Reason Agent 1.1: nuevo harness para agentes de programación con batching de llamadas y un 22 % menos de costeArtículo · digest del 20 de octubre
Construcción minimalista de bloques grafito y blancos con rutas paralelas de procesamiento por lotes
Artículo3 secciones≈ 4 min

Reason Agent 1.1: nuevo harness para agentes de programación con batching de llamadas y un 22 % menos de coste

Cuando un agente autónomo de programación empieza a trabajar en un proyecto grande, su dinámica suele parecerse a una charla por walkie-talkie con pausas eternas: el agente busca un archivo -> espera respuesta -> lee el archivo -> espera respuesta -> lanza un test -> espera los logs de error. Cada paso añade un mensaje nuevo al historial del diálogo y acaba inflando el contexto hasta cientos de miles de tokens.

El resultado son dos dolores de cabeza para el desarrollador: facturas de API de miles de dólares y la llamada «fatiga de selección de herramientas» (tool-selection fatigue), cuando el modelo empieza a hacerse un lío con sus propios pasos anteriores.

El equipo de Reason Machines ha atacado este problema en la arquitectura lanzando el harness actualizado Reason Agent 1.1. En el ranking independiente de la industria Coding Agent Index de Artificial Analysis, la combinación de Reason Agent 1.1 con el modelo base GPT-6 Astra alcanzó 65,1 puntos frente a los 62,5 puntos del Codex estándar, reduciendo a la vez el coste medio por tarea en un 22 %.

Vamos a ver cómo funciona este mecanismo por dentro.

El arma principal: ejecutar código como herramienta (Batch Tool Calling)

En lugar de hacer decenas de llamadas de red individuales para cada herramienta, el modelo pasa al modo codemode. Genera un script compacto en JavaScript o Python que ejecuta en local todo el lote de operaciones en una sola ronda de inferencia: localiza archivos, lee las líneas necesarias, lanza las pruebas y devuelve al contexto únicamente el resumen filtrado.

Ya analizamos antes a qué conduce el gasto descontrolado de tokens en el desarrollo con agentes, y agrupar herramientas en lotes demuestra ser aquí el remedio más eficaz.

Configuración del harness con caché de prefijos

Aquí tienes el archivo de configuración funcional reason.config.json, que activa el cacheo de contexto estático y la protección frente a bucles infinitos:

{
  "harnessVersion": "1.1",
  "engine": {
    "provider": "openai",
    "model": "gpt-6-astra",
    "promptCaching": {
      "enabled": true,
      "cacheStaticPrefix": true,
      "minTtlSeconds": 300
    }
  },
  "execution": {
    "mode": "code_batch",
    "runtime": "node20-isolated",
    "maxBatchSteps": 12,
    "timeoutMs": 45000
  },
  "guardrails": {
    "loopWatchdog": {
      "maxConsecutiveErrors": 3,
      "onThreshold": "escalate_strategy"
    }
  }
}

Ejemplo de operación por lotes dentro del runtime

Y así luce el script generado por el agente que, en un solo paso, busca componentes, los lee y ejecuta los tests:

import { workspace, tester } from "@reason/agent-runtime";

export default async function batchOperation() {
  // 1. Búsqueda rápida de los componentes objetivo por patrón
  const targetFiles = await workspace.glob("src/components/**/*.{tsx,ts}");
  
  // 2. Lectura por lotes sin ensuciar el historial del diálogo
  const fileContents = await Promise.all(
    targetFiles.map(async (file) => ({
      path: file,
      content: await workspace.readFile(file)
    }))
  );

  // 3. Ejecución de pruebas y retorno inmediato solo de los fallos
  const testResults = await tester.runSuite("npm test -- --bail");

  return {
    scannedCount: targetFiles.length,
    failingTests: testResults.failures.map(f => ({ file: f.file, error: f.message })),
    recommendationTarget: fileContents.filter(f => f.content.includes("useUserProfile"))
  };
}
Temporizador guardián contra bucles recursivos

El módulo Loop Watchdog vigila los errores repetidos de compilación. Si el agente tropieza tres veces seguidas en el mismo punto, el sistema escala obligatoriamente la estrategia de razonamiento en lugar de seguir quemando tokens sin sentido.

La experiencia de Reason Agent 1.1 deja clara una lección importante: para hacer que un agente de código sea más listo y más barato no hace falta esperar a la siguiente generación de modelos; basta con poner orden en el entorno de ejecución de sus herramientas.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 2