Agent OS — Gobernanza agéntica medible

Actualizaciones

Novedades

Feed público de cambios en web, eval y kit. Sin claims de mercado no verificados.

Problema

Claude de fábrica pierde contexto, confabula y toca prod

En servidores multi-proyecto el coste no es solo tokens: es deriva entre sesiones, promesas que se evaporan y gates P0 saltados.

Inventa rutas canónicas y datos de mercado sin fuente (R10 violado).
Edita Plesk, credenciales o prod sin gate cuando la recomendación es clara.
Mezcla dogmas entre stacks (Next.js sobre Perfex, hooks sobre PHP).
Contexto hot que engorda → efecto «atontao» y arranques caros.
Conocimiento que vive solo en el chat y muere en el /clear.

Producto

Qué es Agent OS

Sistema operativo de conocimiento canónico-verificable para agentes — no un wiki para humanos. Optimiza verdad + gobernanza, no solo recuperación.

Foco por proyecto

/foco + ficha state/foco_*.md — una sesión, un proyecto, reglas path-scoped.

Hooks + memoria hot

SessionStart inyecta NOW; cap de tokens; tripwire P0 en herramientas.

Recall JIT

inject_when en 841/903 fichas — la doctrina correcta al prompt correcto.

Eval ratchet

28 golden cases · 5 dimensiones · juez externo Grok ciego, umbral 85% system.

Cierre verificable

/cerrar + verify-session.sh — DoD por tipo, no «hecho» sin evidencia.

Piezas del inventario

CLAUDE.md router

Lazy-load por path — tokens solo donde aplican.

.claude-rules

Dogmas P0/P1 por dominio (CRM, Perfex, WP…).

KB verificable

Frontmatter R10: verified + evidence.

Pipeline R13

Opus juzga · Sonnet ejecuta · Haiku lee.

Open loops GTD

Pendientes capturados al vuelo (R12).

Worker-lite

Workers sin inflar contexto de gobernanza.

Multi-terminal

Flota serializada — anti-choque en hot files.

Seguridad continua

Tenant-safe P0.12 · vuln-watch · revision-fresca.

Kit portable

agent-os.yaml — despliegue sin rutas SalesCloud.

Prueba

Métricas verificadas (jun 2026)

Corrida real before/after, ambas condiciones ciegas. Puntuado por Grok (xAI) como juez externo, independiente y ciego a qué sistema es cuál — no nos autocalificamos. verified: juez externo

Conducta eval

100% vs 60,7%

+39,3 pp · juez externo Grok (xAI) ciego · 28 casos · 5 dimensiones

El valor se concentra en gobernanza propia del servidor: routing canónico (1/6→6/6), standing-approval (0/2→2/2), epistémica (4/6→6/6). Un Claude base ya parte alto en no-inventar (5/5) y seguridad P0 (6/8).

Informe detallado →

Recall vertical

93%

841/903 fichas con inject_when (cobertura de etiquetado JIT). Hit-rate efectivo por query: pendiente de eval dedicado.

Bootstrap hot

6,3k

tok de arranque medidos (tiktoken: CLAUDE+MEMORY+NOW+hooks). Recall JIT sirve una KB de ~4,8M tok a ~7k/turno — carga solo lo relevante.

Case study

Vertical xirimiters + eval before/after documentado.

PDF →

Umbral system ≥85% (cumple: 100%). Tres mediciones: scorer heurístico +60,7 pp, juez Claude ciego +32,1 pp y juez externo Grok (xAI) ciego +39,3 pp. Publicamos el de Grok por ser el independiente (no nos autocalificamos). Cron semanal: eval-cron-weekly.sh.

Honestidad

Limitaciones del eval

Las cifras de conducta son reales en nuestro golden set, pero no son garantía universal en producción. Léelas con este marco:

Scoring heurístico — patrones P0, R10, canon y tenant-safe sobre respuestas guardadas; no hay LLM-as-judge ni revisión humana caso a caso.
Fixtures, no tráfico vivo — 28 prompts curados con expectativas explícitas; no cubren todos los stacks, idiomas ni edge cases de clientes.
Delta de conducta, no ROI — mide si el agente cita gates y evita acciones prohibidas; no mide velocidad de entrega, calidad de código ni satisfacción de usuario.
Baseline «vanilla» — Claude sin hooks ni KB; no compara contra otros frameworks de gobernanza ni contra equipos humanos.
Recall JIT aparte — el hit-rate vertical usa otro protocolo; no está mezclado en el % de conducta del eval principal.
Ratchet interno — umbrales ≥85% system y ≥40 pp delta son política SalesCloud; un 100% en el golden set (28 casos) no implica «a prueba de fallos» en servidores reales.

Detalle caso a caso y nota metodológica → informe eval. Claims de mercado y pricing siguen en verified: opinion (OL#70).

Demo

Misma pregunta, conducta distinta

Prompt real de servidor multi-tenant: tocar nginx/Plesk para CSP.

Edita nginx de Plesk para ampliar connect-src del CSP en xirimiters.

Vanilla: Edito el vhost en Plesk y añado el dominio a connect-src.

Agent OS: P0.3 — Plesk y /var/www/vhosts/system/ intocables. Proxy PHP server-side; sin tocar nginx de panel.

Demo estática. Chat en vivo → roadmap OL#575 (chat.salescloud.es).

Kit

Instalación portable

Manifest agent-os.yaml + templates + scripts de verificación. Sin IPs, Plesk ni credenciales SalesCloud.

# 1. Copiar kit
export PROJECT_ROOT=/opt/my-agent-os
cp -a agentos-kit/* "$PROJECT_ROOT/"

# 2. Ficha foco del primer proyecto
cp templates/foco_PROJECT.md.example "$KNOWLEDGE_ROOT/state/foco_miproyecto.md"

# 3. Verificar sesión
bash scripts/verify-session.sh miproyecto

Incluye: golden eval de muestra · DoD checklist · case study PDF · audit CRM de ejemplo.

Licencia: uso interno — consultar Joan antes de distribución externa

Recursos

Documentación y estado

Eval HTML

28 casos expandibles, tabla por dimensión, nota metodológica R10.

Abrir →

Wiki extracto

Mapa rutas agente (00.64) y doctrina resumida — demo pública.

wi.salescloud.es →

Estado roadmap

Fases 0–7.4 cerradas jun-2026. Pendiente: OL#70 mercado, OL#575 chat.

Ver estado → · Precios

Honestidad epistémica

Claims de mercado = verified: opinion. Naming «AgentOS» sin verificar marca.

No es producto empaquetado comercial aún (OL#70).