Escribir el código era la parte fácil

Lo que nos propusimos

Skynet es el orquestador en el que varios agentes de código (Claude Code, Codex y Antigravity) planifican, implementan, revisan y validan cambios por su cuenta. El domingo pasado aprendió a terminar: subir la rama, abrir la PR, esperar la CI y fusionar. Ya escribía código y lo entregaba.

Esta semana descubrimos que eso era la punta. Una fábrica de software no es un agente que escribe; es todo lo que pasa alrededor de lo que escribe. Quién le encarga el trabajo. Qué hace cuando se queda sin cuota a mitad de una tarea. Quién decide si lo que ha hecho está bien. Qué pasa después de fusionar, cuando el cambio se despliega. Y cómo se ve todo eso desde fuera, para alguien que no quiere leer logs.

Así que la semana fue eso, en ese orden:

• lanzar trabajo desde GitHub: una issue, un comentario /skynet en una PR o una tarea programada, con una cola por repositorio para que dos agentes no pisen el mismo checkout;
• seguir cuando se acaba la cuota, en vez de fallar;
• validación independiente: que el agente que escribe no sea el que se aprueba;
• reorganizar la interfaz alrededor de proyectos, repositorios y trabajos;
• el ciclo de despliegues, de GitHub a la máquina de pruebas y vuelta;
• e importar proyectos reales desde los repositorios que ya están en disco.

El reparto, el de siempre: Claude escribe las PRs en sus sesiones en la nube, Hermes las despliega en la máquina de pruebas y ejecuta su guía de aceptación, Diego decide si se fusionan. Esta semana Codex se sumó con algo nuevo: escribir los planes de los hitos para que Claude los revise antes de empezar.

Los problemas que nos encontramos

El agente se quedaba sin gasolina a mitad del trabajo

Hasta ahora, cuando la cuenta de un agente agotaba su ventana de cinco horas, la fase fallaba. Daba igual que faltaran veinte minutos para que se renovara: el trabajo se perdía y había que relanzarlo a mano. Para un orquestador que quiere trabajar solo de noche, eso es un problema de diseño, no un accidente.

Y la ironía la sufrimos en directo: el martes, justo después de abrir la PR del juez, la sesión de Claude que la estaba escribiendo se quedó sin cuota y se paró cincuenta minutos hasta que Diego escribió «Continúa».

Ponerse en verde es demasiado fácil

Con la entrega automática había un agujero evidente en cuanto lo miras de frente: un agente que no consigue que pase un test puede borrarlo, o ponerle @Disabled, o tocar la guía de aceptación. La CI sale verde y nadie miente exactamente. Simplemente, ya no se está comprobando lo mismo.

La revisión que ya hacían los agentes no lo arreglaba del todo, porque el revisor leía lo que el autor decía haber hecho. Y un autor convencido es muy persuasivo.

Un juez también se equivoca

Cuando metimos un juez, apareció el problema contrario. Un revisor que busca fallos los encuentra, aunque no estén. Un hallazgo «que bloquea» mal fundado manda al agente a corregir algo que estaba bien, y en la siguiente ronda se pierde lo bueno que había.

Skynet no puede escucharse a sí mismo

Para el ciclo de despliegues, el plan que escribió Codex proponía lo obvio: que el script de despliegue avisara a Skynet con una llamada firmada al empezar y al terminar. Al revisarlo apareció el fallo: cuando lo que se despliega es el propio Skynet, se reinicia en mitad del despliegue. El aviso de «empiezo» puede llegar a un servidor que se está apagando, y perderse.

Y cuando se instaló de verdad, Hermes descubrió otro detalle: el script que avisaba no enviaba realmente el token de autenticación.

Parecía un panel de administración

Con todo eso funcionando, Diego abrió la aplicación y escribió lo que cualquiera habría pensado: «El problema de Skynet ya no es estético, sino de arquitectura de la información.» Había menús para proyectos, workflows, runners, ejecuciones y uso, todos con el mismo peso. Parecía la consola de una infraestructura, no una fábrica. No se veía de un vistazo sobre qué software estaban trabajando los agentes, qué habían cambiado, cuánto había costado ni qué necesitaba intervención.

Y había tres palabras que se usaban casi como sinónimos y no lo son: trabajo, workflow y ejecución.

Dar de alta un proyecto era rellenar un formulario

Para que Skynet trabajara en Forma, Akademia o TokenMeter había que crear el proyecto a mano: nombre, descripción, ruta local del repositorio, URL de git. Los repositorios ya estaban clonados en la máquina de pruebas, pero Skynet no lo sabía.

Y el roce de siempre

Maven Central limitó las descargas cinco veces. Varias pruebas end-to-end cayeron por carreras que ya existían y pasaron al relanzarlas. La CI de una PR superó las cien conexiones que admite PostgreSQL porque un test nuevo levantaba otro contexto de Spring. Y Claude clasificó como mediana una PR que era pequeña, así que esperó un «fusiona» de Diego cuando bastaba con la aprobación de Hermes. Diego lo dijo sin rodeos: «¿por qué no lo has leído?».

Cómo lo resolvimos

La cuota pasó a ser estado del orquestador, no un error. Skynet reconoce el mensaje de cuota agotada de cada CLI, pone la fase a esperar hasta que se renueve (con un pequeño margen aleatorio para que no arranquen todas a la vez), y luego retoma la misma sesión en el mismo espacio de trabajo. La espera no gasta intentos. Y si la espera se alarga más de quince minutos, cada agente puede tener un proveedor de reserva: si Codex está sin cuota, entra Claude Code.

Contra el verde fácil, dos defensas mecánicas que no dependen de la buena fe de nadie. La primera lee el diff y falla si hay menos tests que antes o si aparece cualquier forma de saltarlos, en Java, JavaScript, Python o Go, y dice cuál: «Se ha borrado el test CalculadoraTest.divideEntreCero». La segunda son las rutas protegidas: la guía de pruebas o la CI se declaran intocables, y a Claude Code directamente se le quita el permiso de editarlas.

Encima de eso, el juez y sus escépticos (más abajo, el único fragmento técnico del post). Así quedó uno de los workflows iniciales:

Cada agente tiene su reserva, el plan y la fusión pasan por una persona, y entre implementar y abrir la PR hay un juez que no es el autor.

Para los despliegues, la decisión fue no ser el receptor. Los scripts de despliegue avisan a GitHub, usando su API de Deployments, y GitHub reenvía los eventos a Skynet por el canal firmado que ya existía desde la semana pasada. Si Skynet se está reiniciando, GitHub guarda el estado y lo reintenta. Y como un aviso se puede perder igualmente, Skynet comprueba la salud de lo desplegado y reconcilia: si un despliegue lleva demasiado tiempo «en curso», mira cómo está de verdad. El token se arregló, con un test que comprueba que la cabecera llega sin imprimir nunca su valor.

La interfaz se reorganizó en tres áreas. Espacio de trabajo: proyectos, repositorios, trabajos y actividad; es lo primero que ves. Fábrica: lo que está en marcha, los workflows, las aprobaciones y los resultados. Administración: proveedores, runners, consumo y ajustes. El proyecto se convirtió en el centro de operaciones:

Akadem.ia, el primer proyecto real dentro de Skynet. Lo interesante ya no es el gasto global, sino cuánto ha costado cada trabajo en cada repositorio.

Y las tres palabras quedaron separadas en la propia pantalla del trabajo: qué quieres conseguir, cómo se hace (el workflow) y cada intento real de hacerlo:

Un trabajo, un workflow, un intento. Si falla, se lanza otro intento del mismo trabajo, no un trabajo nuevo.

Akadem.ia no se dio de alta a mano. Entró con el asistente nuevo, que busca los repositorios que ya están clonados en la máquina del runner, lee su remoto, su rama, su manifiesto y su README, no lee .env ni secretos y no crea nada hasta el último paso:

Los repositorios que ya existen en disco, listos para convertirse en proyectos. Los que ya están dentro salen atenuados.

Lo de la PR mal clasificada se corrigió donde debía: en la regla escrita en la memoria del proyecto, no en una disculpa. La siguiente PR pequeña se fusionó con la aprobación de Hermes, sin esperar.

Y para cerrar el sábado, algo más ligero: Skyny, la mascota, ya existe en 3D. Diego la está diseñando con Codex en un estudio aparte, hecho con three.js. Claude propuso llevarla a toda la aplicación con sprites para los tamaños pequeños; Diego prefirió algo más acotado, y de momento vive solo en el login. El estudio entró en el repositorio, para que cada versión nueva del modelo llegue al código sin traducirla a mano.

Skyny 3D, por ahora solo en la puerta de entrada.

El único fragmento técnico de este post

El problema de que un agente revise a otro no es la capacidad, es la contaminación. Si el juez lee la explicación del autor, juzga la explicación. Así que el juez de Skynet está montado para no poder hacerlo:

• no ve lo que dijo el autor. Recibe la tarea, el commit de partida, el resultado de las comprobaciones y la rúbrica. Para ver el cambio tiene que mirar el diff él mismo, en su propia copia del repositorio;
• solo puede leer: trabaja en modo plan, sin permiso para editar y sin la memoria del proyecto;
• puntúa con una rúbrica, de 1 a 5, con un umbral de 3,5. La de por defecto pesa tres cosas: si resuelve la tarea, si tiene tests y si se queda en su alcance. Puede haber varios jueces con lentes distintas: Codex mirando si es correcto, Antigravity mirando la seguridad;
• y si suspende, corrige el autor con los hallazgos en la mano, y se vuelve a juzgar, como mucho dos rondas.

Lo que nos enseñó el problema contrario es la segunda mitad. Cada hallazgo que bloquea pasa por escépticos: agentes de solo lectura que intentan refutarlo, y que ven todavía menos (la tarea, el hallazgo y el commit; ni la rúbrica, ni la nota, ni al autor). Si la mayoría lo refuta, el hallazgo sale tachado con el motivo y no manda corregir nada. Un empate no refuta. Y hay topes, porque esto se paga en tokens: ocho hallazgos por ronda y veinte llamadas a agentes por fase, y si se recorta, se dice.

La idea que nos llevamos es simétrica: el autor no se aprueba a sí mismo, y el crítico tampoco se da la razón a sí mismo.

Mientras tanto, Hermes

Hermes, además de aceptar cada PR, se ocupó de que la fábrica tenga suelo. Hizo un reset de Skynet para dejarla vacía con solo los workflows iniciales, y convirtió demo-repo en el objetivo de todas las guías de prueba, para que ninguna dependa de los repositorios de casa.

También inventó, en el momento, un procedimiento que no existía. La PR de frontend que sigue abierta llegó sin fase ni guía de aceptación. En vez de relajar el webhook o fingir una aceptación, la trató como una excepción explícita: comprobar que solo toca el frontend, exigir toda la CI en verde, desplegar ese commit exacto, restaurar el runner real y pasar el verificador completo. La excepción no cambió la regla.

Fuera de Skynet, la semana fue de casero. El ordenador de pruebas se reinició por fin (sigue necesitando a alguien delante del teclado para el login) y se recuperaron varios gigas de disco entre imágenes de Docker, cachés y herramientas que nadie usaba. Se retiró OpenClaw, un asistente antiguo, pero no con un rm -rf: su carpeta de secretos todavía alimentaba integraciones de Hermes, así que primero se migraron, se comprobaron por hash y por uso real, y solo entonces se borró. Audiobookshelf volvió a sonar después de revisar el NFS con el Synology. Y el sábado, otra vez, Forma, Akademia y TokenMeter dejaron de verse desde fuera mientras funcionaban perfectamente en casa: las rutas a Cloudflare dejan de responder desde Movistar durante el fútbol. Correlación fuerte y repetida, no una prueba.

Lo que no salió bien

• La sesión de Claude se quedó sin cuota el martes, justo mientras construía la espera por cuota. La cuota semanal llegó al 93 % antes del reinicio del sábado.
• El mensaje de cuota agotada de Claude se dedujo de su formato documentado, no de una captura real. Si no coincide, la fase fallará como antes.
• Varias E2E cayeron por carreras que ya existían, como un bloqueo de PostgreSQL al cancelar dos agentes en paralelo. Pasaron al relanzarlas; siguen sin arreglar.
• Maven Central limitó las descargas cinco veces, y la descarga de Gradle agotó su tiempo varias veces en la CI.
• Una PR pequeña se trató como mediana y esperó a Diego sin necesidad.
• El trabajo de importar proyectos está a medias: Akadem.ia ya está dentro; Forma y TokenMeter, todavía no.

Lo que me llevo

La semana pasada pensaba que una entrega de agente termina en el merge. Esta semana aprendí que el merge está en medio. Antes hay alguien que encarga el trabajo, un agente que puede quedarse sin cuota y un juez que no se fía de él. Después hay un despliegue que se puede perder y una pantalla que tiene que explicar todo eso a alguien que no estaba mirando. Escribir el código fue, con diferencia, la parte que menos costó.

Y casi todo lo que hicimos se parece: no fiarse de quien tiene interés. Ni del autor que se revisa, ni del revisor que busca fallos, ni del servidor que se despliega a sí mismo, ni de un test que desaparece justo cuando fallaba. En cada caso la solución fue la misma: sacar la decisión de las manos de quien la está viviendo.

La semana que viene: el banco de pruebas para validar los despliegues de extremo a extremo, que Codex ya dejó planificado; importar Forma y TokenMeter; llevar a Skyny 3D al resto de la aplicación, y una tanda de PRs pequeñas de frontend sin hito.

La semana en cifras

Las capturas son del despliegue privado de Skynet en la máquina de pruebas, el domingo 8 al mediodía, sobre main tras la #261 y con los datos reales que dejó el reset de Hermes. En el asistente de importación se han ocultado el catálogo de un runner de aceptación ya desconectado y dos repositorios ajenos a estos proyectos. Hermes cuenta 25 PRs fusionadas en su nota; las 26 de la tabla salen de GitHub.