Anthropic publicó su arquitectura de Managed Agents. Llevo meses ejecutando un patrón similar desde Dome, mi app de gestión de conocimiento local. Te cuento las diferencias y por qué ambas approaches son válidas.
Anthropic acaba de publicar su arquitectura para Managed Agents: desacoplar el “cerebro” (el LLM y su harness) de las “manos” (sandboxes, herramientas, entornos de ejecución). Su idea central es que los harnesses codifican suposiciones sobre lo que los modelos no pueden hacer, y esas suposiciones se vuelven obsoletas a medida que los modelos mejoran.
Llevo meses ejecutando una versión de este patrón. No en la infraestructura de Anthropic. Desde Dome, mi app de gestión de conocimiento local-first.
Qué hace realmente el harness de agentes de Dome
Dome tiene soporte nativo para MCP (Model Context Protocol). Esto significa que los agentes de IA pueden interactuar directamente con notas, recursos y herramientas externas a través de una interfaz unificada que abstrae exactamente el patrón execute(name, input) que Anthropic describe.
El pipeline que construí funciona así: escribo una nota en Dome, la etiqueto con [publicar], y una automatización manual dispara tres agentes conectados por MCP en secuencia. El primero lee el borrador de Dome y genera MDX bilingüe con frontmatter Astro completo, adaptando la versión en inglés sin traducción literal. El segundo escribe ambos archivos al repositorio local mediante Filesystem MCP. El tercero ejecuta git add, commit y push mediante Git MCP, lo que dispara CI/CD. Dos minutos después el post está publicado en español e inglés. Luego Dome actualiza el título de la nota para marcarla como publicada.
El repositorio como CMS
El repositorio git es el CMS. El historial de commits es el log de publicación. Los agentes son los editores.
Donde el enfoque de Dome difiere de los Managed Agents de Anthropic
El enfoque de Anthropic es infraestructura excelente. Pero viene con tradeoffs que importan dependiendo de tu contexto.
Sobre coste y dependencia de API: Los Managed Agents se ejecutan en la plataforma de Anthropic, lo que significa que cada acción del agente es una llamada a la API. A escala, eso se compounding. Dome se ejecuta localmente. La inferencia LLM puede ser Ollama, LM Studio, o cualquier modelo compatible con GGUF ejecutándose en tu propio hardware. Coste cero de API por cada loop del agente.
Sobre flexibilidad de LLM: El harness de Anthropic está construido alrededor de Claude. El harness de Dome es agnóstico al modelo. Las mismas herramientas MCP, el mismo workflow, funcionan con Claude, Mistral, Llama, Gemma, o lo que sea que se ejecute localmente. No estás atado a la curva de inteligencia de un solo proveedor.
Sobre control de datos: En Managed Agents, tus datos de sesión, contexto y memoria del agente viven en la infraestructura de Anthropic. En Dome, todo se queda local por defecto. Notas, recursos, outputs de agentes, nada sale de tu máquina a menos que lo empujes explícitamente a algún sitio.
Sobre personalización del harness: Anthropic tiene opiniones sobre las interfaces (session, harness, sandbox) pero no sobre las implementaciones. Dome te da la misma separación: MCP define la interfaz, y tú cableas las herramientas que quieras detrás. La diferencia es que tú controlas el cableado.
La idea arquitectónica compartida
Tanto los Managed Agents de Anthropic como el harness de Dome convergen en el mismo principio: desacoplar contexto de ejecución de herramientas. Las abstracciones sobreviven a las implementaciones.
Anthropic construyó esto como infraestructura cloud gestionada para escala empresarial. Yo lo construí en una app de escritorio porque quería publicar posts de blog sin un CMS.
Los patrones son los mismos. Los tradeoffs son diferentes. Ambos son válidos dependiendo de qué estés optimizando.
Muchos cerebros, muchas manos, tanto si esas manos son los sandboxes de Anthropic como tu sistema de archivos local y un remote de git.
