Claude Sonnet y Jarvis Pattern: por qué los agentes de IA podrían necesitar solo un sistema operativo

Un artículo publicado en Habr propone simplificar radicalmente la conversación sobre agentes de IA: en lugar de frameworks, grafos, orquestadores y bases de datos vectoriales, el autor propone la fórmula LLM + sistema operativo + archivos. La idea es que los modelos modernos ya son lo suficientemente potentes para usar terminales, APIs y estructuras de archivos casi como lo hace un ingeniero, por lo que el cuello de botella no es la cantidad de infraestructura alrededor del agente, sino cómo se organizan su memoria, accesos y entorno de trabajo.

Egor Zinovyev, arquitecto de TI, describe el Jarvis Pattern como un agente de red personal vinculado a un especialista específico. Tal agente funciona en su propio contenedor con acceso a la infraestructura y actúa en nombre de la persona.

Como ejemplo, presenta su agente DevSecOps umax basado en Claude Sonnet, que, según sus palabras, cubre un conjunto completo de tareas especializadas: desde configuración de RBAC en Kubernetes y trabajo con Vault hasta despliegue de clusters, análisis de imágenes Docker, configuración de CI/CD y análisis de vulnerabilidades.

La tesis principal es que el agente no necesita un arsenal preensamblado de herramientas: si se requiere una consulta a Prometheus, usa curl; si necesita transformar datos, usa jq, sed o awk; si no hay herramienta apropiada, la escribe y la añade al flujo de trabajo.

Se hace especial énfasis en la memoria. Para el autor, permanece como la parte verdaderamente no resuelta de la arquitectura de agentes. Propone dividirla en declarativa, procedural y episódica: hechos, instrucciones y experiencia. Particularmente importante es no solo la experiencia exitosa, sino también la negativa—el conocimiento sobre qué camino ya llevó a un callejón sin salida y por qué.

En lugar de búsqueda vectorial y modelos de grafos, Zinovyev apuesta por el sistema de archivos y archivos markdown como mapa natural de rutas: las carpetas definen categorías, los nombres de archivo indican dirección, y los documentos índice sirven como punto de partida para sumergirse en el contexto necesario. En paralelo debe funcionar un Memory Agent separado que, después de cada sesión, analiza qué guardar, actualizar o descartar.

De esta lógica se deriva una visión más amplia sobre el papel del ser humano. Jarvis Pattern no trata sobre IA completamente autónoma, sino sobre amplificación de un ingeniero específico: la persona define la tarea, verifica el resultado y toma decisiones bajo incertidumbre, mientras que el agente asume la ejecución y el trabajo rutinario. El autor cree que tal modelo puede transformar la contratación, ya que los candidatos pueden evaluarse no por preguntas abstractas, sino por cómo trabajan con el agente en casos reales.

El artículo incluso presenta benchmarks del mercado empresarial: ciclo de contratación de 40–60 días, coste del error representando decenas de porcentajes del salario anual, y una proporción notable de empleados que no superan el primer año.

Otro resultado práctico se refiere al software: si el agente funciona a través de API y CLI, los productos sin API adecuada comenzarán a perder, independientemente de cuán hermosa sea su interfaz.

Aunque el texto se presenta como manifiesto, el autor enfatiza que no se considera aislado. Como prueba, cita ideas similares de otros ingenieros y productos en los que el agente ya se percibe como entorno operativo para el especialista, en lugar de chat con botones.

En este sentido, Jarvis Pattern no es un estándar terminado ni una nueva plataforma, sino un intento de capturar un cambio: partes de la industria comienzan a ver el agente de IA no como aplicación aislada, sino como capa de gestión sobre infraestructura existente.

Si esta lógica prospera, el principal debate en torno a agentes de IA se desplazará de la elección de framework al diseño de memoria, derechos de acceso y herramientas API-first. Para equipos esto significa menos magia en la arquitectura y mayores exigencias sobre la calidad del contexto; para especialistas significa crecimiento del valor del conocimiento profundo del dominio, que el agente puede escalar pero no reemplazar.