El framework de DeepSeek para agentes de IA acumula 280 000 estrellas, y su bucle de agente es un plugin
DeepSeek ha publicado DeepSeek Harness (dsh), un framework para agentes de IA que ya supera las 280 000 estrellas en GitHub. En este tipo de sistemas suele haber un bucle central que llama al modelo y ejecuta las herramientas. En dsh, en cambio, el bucle, el adaptador de modelo y la memoria son plugins intercambiables sobre el framework Cordis, de modo que el comportamiento del agente se puede modificar sin hacer un fork del proyecto. Para los autores de agentes de programación, es un ejemplo práctico de arquitectura.
Procesado por IA desde X: @0xpipimd; editado por Hamidun News
Si ha construido su propio agente de programación, sabe en qué suele acabar convertido. En el centro hay un gran bucle que llama al modelo, ejecuta las herramientas, guarda el estado y reparte las tareas. Con el tiempo se le añaden nuevas condiciones y modificarlo da miedo. DeepSeek ha publicado en acceso abierto el framework DeepSeek Harness (abreviado dsh), que está diseñado de otra manera. Según una publicación en X, el proyecto ya acumula más de 280 000 estrellas en GitHub.
El bucle del agente como pieza intercambiable
La mayoría de los entornos de ejecución para agentes tienen un ejecutor central. Se encarga de todo a la vez: se comunica con el modelo, ejecuta las herramientas, controla el estado y coordina las tareas. En dsh no hay un monolito así. El framework se basa en Cordis, un marco de plugins en el que las capacidades se ensamblan a partir de servicios compartidos, eventos tipados y gestión del ciclo de vida.
Imagínelo como un juego de construcción en lugar de un juguete ya armado. El adaptador de modelo, el sistema de memoria y el propio bucle del agente son plugins independientes. ¿Quiere usar otro proveedor de LLM? Lo conecta a través de la interfaz común. ¿Quiere que el agente planifique los pasos de otra forma? Cambia el plugin del bucle sin hacer un fork de todo el proyecto.
La descripción enumera las partes principales:
- adaptadores de modelos con una interfaz común para distintos proveedores de LLM;
- ejecución de herramientas con acceso restringido y control de ejecución configurable;
- sesiones persistentes;
- orquestación de subagentes, tareas y trabajo delegado;
- entornos de ejecución: ejecución local y sandboxes intercambiables;
- extensión mediante plugins sin reescribir el bucle.
El historial de sesión separado del contexto del modelo
La solución más práctica tiene que ver con el historial. El registro de sesión guarda los eventos, y la conversación que ve el modelo puede reconstruirse a partir de ese registro. Por eso los intentos fallidos y cancelados permanecen en el registro, pero no entran automáticamente en el contexto del modelo.
Esto resuelve un problema conocido. El agente prueba un comando, falla y lo intenta de nuevo. Si todos los fallos se arrastraran al prompt, el contexto se inflaría y el modelo empezaría a aferrarse a sus propios errores. En dsh existe un registro completo para depurar, y el modelo recibe solo lo que usted decida mostrarle. Para analizar incidentes, reproducir fallos y ahorrar tokens, esta separación resulta cómoda.
Otro detalle: el framework admite distintos perfiles de ejecución (web, headless y SDK). El mismo motor puede utilizarse detrás de una interfaz web, ejecutarse en segundo plano en un servidor o integrarse en su propia aplicación.
Qué hacer con esto y qué matices hay
Para un desarrollador, el proyecto tiene dos valores. El primero es didáctico: si estudia cómo se diseñan los frameworks de agentes, aquí se ve cómo la ejecución, las herramientas, la memoria y la orquestación se conectan mediante eventos y plugins. El segundo es práctico: la licencia MIT permite incorporar el código en productos comerciales y adaptarlo.
Los matices son estos:
- El proyecto sigue en developer preview, lo que significa que la API y el comportamiento pueden cambiar. Construir sobre él en producción hoy resulta arriesgado.
- El número de estrellas refleja la atención de la comunidad, pero no la fiabilidad. Para eso hacen falta pruebas propias.
- La fuente de la noticia es una publicación en X, no un anuncio oficial. Los detalles sobre Cordis, los perfiles de ejecución y el manejo del historial conviene verificarlos en el repositorio deepseek-ai.
- La arquitectura de plugins aporta flexibilidad, pero a cambio añade complejidad. Cuantas más piezas móviles, más puntos de unión donde algo puede romperse.
La conclusión práctica es sencilla. Si diseña su propio agente, observe cómo dsh separa el registro de eventos del contexto del modelo. Esta idea puede adoptarse aunque no piense usar el framework. Si, en cambio, quiere modificar el comportamiento del agente sin hacer un fork, pruebe con un prototipo pequeño qué tan cómodo resulta escribir un plugin de bucle. Así comprobará si el enfoque soporta sus tareas mientras la API aún no se ha estabilizado.
- 21 nov 2026MLCommons empieza a medir las API de IA bajo carga real: 7 mediciones para agentes
- 21 nov 2026Durante tres días, a través de OpenRouter respondió un DeepSeek manipulado: las negativas cayeron del 83–98 % a un 1 %
- 21 nov 2026Alisa, ChatGPT y Perplexity citan solo 34 de 309 plataformas para artículos
- 21 nov 2026CoreWeave mide Vera Rubin: hasta 10 veces más tokens por megavatio que la GB200
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre El bucle del agente como pieza intercambiable?
La mayoría de los entornos de ejecución para agentes tienen un ejecutor central. Se encarga de todo a la vez: se comunica con el modelo, ejecuta las herramientas, controla el estado y coordina las tareas. En dsh no hay un monolito así. El framework se basa en Cordis, un marco de plugins en el que las capacidades se ensamblan a partir de servicios compartidos, eventos tipados y gestión del ciclo de vida. Imagínelo como un juego de construcción en lugar de un juguete ya armado.
¿Qué se sabe sobre El historial de sesión separado del contexto del modelo?
La solución más práctica tiene que ver con el historial. El registro de sesión guarda los eventos, y la conversación que ve el modelo puede reconstruirse a partir de ese registro. Por eso los intentos fallidos y cancelados permanecen en el registro, pero no entran automáticamente en el contexto del modelo. Esto resuelve un problema conocido. El agente prueba un comando, falla y lo intenta de nuevo.
¿Qué se sabe sobre Qué hacer con esto y qué matices hay?
Para un desarrollador, el proyecto tiene dos valores. El primero es didáctico: si estudia cómo se diseñan los frameworks de agentes, aquí se ve cómo la ejecución, las herramientas, la memoria y la orquestación se conectan mediante eventos y plugins. El segundo es práctico: la licencia MIT permite incorporar el código en productos comerciales y adaptarlo. Los matices son estos: El proyecto sigue en developer preview, lo que significa que la API y el comportamiento pueden cambiar.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
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.