Hice una larga pausa. Salí el 1 de junio y regresé la semana pasada. Casi seis semanas sin escribir, sin dashboards, sin los feeds de un mundo digital que se acelera cada día un poco más. Me desconecté para reconectar con los míos - familia, amigos y personas que acababa de conocer - y con experiencias que no caben en una pantalla. Fue una pausa necesaria para ganar perspectiva y no olvidar lo fundamental, lo esencial: ser cada día mejores seres humanos. Hoy vuelvo al blog con una decisión arquitectónica que llevaba meses pospuesta y que la pausa me ayudó a resolver.
El proyecto es un agente personal, uno que herede mis patrones de razonamiento y me acompañe en el trabajo cognitivo real, no como asistente conversacional sino como colega digital con memoria persistente. La pregunta que no había resuelto no era si construirlo, sino cómo.
La arquitectura respondía a la pregunta de dónde debía vivir el agente. La pausa me hizo ver que su componente más valioso, la evidencia de mis criterios, ya existía dentro de mis conversaciones.
La capa de agente y sus motores
Mi agente no nació con Hermes. Nació en OpenClaw. Durante meses operé una instalación personalizada de OpenClaw, a la que llamé Nova, en un servidor modesto en Londres, con proxy inverso, acceso Zero Trust, un puente de WhatsApp y un gestor de secretos. Funcionaba. Y cuando algo funciona, moverlo tiene que justificarse con algo más que novedad.
En abril evalué Hermes por primera vez. El equipo de Nous Research lo había lanzado el 25 de febrero de 2026 y crecía rápido, con una arquitectura de memoria distinta y skills generadas a partir de la propia experiencia operativa del agente. Analicé y comparé ambos frameworks, y decidí no migrar. Nova estaba estable, y cambiar de framework por curiosidad es exactamente el tipo de movimiento que no hago. Monté Hermes en un droplet aislado para probarlo sin tocar producción y seguí operando en OpenClaw.
Lo que terminó moviéndome no fue una moda ni un titular. Fue un bug recurrente, el tipo de fricción operativa que ya había vivido cuando una actualización de OpenClaw lo rompió todo. En mayo, un problema que volvía una y otra vez me llevó a comparar de nuevo los dos frameworks, esta vez con datos nuevos y una razón concreta para reconsiderar. Hermes resolvía en la capa arquitectónica problemas que en OpenClaw dependían de parches encadenados: memoria con búsqueda nativa, skills generadas a partir de la experiencia y un camino oficial de migración. Ahí sí migré, por fases, con la decisión respaldada por evidencia y no por entusiasmo.
El contexto del ecosistema reforzó la misma lección. Peter Steinberger, creador de OpenClaw, se incorporó a OpenAI en febrero. El 8 de julio, OpenClaw anunció su transformación en una fundación independiente y sin fines de lucro. Anthropic, por su parte, anunció que el uso del Agent SDK y de aplicaciones de terceros dejaría de consumir los límites incluidos en las suscripciones de Claude, y puso ese cambio en pausa el 15 de junio. Nada de esto me afectó porque ya operaba con mis propias claves de API. Pero esos movimientos reforzaron una regla arquitectónica duradera: la capa de agente no debe depender de un solo proveedor de modelos ni de un único mecanismo comercial de acceso.
En pocos meses, Hermes superó las doscientas mil estrellas de GitHub y se convirtió en uno de los frameworks de agentes con mayor tracción del año. Es independiente del modelo, tiene licencia MIT y admite proveedores que van desde OpenRouter y Nous Portal hasta OpenAI, Anthropic, Hugging Face, NVIDIA NIM y endpoints personalizados.
Lo importante es entender qué hace esta capa y qué no. Hermes no es el motor de razonamiento: coordina, recuerda, ejecuta skills y mantiene la identidad. El razonamiento se delega al modelo más adecuado para cada tarea. La estructura no es Hermes o Claude. Es Hermes como capa agéntica, con los modelos de razonamiento debajo, conectados mediante API. Mi configuración actual es concreta: Claude Sonnet y Opus mediante API directa, con cuentas en varios proveedores configuradas para conmutación por fallo. Si un proveedor queda inaccesible, el agente está configurado para pasar a otro y continuar la operación.
Esta separación entre capa de agente y motor de razonamiento es lo que da flexibilidad a largo plazo. El modelo que razona hoy puede cambiar mañana sin rehacer el agente. La identidad, la memoria y las skills viven en Hermes; el motor es reemplazable. Por ahora no opero modelos locales. Es una posibilidad futura, no una necesidad actual. Ejecutar la inferencia dentro de mi propio perímetro tendrá sentido cuando exista un volumen sostenido o una clase de datos que no deba salir de él. Ninguna de esas condiciones está validada hoy, así que uso modelos de frontera vía API, con respaldo entre proveedores para mantener la disponibilidad.
El corpus: oro molido
Hasta aquí, la arquitectura. Pero un agente con buena arquitectura y sin conocimiento del usuario sigue siendo un asistente genérico. Lo que lo convierte en colega es el corpus: conocimiento curado sobre cómo piensa, decide y trabaja la persona. Esta es la parte que quiero desarrollar con calma, porque es donde está el valor real.
En República Dominicana decimos que algo es “oro molido” cuando vale muchísimo. La expresión me sirve porque distingue la materia prima del valor que aparece cuando esa materia se refina y se vuelve utilizable. Quienes llevamos tiempo conversando con estos modelos ya tenemos la materia prima: un histórico de chats lleno de evidencia sobre cómo corregimos y qué exigimos. Solo falta procesarlo.
El material más valioso de ese histórico no son los documentos ni los resultados finales. Es el criterio del usuario en el momento exacto en que corrige al modelo. Cuando uno le dice a un LLM “no, eso no es lo que pedí”, “¿de dónde sacas ese dato?” o “esto es un atajo y no lo acepto”, deja una huella legible de su razonamiento operativo. Esa huella es más reveladora que cualquier resultado pulido porque captura el criterio en acción, no la conclusión ya editada. Corregimos al modelo cientos de veces sin pensar que cada corrección deja un registro de nuestros criterios.
Las correcciones que haces a una IA no son residuo conversacional: son evidencia de cómo corriges. Y eso es lo que un agente necesita heredar.
El método para extraer ese oro tiene dos fases. Primero, recorrer el histórico e identificar los turnos críticos: correcciones explícitas, rechazos de enfoque, exigencias de evidencia y afirmaciones de principio. Segundo, destilar de cada turno el principio operativo subyacente y agrupar esos principios en patrones de mayor nivel. El resultado no es un registro de lo que se habló, sino un mapa de los criterios con que se corrige y se decide.
Una corrección aislada no basta para convertirse en regla permanente: el principio debe aparecer de forma recurrente en distintos contextos, quedar documentado con sus excepciones y superar una revisión antes de incorporarse al agente.
Aplicado sobre un histórico real y suficientemente rico, el método produce algo poco común: un perfil operativo de tus criterios de corrección, derivado de evidencia conductual y no de introspección. No es una radiografía de cómo piensas: es un mapa de cómo corriges, que es la parte de tu pensamiento que más le importa a un agente que trabaja para ti. Las correcciones que hacemos a una IA bajo presión de trabajo real revelan criterios que la mayoría de las personas nunca articula sobre sí misma. Exponen el estándar de evidencia que exigimos, los atajos que rechazamos, la forma en que reformulamos los problemas y el punto donde dejamos de aceptar una respuesta complaciente. Una vez extraídos y agrupados, esos patrones alimentan el perfil operativo del agente: su system prompt, sus reglas de memoria y sus skills. Las correcciones hechas al modelo se convierten en instrucciones que ayudan a evitar que el agente repita los mismos errores.
Es un ciclo que se cierra sobre sí mismo con elegancia. El usuario enseñó al sistema sin proponérselo, mediante correcciones acumuladas durante meses o años. El agente aprende de ellas. Y el usuario, de paso, obtiene un documento explícito de sus criterios operativos, útil más allá del agente mismo. El histórico que parecía residuo conversacional resulta ser el cimiento.
Ese corpus también exige cuidado: antes de procesarlo hay que excluir secretos, datos de terceros y cualquier material que no deba salir del perímetro elegido.
Nota de actualización (23 jul 2026): Sometí la tesis central de este artículo a la prueba de la literatura académica. La literatura confirma que el feedback que dejamos en los chats es real, abundante y extraíble: un estudio sobre más de un millón de conversaciones encontró feedback explícito en cerca del 30% de los chats, y el marco PRELUDE (Microsoft Research y Cornell, NeurIPS 2024) destila preferencias del usuario desde sus ediciones, casi el mismo método que describo aquí. Lo que nadie ha validado, todavia, es que ese material prediga cómo razona una persona fuera de sus chats. Corrijo entonces la aseveración: el histórico no revela cómo piensas, revela cómo corriges. Para construir un agente personal, eso es exactamente lo que hace falta. El proceso de esta corrección y lo que encontré por el camino vienen en los dos próximos artículos de esta serie: el método completo para sacar ese oro y molerlo, y un paper del MIT que me encontré investigando, sobre algo llamado colapso del conocimiento.
La decisión de no comprar todavía
Durante meses, mi plan asumía comprar hardware para ejecutar modelos locales, una inversión de varios miles de libras más electricidad y mantenimiento. Tras la pausa, recalculé con una pregunta más honesta: qué necesito hoy, no qué sería elegante poseer. La conexión directa a modelos de frontera vía API, con respaldo entre proveedores, cubre mis necesidades operativas reales sin comprometer capital. Ya documenté lo que ocurre cuando el uso de API no se controla, pero ese es un problema operativo que se puede medir y corregir.
El hardware propio se justifica cuando aparece una necesidad concreta de soberanía sobre datos sensibles. La inferencia serverless con modelos abiertos se justifica cuando un volumen sostenido cambia la aritmética. Ninguna de las dos condiciones está validada todavía.
Comprar antes de validar sería exactamente el tipo de atajo que rechazo en las decisiones técnicas: un compromiso costoso basado en supuestos sin evidencia operativa. La arquitectura está diseñada para incorporar esos motores cuando hagan falta, sin rehacer nada. Diseñar para el futuro no obliga a pagar por él antes de tiempo.
Lo que esta arquitectura hace posible
El valor de todo esto no es técnico; es una cuestión de propiedad. La idea de fondo es que cada persona pueda tener su propio agente y que ese agente se construya sobre una base que ya creó sin darse cuenta mediante el trabajo diario con modelos de confianza. Los históricos de chats y los proyectos acumulados no son residuo: son los cimientos.
La arquitectura tiene tres virtudes que vale la pena nombrar. La primera es soberanía sobre lo acumulado: lo que construimos conversando forma parte de nuestro trabajo intelectual acumulado y debería permanecer bajo nuestro control. Se convierte en la base de algo propio, no solo en una función dentro del producto de otro. La segunda es continuidad sin dependencia: podemos seguir usando los mismos modelos de confianza, los que ya conocemos y preferimos, pero ahora como piezas dentro de nuestra propia arquitectura. La plataforma ya no contiene al agente, su memoria y su identidad; nuestra arquitectura sí. Podemos movernos hacia el modelo que convenga sin quedar atados a ninguno. La tercera es que esta no es una arquitectura reservada para especialistas. Cualquiera que haya usado estos chats con seriedad durante suficiente tiempo ya tiene la materia prima. El agente personal deja de ser un privilegio técnico y pasa a ser algo que puede construirse a partir de lo que ya hemos generado.
Volver a lo esencial después de la pausa también significó ver esto con claridad: lo más valioso del proyecto no estaba por construir. Ya estaba construido. Solo faltaba reconocerlo, molerlo y ponerlo a trabajar.
Por: Cesar Rosa Polanco - Escrito a partir de una experiencia real, con asistencia de inteligencia artificial como herramienta de apoyo editorial.
