Más APIs.
Más servidores MCP.
Más integraciones.
Pero después de pasar el último año construyendo agentes para producción, he llegado a una conclusión: hemos estado optimizando la capa equivocada.
El mayor salto en el rendimiento de un agente no viene de darle una API más.
Viene de enseñarle cómo pensar.
Imagina que contratas a un nuevo ingeniero de software.
El primer día le das acceso a:
GitHub
VS Code
Slack
Jira
Docker
AWS
Enhorabuena.
Ahora tiene acceso a las mismas herramientas que utilizan tus ingenieros senior.
¿Eso significa que ya es un ingeniero senior?
Por supuesto que no.
La diferencia no está en las herramientas.
Está en la experiencia acumulada.
Los ingenieros senior saben:
cómo depurar problemas de forma sistemática
cómo revisar código
cómo planificar grandes refactorizaciones
cómo comunicarse con el equipo
cuándo merece la pena optimizar
cuándo no merece la pena optimizar
Nada de eso son herramientas.
Son habilidades.
Y con los agentes de IA ocurre exactamente lo mismo.
La mayoría de la gente solo piensa en una de ellas.
Las herramientas son acciones.
Permiten que un agente interactúe con el mundo exterior.
Por ejemplo:
Leer archivos
Ejecutar código en Python
Buscar en Internet
Llamar a una API
Consultar una base de datos
Crear Pull Requests en GitHub
Sin herramientas, un agente no puede hacer mucho más que generar texto.
Son el equivalente a darle manos a una persona.
El conocimiento responde preguntas.
Aquí es donde entran tecnologías como RAG, bases de datos vectoriales, bases de conocimiento o los recursos expuestos mediante MCP.
En lugar de depender únicamente de lo que aprendió durante el entrenamiento, el modelo puede recuperar información externa como:
documentación de la empresa
especificaciones técnicas
wikis internas
documentos PDF
datos de clientes
conversaciones anteriores
La recuperación de conocimiento responde a una pregunta muy concreta:
¿Qué necesito saber antes de tomar esta decisión?
Es la memoria del agente.
Esta es la capa de la que casi nadie habla.
Una habilidad es conocimiento experto reutilizable.
Le enseña al agente cómo abordar una tarea.
Piensa en las habilidades como playbooks ejecutables.
Por ejemplo:
En lugar de decir simplemente:
“Arregla este bug.”
La habilidad podría indicar al agente que:
Reproduzca el problema.
Aísle el componente que falla.
Revise los cambios recientes.
Genere hipótesis.
Valide cada hipótesis.
Implemente la solución más pequeña posible.
Escriba pruebas de regresión.
El modelo no se ha vuelto más inteligente.
Simplemente está siguiendo un mejor proceso.
Este es uno de los errores más comunes.
Una buena habilidad es mucho más que un prompt largo.
Los frameworks modernos de agentes suelen empaquetar las habilidades junto con:
instrucciones estructuradas
flujos de trabajo
ejemplos
árboles de decisión
plantillas reutilizables
scripts auxiliares
documentación de apoyo
Después, el propio agente decide cuándo cargar esa habilidad.
Curiosamente, es muy parecido a cómo trabajamos los humanos.
Un ingeniero de software no memoriza todas las soluciones posibles.
Recupera modelos mentales que ha ido construyendo durante años.
Las habilidades permiten que los agentes hagan exactamente eso.
MCP (Model Context Protocol) se ha vuelto enormemente popular.
Pero mucha gente interpreta mal cuál es su función.
Un servidor MCP es, principalmente, una interfaz estandarizada para exponer capacidades.
Esas capacidades pueden incluir:
herramientas
recursos
prompts
datos estructurados
Por ejemplo, un servidor MCP de GitHub podría exponer:
búsqueda de repositorios
creación de issues
apertura de Pull Requests
acceso a documentación
Mientras que un servidor MCP de Notion podría ofrecer:
documentación de proyectos
notas de reuniones
diagramas de arquitectura
MCP no sustituye a las habilidades.
Simplemente da acceso a capacidades externas.
Las habilidades enseñan al agente cómo utilizar esas capacidades de forma eficaz.
Piensa en un agente como si fuera un chef.
Las herramientas son el equipamiento de la cocina.
El cuchillo.
El horno.
La batidora.
El conocimiento es el libro de recetas.
Los ingredientes.
Las temperaturas.
Las proporciones.
Las habilidades son los años de experiencia cocinando.
Saber cuándo algo está demasiado hecho.
Cómo equilibrar sabores.
Cómo salvar un plato cuando algo sale mal.
Comprar un horno mejor no convierte a nadie en un chef con estrella Michelin.
Del mismo modo, darle otra API a un LLM tampoco lo convierte en un mejor agente.
Todos los modelos de frontera son cada vez más inteligentes.
El uso de herramientas se está estandarizando.
La adopción de MCP está creciendo rápidamente.
Dentro de poco, prácticamente todo el mundo tendrá acceso a los mismos modelos y a herramientas muy parecidas.
La diferencia ya no será el acceso.
Será la experiencia.
Las organizaciones que consigan capturar sus mejores prácticas en forma de habilidades reutilizables estarán encapsulando años de conocimiento interno.
Cada nuevo agente heredará automáticamente esa experiencia.
Y ese es un multiplicador mucho más potente que añadir otra integración.
Esta idea cambió por completo mi forma de diseñar agentes.
Antes me preguntaba:
“¿Qué herramientas debería darle a este agente?”
Ahora me hago otra pregunta:
“¿Qué experiencia debería heredar este agente?”
Por eso empecé a construir colecciones de sistemas operativos y habilidades reutilizables que encapsulan flujos de trabajo reales de ingeniería, y no simplemente prompts.
Ya sea para depurar sistemas en producción, diseñar arquitecturas, revisar código, escribir documentación técnica u orquestar flujos de trabajo complejos con IA, el objetivo siempre es el mismo:
Darles experiencia a los agentes, no solo acceso.
Si estás construyendo agentes de IA para proyectos serios, empieza a pensar más allá de las APIs y las integraciones.
Enséñales cómo trabajan los expertos.
Ahí es donde llegará la próxima gran revolución en productividad.
He empaquetado muchas de estas metodologías en una colección de sistemas operativos y habilidades reutilizables que puedes instalar directamente en Claude Code.
Incluye flujos de trabajo para ingeniería de software, estrategias de depuración, diseño de arquitectura, revisión de código, desarrollo con IA y mucho más.
Puedes ver la colección completa aquí:
Claude OS Collection
https://iamdgarcia.gumroad.com/l/claude-os-collection
y… si te gustaría que hiciese una recopilación de algún otro sector…
Sin posts
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.