Cómo limpiar tu 'harness' de IA antes de que te falle la entrega

Por Nate · 15 de julio de 2026.

Nate arranca con una confesión que sonará familiar a cualquiera que lleve tiempo iterando con un asistente de IA: cada vez que el modelo se equivocaba en algo, él añadía una regla más. Que usara sus fuentes, que escribiera con su voz, que comprobara la longitud, que leyera primero tal archivo, que no volviera a cometer tal error. Cada regla, por separado, resolvía un problema real. Pero con el tiempo, sin darse cuenta, el conjunto de instrucciones (lo que él llama el 'harness', o arnés) se había vuelto enorme y descontrolado.

El dato que le hizo parar en seco: una de las rutas de escritura habituales en su sistema local cargaba 18.384 palabras de instrucciones antes de siquiera llegar a la guía específica de la plataforma para la que en realidad estaba escribiendo. Él nunca escribió esas 18.384 palabras de una sentada; se fueron acumulando, corrección a corrección, hasta convertirse en un sistema que ya no podía visualizar.

Nate define 'harness' como todo aquello que envuelve al modelo y que el usuario (o el producto) puede configurar: instrucciones personalizadas, archivos de proyecto, prompts guardados, memoria, skills, herramientas, permisos, ejemplos y comprobaciones. Es lo que da forma a la respuesta antes incluso de escribir el siguiente prompt. No incluye, aclara, los sistemas internos ocultos de Anthropic u OpenAI que ningún usuario puede inspeccionar.

Su argumento central es que casi nadie decide construir un harness de forma deliberada: se construye por acumulación accidental. Vemos la última regla que añadimos, pero no vemos el sistema completo en el que se han convertido todas las reglas juntas.

Para resolverlo, Nate ha creado dos skills que hacen visible esa configuración oculta: una versión para Claude, que mapea todo lo que Claude puede llegar a acceder, y una versión para Codex, que mapea las instrucciones locales, skills, herramientas, permisos y comprobaciones disponibles en ese entorno. Ambas se llaman 'Clean My AI Harness' (edición Claude y edición Codex). Cada una, según describe, señala qué pudo inspeccionar, qué quedó fuera de su alcance, qué partes siguen siendo útiles y protegen el trabajo, y qué partes convendría combinar, retrasar, poner a prueba, reforzar o retirar directamente. La propuesta incluye una guía y dos skills ejecutables: se apuntan al proyecto de Claude o al workspace de Codex del usuario, generan un informe en lenguaje llano sobre qué está determinando el comportamiento del modelo y qué está lastrándolo, y cualquier cambio requiere aprobación explícita antes de aplicarse.

El hallazgo más llamativo que comparte es un experimento propio: le dio a un modelo unas 5.000 palabras adicionales de instrucciones, todas ellas de buena calidad. El resultado fue que el modelo 'pensó mejor' y obtuvo mejor puntuación en las fases de análisis, pero falló la entrega final en dos de cada tres ejecuciones. En cambio, una versión compacta y breve de las mismas instrucciones aprobó las tres ejecuciones. Es la evidencia que usa para sostener su tesis: más instrucciones no equivalen a mejor resultado, y de hecho pueden degradar justo la parte que más importa, la entrega.

También plantea una pregunta que conecta con la experiencia de muchos usuarios avanzados: por qué un modelo recién actualizado, en teoría más capaz, puede sentirse peor que empezar una conversación nueva desde cero. Su explicación es que la caja de chat oculta la maquinaria interna; cuando el modelo mejora, las reglas acumuladas no mejoran con él, y el usuario nota el lastre sin poder identificar su origen.

El contenido incluye además seis reglas para mantener un harness sano, aplicables tanto a un único proyecto de Claude como a un workspace completo de Codex, aunque el correo no detalla cuáles son esas seis reglas más allá de mencionarlas. Nate cierra la propuesta indicando que quien use el skill y la guía podrá apuntarlos a su propia configuración y obtener un mapa, un plan de limpieza y una especie de 'recibo' o justificante del proceso. Precisa que el contenido completo —el análisis en profundidad, la guía y el acceso a su comunidad de Slack— está reservado a suscriptores de pago.