En el prototipo, la salida era un JSON; en el producto, un agente «listo, o casi».
¿Qué se sabe sobre La metáfora del maestro de taller?
Para explicar el funcionamiento, el autor compara el sistema con un maestro de taller. El maestro tiene máquinas y banco de trabajo, herramientas, conocimiento sobre el material, instrucciones paso a paso para las operaciones típicas, normas de seguridad, bloqueos físicos y un diario donde anota las lecciones aprendidas. Cada elemento del sistema corresponde a un fragmento de código: LLM toma las decisiones, como la cabeza del maestro.
¿Qué se sabe sobre Por qué los bloqueos importan más que las peticiones?
La idea más práctica de este esquema se refiere a los hooks. Una regla en el prompt es una petición: «ten cuidado». El modelo puede pasarla por alto, sobre todo en un diálogo largo. El hook funciona como la protección de una máquina: si no se cumple la condición, la llamada a la herramienta simplemente no se ejecuta. No es una petición, sino una restricción constructiva.
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.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.