¿Y si nadie tuviera que atender las alarmas estando on-call?
De copiar logs manualmente a un agente autónomo con MCP y memoria. El proceso de 10 pasos que uso en Amazon.
Un agente de IA es un sistema que combina un modelo de lenguaje con herramientas para actuar de forma autónoma: puede leer datos, tomar decisiones y ejecutar acciones en el mundo real sin que tú tengas que intervenir en cada paso.
He construido un agente que hace merge de más de 100 PRs en mi trabajo en Amazon. Este framework es el que uso realmente, y en este artículo incluyo un paso a paso para crear un agente de respuesta a incidentes para cuando estés on-call.
Todo el mundo habla de agentes de IA, pero muy pocas personas los están construyendo realmente. Conectar un chatbot a tu sitio web es solo una actualización de la UI. La mayor oportunidad está en la IA agéntica, y la mayoría de la gente se la está perdiendo.
Diferencia entre un LLM y un agente de IA
Imagina que acabas de comprar unos muebles y ahora tienes que montarlos. El conjunto fijo de instrucciones que viene en la caja es un workflow. Es un camino lineal que funciona perfectamente siempre que todo vaya bien. Es el equivalente a los scripts y lenguajes de programación. Pero si cometes un error y rompes una pieza de madera, las instrucciones no pueden ayudarte. No hay forma de recuperarse de eso.
Un LLM sería como tener una línea de atención al cliente disponible para llamar. Puedes describir la pieza rota y te darán una respuesta brillante y empática. Incluso podrían explicar por qué se rompió la madera. Pero al final de la llamada, sigues sentado en el suelo con una pieza rota. No importa lo amable que sea la otra persona, no tiene manos para ayudarte con tu pieza rota.
Tú eres el agente en este escenario. Eres quien tiene las herramientas, como un martillo, clavos, pegamento y un taladro. Eres quien tiene el cerebro para tomar decisiones sobre cómo usar mejor esas herramientas y cómo recuperarte de errores que nunca estuvieron en las instrucciones iniciales.
En este artículo, quiero mostrarte cómo construir agentes de IA, dándoles las herramientas y el conocimiento que necesitan para trabajar en tu nombre. Usaré un agente de respuesta a incidentes como ejemplo, pero los principios de darle a una IA tanto un cerebro como un par de manos se aplican a casi cualquier proceso.
Vamos a empezar.
Qué vas a aprender sobre agentes de IA
Las diferencias entre LLMs, workflows y agentes de IA.
Por qué la naturaleza no determinista de los agentes de IA es una ventaja.
Un framework de 10 pasos para construir tu primer agente de IA autónomo desde cero.
¿Qué es un agente de IA?
Un agente de IA es un programa que usa un LLM como cerebro para tomar decisiones, combinado con herramientas que le permiten actuar en el mundo real. A diferencia de un chatbot, un agente no solo genera texto: percibe su entorno, planifica una secuencia de pasos y ejecuta acciones reales. El agente busca información, llama a APIs, escribe código, y envía notificaciones hasta completar un objetivo.
La clave está en el bucle de retroalimentación. El agente actúa, observa el resultado y decide el siguiente paso. Si algo falla, no se detiene: ajusta su enfoque. Esto lo hace útil para procesos complejos que requieren adaptación en tiempo real, no solo respuestas predefinidas.
Un agente de IA tiene cuatro componentes esenciales:
Un modelo de lenguaje que razona,
Herramientas que le dan acceso al mundo exterior,
Memoria para recordar el contexto entre sesiones,
Un mecanismo de orquestación que coordina los pasos.
Sin los cuatro, tienes un chatbot, no un agente.
Tipos de agentes de IA
Agentes reactivos: responden al entorno sin memoria de estados anteriores.
Agentes basados en objetivos: planifican pasos para alcanzar un estado deseado.
Agentes de aprendizaje: mejoran con retroalimentación.
Sistemas multi-agente: varios agentes especializados colaboran.
¿Por qué los agentes de IA son más fiables que el código tradicional?
Veo mucho escepticismo sobre la IA porque no es tan fiable como el código tradicional. Estamos acostumbrados al código que hace exactamente lo mismo cada vez. Sin embargo, creo que esta falta de determinismo es realmente algo bueno para ciertas tareas.
Los humanos no somos tan fiables como una máquina, pero somos nosotros quienes arreglamos las máquinas cuando se rompen. Preferimos a los humanos usando máquinas porque aporta lo mejor de ambos mundos. Las máquinas nos dan la velocidad y precisión del determinismo, mientras que los humanos hacen que las cosas funcionen cuando no salen como se esperaba.
Un agente imita esta capacidad humana de adaptarse a nuevas situaciones. Cuando un sistema falla de una manera que no habías previsto, un agente puede mirar los logs y cambiar su enfoque. Es self-healing.
Sin embargo, para sacar el máximo provecho de los agentes, en lugar de usar la herramienta genérica estándar, necesitas crear tus propios agentes adaptados a tu caso de uso.
Cómo construir tu primer agente de IA
Las empresas de IA nos proporcionan agentes genéricos que tienen capacidades de planificación y herramientas integradas. Aunque son útiles, no creo que queramos un asistente genérico para tareas especializadas.
También ofrecen puntos de integración para nuestras propias memorias y herramientas. Aquí es donde está la oportunidad. De la misma manera que una empresa contrataría a un ingeniero de software en lugar de a un “humano genérico”, queremos ese mismo nivel de experiencia en nuestros agentes.
Construir un agente no es un proceso de un solo paso en el que simplemente pulsas un interruptor y todo funciona perfectamente. Es un proceso iterativo en el que descargas poco a poco partes de tu carga cognitiva en la máquina mientras vigilas de cerca su rendimiento.
He seguido este framework de 10 pasos que comienza con trabajo puramente manual y termina con una flota de agentes autónomos trabajando juntos. Este proceso comienza con la forma en que siempre hemos trabajado: resolviéndolo manualmente.
Paso 1. Haz el trabajo manualmente
El primer paso es siempre hacer el trabajo tú mismo. Recomiendo esbozar los pasos tal como si tuvieras que documentar el runbook para que otra persona lo siga.
Abres el dashboard de monitorización y revisas cualquier métrica fuera del patrón habitual.
Revisas los runbooks para obtener información de resolución de problemas para esa métrica en particular.
Consultas los logs de errores de los últimos quince minutos, buscando peticiones que terminen con un error HTTP 500.
Estado actual: En esta etapa, tú eres el cuello de botella en todo el proceso. Cada paso requiere tu intervención manual y tu atención. Esta es la base que queremos mejorar.
Paso 2. Empieza a usar un LLM
Ahora que tienes un proceso manual sólido, puedes usarlo como guía para un LLM. Esto nos mueve del trabajo manual a tener un asistente que puede analizar los datos por ti. Puedes promptear a la IA copiando y pegando los logs de tu terminal o las métricas de tu dashboard. Sugiero prestar mucha atención a los prompts que usas habitualmente.
“Revisa estos logs para encontrar qué error está ocurriendo: [copia y pega de logs]”
En este punto, es importante notar las áreas donde la IA no hace lo que quieres y cómo la rediriges al camino correcto cuando se desvía.
Estado actual: La IA puede empezar a analizar patrones, pero todavía tienes que orquestarlo todo y mover los datos manualmente.
Paso 3. Añade herramientas MCP
En esta etapa, tienes un socio de IA que ayuda con el análisis, pero sigues atrapado en medio actuando como un puente. El siguiente paso es dejar de copiar y pegar datos. Puedes usar el Model Context Protocol (MCP1) para permitir que la IA tome acciones por ti. MCP es como HTTP para agentes de IA. Es una API que permite al modelo ejecutar una operación en otros sistemas.
Una vez que te conectas a los servidores MCP adecuados y habilitas las herramientas MCP, tus prompts se verían así:
“Obtén las alarmas que se activaron en los últimos 15 minutos. Solo debes darme el nombre de la alarma...”
“Revisa los logs en busca de peticiones que terminen con un error HTTP 500. Debes darme el mensaje del log, el mensaje de error y el stack trace...”
La IA puede obtener los detalles del incidente por su cuenta.
Estado actual: El humano puede dirigir todo el proceso desde la interfaz de la IA sin tener que cambiar entre diferentes pestañas y herramientas.
Paso 4. Añade Skills del agente
Hasta este punto, todavía tienes que ser un experto en respuesta a incidentes. La IA es útil para hacerlo todo desde un solo lugar. Este es el momento en el que empezaremos a mirar las notas que hemos estado tomando sobre cómo resolver el proceso y dónde la IA suele tomar el camino equivocado.
Tenemos que preparar a la IA para la respuesta a incidentes de la misma manera que prepararíamos a un ingeniero junior recién contratado:
Enseña exactamente cómo usar cada herramienta.
Enseña cómo quieres que se haga el trabajo.
Podemos combinar guías y SOP. Estos proporcionan instrucciones paso a paso para tareas rutinarias. Los escribiríamos en lenguaje humano con pequeños scripts para resolver un problema con determinismo.
Por ejemplo, si las herramientas MCP requieren una consulta como entrada, podemos crear la Skill de construir una consulta. Combinaremos una guía en markdown que contenga los campos de los logs con algunos scripts para construir consultas a partir de una plantilla. Esto es mucho mejor que hacer que la IA escriba consultas complejas cada vez. Reduce las alucinaciones de campos que no existen en tus logs. Llamamos a estas piezas de lógica reutilizables Skills del agente.
Las Skills del agente son geniales porque se cargan en el modelo solo cuando es necesario. El agente puede tener habilidades para métricas y logs. Si solo preguntamos por alarmas activadas, el agente ignora los datos de los logs. Simplemente no los necesita. Esto ahorra memoria.
Con las skills del agente, nuestra interacción sería así (la barra diagonal es la sintaxis utilizada en IDEs como Cursor2 para forzar al agente a cargar una skill en particular).
/Metrics-and-alarm-management Encuentra las alarmas activadas
<Respuesta del LLM con información de métricas>
/My-service-logs-management Encuentra los logs con errores en estos endpoints
<Respuesta del LLM con la información de los logs>
/Code-expert ¿En qué parte del código se emite este log?
<Respuesta del LLM con la información del código>
Estado actual: Ahora le hemos enseñado a la IA cómo queremos que se hagan ciertas cosas, como la gestión de métricas e información de logs. El humano está orquestando el proceso para hacer las cosas en orden.
Paso 5. Añade memoria
Hemos dado a nuestro agente herramientas y experiencia en el dominio, pero cada vez que inicias un nuevo chat, es como si el agente tuviera amnesia. Sabe cómo resolver un incidente, pero no recuerda el que arreglaste ayer.
Un agente necesita contexto para ser efectivo a lo largo del tiempo. Puedes añadir archivos simples de memoria a corto y largo plazo a tu sistema.
La memoria a corto plazo está integrada por diseño en el agente. Esta es esencialmente la capacidad de la IA para recordar los mensajes anteriores de tu conversación actual. Le ayuda a mantenerse en el camino sin que tengas que repetirte. Al hacer una llamada a la API para obtener la respuesta del modelo, se envían los mensajes anteriores junto con los nuevos.
Para un agente de respuesta a incidentes, también queremos algo de memoria a largo plazo. Hemos añadido un tipo de memoria gracias a las skills, pero podemos añadir más contexto creando archivos a los que la IA pueda acceder.
Hace un tiempo, cada empresa tenía su propio formato, pero ahora se han puesto de acuerdo en un estándar llamado Agents.md3. Esto significa que la información dentro de un archivo Agents.md será leída por la IA sin importar qué IA sea. Además, cada implementación te permite señalar qué carpetas o archivos usar para el contexto del agente.
Estado actual: Seguimos prompteando a la IA de la misma manera. Utiliza datos de skills y logs. También lee archivos para entender el sistema que está depurando. Esto ayuda a la IA a encontrar errores pasados y las soluciones que funcionaron.
Paso 6. Orquesta con SOP del agente
Hasta ahora, hemos dado a nuestro agente un cerebro, un par de manos a través de herramientas MCP y una memoria. Sin embargo, tú sigues siendo quien dirige cada movimiento. Aunque el agente es ahora más capaz, todavía requiere que decidas manualmente qué usar y cuándo. Este es el cuello de botella que resolvemos con los SOP del agente.
En lugar de promptear a la IA para que use una serie de skills una por una, puedes crear un proceso paso a paso para que la IA lo siga. Esto es lo que se llama un Procedimiento Operativo Estándar o SOP para tu agente.
Un SOP del agente es un archivo escrito según el RFC 21194. Este RFC define palabras clave en mayúsculas (MUST, SHOULD, MAY, etc.) para especificar niveles de requisitos. Además de eso, contiene los pasos en orden.
Aprendí sobre este concepto en el trabajo, ya que Amazon lo usa en sus agentes Kiro5 y Strands6. Sin embargo, también estoy usando SOP del agente con Cursor y Claude Code7 fácilmente. Solo tienes que escribir el archivo markdown como una Skill del agente.
Ahora, en lugar de promptear paso a paso, simplemente ejecutamos nuestro agente con ese SOP. Por ejemplo, si envolvemos nuestro SOP en una skill:
/Incident-response-agent-sop Investiga el incidente reportado en JIRA-1234
Estado actual: Esto hace que el agente sea mucho más autónomo. El humano solo invoca el SOP correcto y el agente se encarga del resto. Es como un gerente de alto nivel encontrando al ingeniero adecuado para incluirlo en una llamada.
Paso 7. Define un agente
En este punto, tenemos muchas herramientas MCP, skills y SOP del agente que deben estar configurados y disponibles para que nuestro agente funcione.
Esto es fácil si es tu primer agente, pero cuando tienes docenas de ellos, cada uno usando su propio conjunto de artefactos, las cosas se vuelven difíciles. Resolvimos este problema en el software tradicional con las dependencias. Declaramos de qué paquetes depende nuestro software para que pueda ejecutarse en diferentes entornos.
Ahora es el momento de declarar esas dependencias con un nuevo artefacto llamado agente. De esta manera tendríamos nuestro agente de respuesta a incidentes y podemos definir otros agentes para otros fines.
Esto garantiza que la IA tenga todas sus herramientas juntas y no necesites proporcionarlas manualmente. Actualmente no existe un gestor de paquetes adecuado para instalar todo esto, pero es solo cuestión de tiempo.
Estado actual: Ahora tenemos nuestro agente y podemos delegarle todo el trabajo de la investigación de respuesta a incidentes. Solo lo invocamos y esperamos los resultados.
Paso 8. Ejecuta tu agente periódicamente
Hasta este punto, tenemos un agente totalmente definido que sabe exactamente qué hacer, pero solo se mueve cuando se lo pides. Has construido una gran herramienta, pero sigues siendo tú quien tiene el botón de encendido.
Ahora que podemos delegar la mayor parte del trabajo a la IA, podrías preguntar, ¿por qué sigo recibiendo avisos a las 3 de la mañana solo para invocar al agente y esperar? Es hora de configurar el agente de IA para que se ejecute de forma autónoma.
Recomiendo usar herramientas de CLI para ejecutar tu agente de IA de forma independiente. Podemos empezar con un script simple que busque trabajo y ejecute el agente de IA cuando lo encuentre, de lo contrario, que duerma N minutos.
Estado actual: Ahora el humano no está involucrado en activar al agente, sino que encontrará la alarma y la salida del agente juntas.
Paso 9. Mejora la gestión del estado
El agente ahora funciona por su cuenta, pero sigue aislado en tu máquina local usando bucles básicos. Para que sea una parte real de tu equipo, debe integrarse en tu entorno de producción.
El objetivo es definir un workflow completo que active a los agentes de IA en el momento adecuado sin intervención humana. Por ejemplo, un webhook de PagerDuty podría activar automáticamente el agente de IA en una Lambda.
Para informes periódicos, es posible que desees configurar un cron8 job que active el agente de IA en ciertos períodos de tiempo. El agente de IA realiza la investigación y luego publica un resumen de la root cause o un informe periódico en un canal de Slack. Esto significa que tu agente está trabajando mientras duermes, incluso si solo hace una cosa específica bien.
Estado actual: Ahora nuestro agente es como un ingeniero real involucrado cuando ocurre un incidente, o un ingeniero que tiene trabajo programado en su calendario.
Paso 10. Escala a múltiples agentes
En esta etapa, tienes un agente especializado trabajando las 24 horas del día, los 7 días de la semana. Sin embargo, a medida que tu sistema crece, un agente puede sobrecargarse con demasiadas responsabilidades. Al igual que no le pedirías a un solo ingeniero que maneje cada microservicio, no deberíamos pedirle a un solo agente que lo haga todo.
El paso final es tener múltiples agentes colaborando en el mismo incidente. Cada agente puede tener una función diferente basada en su experiencia.
Un agente recopila los logs sin procesar mientras otro busca problemas de infraestructura conocidos.
Otro agente podría revisar los despliegues de código recientes en busca de errores.
Existen diferentes paradigmas de orquestación que puedes usar, como secuencial, enrutamiento o swarms. Incluso para la misma función, no hay límite en cuánto te especialices. Si un agente de respuesta a incidentes termina teniendo demasiados detalles, puedes crear agentes para revisar diferentes partes del sistema.
Necesitas un poco de abstracción para gestionar tu fuerza de trabajo de IA, al igual que un gerente coordina un equipo de especialistas. Tú haces lo mismo, múltiples agentes especialistas y un gerente que invoca a cada subagente.
Puedes usar diferentes disparadores, como horarios o eventos, para que los agentes colaboren a través del sistema de archivos. No es necesario empezar con protocolos complejos de comunicación entre agentes, sino más bien:
Empieza con un agente orquestador activado por eventos, programación o consultas periódicas.
El orquestador invoca a otros subagentes que también has definido. La mayoría de las empresas de IA ya implementan subagentes.
Todos los agentes escriben en el sistema de archivos, por lo que ven el trabajo de los demás.
Te sugeriría ejecutar los agentes en tu propia computadora y dejar que trabajen juntos compartiendo archivos.
Estado actual: En este punto, la IA realiza un trabajo complejo con múltiples pasos sin que tú estés involucrado. El humano ya no es el cuello de botella.
¡Lo logramos! Ahora tenemos nuestro agente de IA autónomo para la respuesta a incidentes. Lo sé, parece más fácil en los diagramas que al construirlo, y la IA no siempre funciona como se espera.
Te comparto también algunas lecciones de la construcción de agentes de IA.
Lecciones aprendidas construyendo agentes de IA
He pasado mucho tiempo construyendo estos agentes y quiero compartir algunos consejos prácticos que te ahorrarán horas de frustración.
Asegúrate de tener suficientes ejemplos para construir un agente robusto. No querrías automatizar una tarea que no sea frecuente, por lo que lo más probable es que tengas varios casos para iterar. Le pedí a mi equipo que manejara todas las entradas de un servicio durante un mes. Estoy seguro de que tu gerente estará encantado de que asumas más trabajo.
Itera varias veces por paso. No pases al siguiente paso de la automatización hasta que hayas resuelto varios tickets o tareas diferentes para encontrar los patrones reales y los modos de fallo.
No cambies de pestaña mientras la IA trabaja. Observa al agente trabajar en vivo para detectar sus errores en lugar de dejarlo funcionar en segundo plano.
Usa tmux9 para bucles persistentes. Ejecuta tus agentes desde tu ordenador en una sesión de tmux para que sigan trabajando incluso si pierdes la conexión de la terminal.
Registra todo para la observabilidad. Dirige toda la salida del agente a un archivo de log dedicado para darte el mismo nivel de visibilidad cuando pases a ejecutarlo las 24 horas del día, los 7 días de la semana.
Refina los prompts basándote en las observaciones. Incluso después de considerar terminados los 10 pasos, aparecerán nuevos casos atípicos. Haz que la IA siga aprendiendo, ya sea actualizándola tú mismo o permitiendo que la IA actualice sus archivos de memoria entre iteraciones.
El papel del humano en un sistema de agentes de IA
Quiero dejar claro que no se trata de sistemas totalmente humanos o totalmente de IA. He centrado los ejemplos del agente de respuesta a incidentes en tareas de solo lectura como revisar alarmas, métricas y logs.
Cada uno de nosotros tiene que definir dónde y cuándo involucrar al humano para obtener el mayor beneficio. Puedes hacer que el agente clasifique el incidente y sugiera una solución, luego esperar tu aprobación y ejecución. Quizás alguien más quiera conectar la IA al código para crear un PR con la solución y esperar a que un humano la apruebe y despliegue el hotfix.
Sigo pensando que no queremos que la IA realice cambios en producción sin supervisión humana. He leído informes de fallos donde la IA realizó operaciones de producción no autorizadas en una cuenta de AWS sin ninguna revisión humana. Si pensamos en el proceso de respuesta a incidentes y en realizar un cambio de código, hay muchos pasos hasta que cambiamos algo en el sistema.
Mi postura actual sobre los agentes es empujar al humano hacia la derecha tanto como sea posible. Se trata de hacer que el humano trabaje menos, pero que siga supervisando. Esto es importante porque nadie pedirá cuentas ni responsabilidad a la IA. Se las pedirán a los humanos.
Resumen: Las piezas de los agentes de IA
El cerebro (LLM): El modelo de lenguaje grande procesa información, toma decisiones y determina qué pasos seguir.
Las manos (herramientas y MCP): Son las interfaces que permiten a la IA interactuar con el mundo real. Usando el MCP, un agente puede ejecutar código, consultar bases de datos o recuperar logs en lugar de simplemente “hablarte”.
Las Skills (Skills del agente y SOP): Enseñan al modelo cómo realizar tareas. Esto es como un ingeniero junior siguiendo un runbook. Reduce errores y alucinaciones.
La memoria (Contexto y Agents.md): Permite al agente recordar acciones pasadas. La memoria a corto plazo maneja la conversación actual. La memoria a largo plazo proporciona contexto histórico a través de archivos compartidos. Esto evita que el agente repita errores.
El gerente (Orquestador): Usa un orquestador para gestionar múltiples agentes especializados a medida que escalas. Un agente puede encontrar el error, mientras que otro sugiere una solución, trabajando todos juntos hacia un resultado final.
El despertador (Cron job): Permite que el agente se ejecute según un horario sin que tengas que iniciarlo manualmente.
El espacio de trabajo (sistema de archivos local): Un área común donde los agentes leen y escriben. Esto les permite colaborar en problemas complejos.
Conclusión: El futuro de los agentes de IA
A menudo se dice que la IA no te quitará el trabajo, pero alguien que use la IA sí lo hará. Realmente lo creo. Pero “usar la IA” no significa solo instalar una nueva extensión en tu IDE. He visto a mucha gente frustrarse cuando la IA no hace exactamente lo que quiere al primer intento, pensando que la IA es simplemente tonta.
Las personas que tienen éxito son las que construyen un ejército de agentes de IA para que hagan el trabajo pesado por ellas. Todas esas empresas de IA nos dan herramientas por defecto, pero nosotros somos quienes debemos adaptarlas a nuestras necesidades específicas.
Espero que esta guía te haya sido útil y que empieces a construir tus propios agentes hoy mismo.
Preguntas frecuentes sobre agentes de IA
¿Qué puede hacer un agente de IA?
Un agente de IA puede ejecutar tareas de forma autónoma: leer logs, consultar APIs, escribir código, enviar notificaciones y coordinar con otros sistemas. A diferencia de un chatbot, no espera instrucciones para cada paso: actúa, evalúa el resultado y decide el siguiente movimiento.
¿Cuáles son los agentes de IA más utilizados?
Los frameworks más usados en 2025 son Claude Code, Cursor, y los agentes nativos de AWS Bedrock y Google Vertex AI. Para casos de uso propios, frameworks como LangGraph, CrewAI y Strands (Amazon) son populares para construir agentes multi-step con memoria.
¿Cómo los agentes de IA cambian el trabajo de un desarrollador?
El desarrollador pasa de ejecutar tareas repetitivas a diseñar los procesos que los agentes ejecutan. El trabajo se desplaza hacia la definición de SOP, la gestión de herramientas y la supervisión de resultados, en lugar de hacerlo todo manualmente.
¿Cómo empezar a construir un agente de IA?
El paso 1 es documentar el proceso que quieres automatizar como si fuera un runbook. El framework de 10 pasos de este artículo lleva desde ese runbook manual hasta una flota de agentes autónomos colaborando.
Un estándar abierto que permite a los modelos de IA interactuar con datos y herramientas locales y remotas. https://modelcontextprotocol.io/docs/getting-started/intro
Un editor de código impulsado por IA diseñado para pair programming y workflows agénticos. También tiene una CLI disponible. https://cursor.com/
Un formato estándar para proporcionar contexto e instrucciones a los agentes de IA dentro de un repositorio. https://agents.md/
Un documento que define niveles de requisitos como “MUST” y “SHOULD” utilizados en la documentación de ingeniería. https://datatracker.ietf.org/doc/html/rfc2119
Un framework de agentes de IA diseñado para automatizar tareas y workflows de ingeniería. Tiene un IDE y una CLI como productos. https://kiro.dev/
Un framework de código abierto para construir y orquestar agentes de IA autónomos. https://strandsagents.com/latest/
La herramienta de CLI agéntica de Anthropic que puede razonar sobre tu base de código y editarla directamente. https://claude.com/product/claude-code
Una herramienta para ejecutar comandos de forma programada. https://en.wikipedia.org/wiki/Cron
Un multiplexor de terminal que te permite mantener las sesiones de la terminal ejecutándose en segundo plano. https://github.com/tmux/tmux/wiki