Alternativas a Harness²: GEPA, DSPy, ADAS, Reflexion y ReAct

Harness² de Google le puso nombre a algo que los equipos ya hacían a trozos: mejorar un agente mejorando el andamiaje que rodea a un modelo fijo en lugar de reentrenar el modelo. Pero Harness² es un punto de un espectro. GEPA, DSPy, ADAS y Reflexion mejoran agentes sin tocar los pesos, y difieren mucho en lo que cambian, en lo que cuestan, en su madurez y en lo que le hacen a tu postura de seguridad. Esta es una comparación para líderes: qué optimiza cada método y qué significa cada uno para el gobierno.

Análisis para CISO y equipos de plataformas de IA y GRC. Las fuentes primarias están enlazadas a lo largo del texto. Donde los detalles de un método son inciertos, o un nombre es ambiguo, lo decimos en lugar de rellenar el hueco: mira la nota sobre «PRISM» más abajo.

Dos complementos de este artículo: el Harness Designer te guía para definir y acotar el harness de un agente, y el Harness Comparator te permite comparar estos métodos entre sí en los ejes de abajo.

Primero, lo único que no hace ninguno

Ninguno de estos métodos reentrena el modelo. Todos optimizan el andamiaje alrededor de unos pesos fijos, así que ninguno es un caso de «IA que se reescribe a sí misma» en el sentido aterrador. Lo que cambia es qué parte del andamiaje reescribe cada uno y, por tanto, cuánto de tu agente se convierte en un blanco móvil. Ese es el eje que importa para la seguridad, así que es el eje por el que los ordenamos.

ReAct: la línea base, no un optimizador

ReAct (Yao et al., 2022) intercala razonamiento (el modelo piensa en texto) y acción (llama a una herramienta y lee el resultado), en un bucle hasta terminar. No es un método de optimización: es el patrón de flujo de control que casi todo agente, y todos los métodos de abajo, dan por supuesto. Lo incluimos porque es la línea base honesta: antes de adoptar cualquier optimizador, mide lo que ya hace un agente ReAct sencillo en tu tarea. Qué optimiza: nada de forma automática; un humano escribe el prompt y elige las herramientas. Datos necesarios: ninguno aparte de herramientas y un prompt. Madurez: omnipresente. Seguridad: la superficie corriente del uso de herramientas; la inyección de prompts a través de las observaciones de las herramientas es la principal preocupación; no hay automodificación.

GEPA: evolución reflexiva de prompts

GEPA («Genetic-Pareto», Agrawal et al., 2025; aceptado como presentación oral en ICLR 2026) optimiza prompts/instrucciones. En lugar de una recompensa numérica, devuelve la traza de ejecución completa a un paso de reflexión de un LLM que propone una edición en lenguaje natural del prompt, y mantiene una frontera de Pareto de prompts candidatos en lugar de un único mejor hasta el momento. Su fama viene de la eficiencia de muestras: los autores reportan que supera a enfoques de aprendizaje por refuerzo con muchas menos ejecuciones (toma los multiplicadores concretos como cifras del paper, a comprobar en la fuente). Qué optimiza: prompts. Datos necesarios: un pequeño conjunto de evaluación y una métrica, más las trazas que genera GEPA. Costo/complejidad: de bajo a moderado; mucho más barato que el RL. Madurez: activo; incluido como optimizador dentro de DSPy (dspy.GEPA). Seguridad: bajo riesgo: emite prompts, que son artefactos de texto que puedes comparar, revisar, versionar y revertir. No añade superficie ejecutable nueva. Revisa el prompt final como revisarías cualquier cambio de instrucciones.

DSPy: un compilador para pipelines de LM

DSPy (Khattab et al., Stanford, ICLR 2024) es menos un algoritmo concreto que un framework de programación: declaras un pipeline de LM en términos modulares, y los optimizadores de DSPy («teleprompters»: BootstrapFewShot, MIPROv2 y GEPA, entre otros) ajustan los prompts y las demostraciones few-shot contra una métrica que defines (y opcionalmente pueden ajustar pesos). El atractivo es que la mejora se convierte en un paso de compilación repetible en lugar de un ajuste a mano. Qué optimiza: prompts y ejemplos few-shot, mediante el optimizador elegido. Datos necesarios: ejemplos de entrenamiento/validación y una métrica. Costo/complejidad: moderado: tienes que expresar tu tarea como un programa DSPy, pero la optimización es barata y reproducible. Madurez: maduro y ampliamente adoptado. Seguridad: bajo riesgo y auditable: las salidas son prompts y demostraciones; el paso de compilación es determinista dadas las entradas; los artefactos se pueden revisar y versionar. El principal punto de higiene es tratar los prompts/demostraciones optimizados como configuración sujeta a control de cambios.

ADAS: un meta-agente que escribe nuevos agentes

ADAS («Automated Design of Agentic Systems», Hu, Lu y Clune, 2024) sube un nivel: un meta-agente programa nuevos agentes en código, iterando mediante su algoritmo «Meta Agent Search» sobre un archivo de agentes descubiertos previamente, y según se informa los agentes descubiertos se transfieren entre dominios y modelos. Qué optimiza: la topología, el flujo de control y los componentes del agente, expresados como código ejecutable. Datos necesarios: tareas de evaluación, un meta-agente capaz de programar y un archivo. Costo/complejidad: alto: es una búsqueda sobre programas. Madurez: de nivel de investigación. Seguridad: es el más pesado del conjunto. Un método cuya salida es código ejecutable de agentes es ejecución de código arbitrario por definición: los programas descubiertos deben ejecutarse en un sandbox, detrás de una lista de salida permitida, con revisión humana antes de que nada llegue a producción. La ventaja (arquitecturas novedosas) viene con el requisito de aislamiento más fuerte.

Reflexion: autorreflexión verbal en tiempo de ejecución

Reflexion (Shinn et al., NeurIPS 2023) es de otra naturaleza: mejora el agente en tiempo de ejecución, dentro de una tarea, haciendo que genere una autorreflexión verbal tras un intento fallido y que la guarde en una memoria episódica que el agente lee antes del siguiente intento. No cambian los pesos ni se preoptimiza ningún conjunto de prompts: el «aprendizaje» está en el contexto y en una memoria que va de efímera a persistente. Qué optimiza: el comportamiento del propio agente entre intentos, mediante memoria reflexiva. Datos necesarios: una señal de retroalimentación o recompensa sobre la que reflexionar (aunque sea un simple éxito/fracaso). Costo/complejidad: bajo; es un bucle, no un entrenamiento. Madurez: bien establecido y muy citado. Seguridad: no genera código, así que el radio de impacto es menor, pero la memoria persistente es una superficie de envenenamiento: una reflexión mala o inyectada puede sobrevivir y dirigir ejecuciones posteriores, así que importan la procedencia y la revisión de lo que se escribe en memoria.

Harness²: harnessing recursivo de todo el andamiaje

Harness² (Google Cloud AI Research y Northwestern University, arXiv 2610.14224) es el más amplio. Reescribe el harness completo alrededor de un modelo fijo (descrito en ocho componentes: prompt de sistema, barreras de protección, memoria, guía de herramientas, subagentes, skills, scripts y plugins) mediante un bucle Propose–Probe–Compose (proponer ediciones del harness, sondear su efecto en la misma tarea y componer un harness refinado a partir del contraste), más un «harness de mejora» persistente que lleva lecciones respaldadas por evidencia a tareas futuras. Reporta mejoras en los benchmarks de trabajo profesional que usa. Qué optimiza: todo el andamiaje, de forma recursiva, entre tareas. Datos necesarios: tareas contra las que optimizar (el sondeo por tarea no necesita una respuesta de referencia). Costo/complejidad: alto: es un bucle de optimización recursivo sobre una superficie grande. Madurez: nuevo/experimental. Seguridad: la superficie de gobierno más amplia de esta lista. Como puede reescribir la guía de herramientas, los plugins, los scripts y las barreras de protección, un harness que se edita a sí mismo puede cambiar lo que el agente tiene permitido hacer sin un humano en el bucle, y el propio paper advierte que sus ejecutores funcionan con acceso a red sin restricciones y el ejecutor de Codex con el sandbox desactivado. Necesita control de cambios con aprobación humana para las ediciones privilegiadas, mínimo privilegio que no pueda autoampliarse, procedencia y reversión para los harness y lecciones adoptados, y ejecutores en sandbox detrás de una lista de salida permitida. (Lo tratamos a fondo en nuestro artículo dedicado al gobierno de Harness².)

Lado a lado

Cómo elegir

1. Empieza con ReAct y mide. No puedes saber si un optimizador compensa su riesgo hasta conocer la línea base.
2. ¿Quieres un comportamiento mejor y auditable a bajo costo? DSPy y GEPA. Artefactos de texto, revisables, versionables, con bajo radio de impacto. Aquí es donde la mayoría de los equipos debería invertir primero.
3. ¿Necesitas que el agente se adapte dentro de la tarea a partir de sus propios errores? Reflexion, pero gobierna lo que se escribe en memoria.
4. ¿Exploras arquitecturas de agentes novedosas? ADAS, en un sandbox, detrás de una lista de salida permitida y con revisión humana del código generado antes de ejecutarlo.
5. ¿Quieres que el propio andamiaje se mejore entre tareas? Harness², la opción de frontera y la que más amplía tu superficie de control de cambios y de ataque. Adóptalo con los controles, no antes de tenerlos.
6. ¿Ves «PRISM» (o cualquier nombre desconocido)? Identifica el paper exacto antes de apoyarte en él.

El hilo conductor del gobierno

Lee la tabla de arriba abajo y el patrón está claro: el riesgo sube cuanto más se automodifica un método y cuanto más se acerca a generar código ejecutable o capacidades nuevas. Los optimizadores que solo tocan prompts emiten texto revisable. Los métodos basados en memoria añaden una superficie de envenenamiento. Los que generan código o se reescriben a sí mismos cambian lo que el agente puede hacer, y necesitan el kit completo: control de cambios con aprobación humana para las ediciones privilegiadas, mínimo privilegio que no pueda autoampliarse, procedencia y reversión para cada artefacto y memoria adoptados, y ejecutores en sandbox detrás de una lista de salida permitida. Ninguno de estos métodos es peligroso por naturaleza; todos son seguros de ejecutar dentro de límites que fijes deliberadamente. Elige el método para el trabajo y dimensiona los controles según dónde se sitúe en ese espectro.

Dónde encaja esto en lo que ya operas

Elijas el método que elijas, las preguntas de gobierno son las mismas que ya responden tus programas existentes, solo que apuntadas al andamiaje. «¿Quién puede cambiar qué, y está evidenciado?» es disciplina de control de cambios y de gestión de la IA (laboratorio AI Governance Board). «¿Qué componentes y qué procedencia tiene realmente este agente?» es una pregunta de AI Bill of Materials. «¿Cuál es el radio de impacto de este agente concreto?» es un modelo de amenazas (generador de modelos de amenazas para LLM). Y para diseñar y acotar el propio harness antes de dejar que un optimizador se le acerque, el Harness Designer y el Harness Comparator son los complementos de este artículo.

Fuentes y créditos

• Harness²: arXiv 2610.14224 (Google Cloud AI Research y Northwestern University); verifica las cifras de puntuación concretas en la fuente primaria.
• GEPA: arXiv 2507.19457 («Reflective Prompt Evolution Can Outperform Reinforcement Learning», Agrawal et al., presentación oral en ICLR 2026); también disponible como dspy.GEPA.
• DSPy: arXiv 2310.03714 («Compiling Declarative Language Model Calls into Self-Improving Pipelines», Khattab et al., ICLR 2024).
• ADAS: arXiv 2408.08435 («Automated Design of Agentic Systems», Hu, Lu y Clune).
• Reflexion: arXiv 2303.11366 («Language Agents with Verbal Reinforcement Learning», Shinn et al., NeurIPS 2023).
• ReAct: arXiv 2210.03629 («Synergizing Reasoning and Acting in Language Models», Yao et al.).
• «PRISM»: el nombre es ambiguo entre varios papers no relacionados (post-entrenamiento sin recompensas verificables; un framework de razonamiento multiagente Propose-Review-Integrate; un sustrato de memoria evolutiva). Identifica el identificador exacto de arXiv antes de apoyarte en él.

Publicado el 19 de octubre de 2026. Las fuentes primarias prevalecen donde difieran de este resumen. Los multiplicadores de rendimiento reportados para cualquier método son cifras del propio paper y deben verificarse en la fuente antes de citarlos.