En 2025, "vibe coding" era la etiqueta para casi todo: desde el estudiante que genera código sin entender lo que hace hasta el senior que usa Claude para multiplicar su output 10×. En abril de 2026, Andrej Karpathy fue a Sequoia AI Ascent y separó las dos cosas de una vez por todas. Y lo que dijo importa más de lo que parece.
Cuando cuatro grupos que no se coordinan entre sí llegan a las mismas conclusiones, algo es verdad.
Anthropic. OpenAI. Factory. La academia (Tsinghua y Stanford). Cuatro equipos con enfoques distintos, incentivos distintos y metodologías distintas, trabajando en paralelo durante 2025 y principios de 2026. Ninguno citando a los otros en tiempo real. Y sin embargo, al final del periodo, los cuatro habían convergido en el mismo conjunto de principios sobre cómo deben funcionar los sistemas de agentes.
El término "agente IA" cubre demasiado. Cubre un chatbot con una tool de búsqueda y cubre un sistema que lleva 16 días ejecutando en producción sin supervisión humana continua. Llamarlos igual es como llamar "vehículo" a una bicicleta y a un Airbus A380.
La industria necesita un vocabulario de complejidad. Este artículo propone uno.
Mismo modelo. Mismo benchmark. 6× de diferencia en rendimiento.
Esa es la cifra que abre este artículo y que lo justifica. Stanford la documentó en TerminalBench. LangChain la reprodujo en su coding agent, pasando del puesto 30+ al 5 sin cambiar el LLM. La pregunta es obvia: si el modelo es el mismo, ¿de dónde viene la diferencia?
De lo que envuelve al modelo. De su harness.
El error más caro al diseñar sistemas con agentes no es usar el patrón equivocado. Es no saber que existe el correcto.
La mayoría de los problemas que aparecen en producción con agentes IA no son bugs del modelo — son consecuencias predecibles de arquitecturas que no están diseñadas para el problema que tienen que resolver. Y lo predecible tiene solución conocida.
Llevamos sin escribir en el blog desde febrero. No es que no hayamos producido nada — al contrario. Hemos estado con la cabeza metida en presentaciones, talleres y herramientas mientras el blog esperaba.
Toca hacer inventario. No para celebrarlo, sino para que sepas qué existe, qué aprendimos haciéndolo, y qué viene ahora.
¿Te imaginas coordinar un equipo de agentes de IA donde cada uno tiene un rol específico, se comunican entre sí, y responden a eventos en tiempo real? Esto no es ciencia ficción: es la orquestación basada en hooks, el patrón arquitectónico que está transformando cómo construimos sistemas multi-agente.
En este artículo, exploraremos en profundidad oh-my-opencode, el framework que está revolucionando la orquestación de agentes con más de 41 hooks de ciclo de vida, 11 agentes especializados y un sistema de categorías semánticas que abstrae completamente los modelos subyacentes.
Si alguna vez has pasado horas buscando esa función crítica en una base de código gigante, probando docenas de patrones de grep sin éxito, entonces mgrep es la herramienta que estabas esperando. Es como tener un compañero que realmente entiende lo que buscas, no solo las palabras exactas que usaste.