CUGA: cómo acelerar apps agentic empresariales sin rehacer la infraestructura

Por qué un harness y no otro framework

La mayoría de las aplicaciones agentic —desde recomendaciones de películas hasta asesores de arquitectura en la nube— comienzan con una semana (o más) de trabajo «plomero»: elegir un framework, conectar un cliente de LLM, adaptar herramientas, exponer estado a una UI y decidir el objetivo del agente. El valor real llega al final, cuando el agente empieza a hacer algo útil; hasta entonces, mucho del esfuerzo es repetitivo.

CUGA (Configurable Generalist Agent) es un harness open-source diseñado para quitar esa carga. En lugar de obligarlos a aprender otro marco complejo, CUGA maneja la orquestación alrededor del modelo: planificación a largo plazo, ejecución con llamadas a herramientas y código generado, seguimiento de variables y pasos de reflexión para corregir planes erróneos. Ustedes escriben qué herramientas puede usar el agente y el prompt que define su propósito.

Qué quita CUGA de su mesa

Lo que usualmente se vuelve bricolaje en cada proyecto queda resuelto por el harness:

• Planificación y ejecución con gestión de estado entre pasos. En tareas largas, eso evita que el agente pierda resultados intermedios y re-derive información errónea.
• Reflexión y replanteo si una acción fue incorrecta, en vez de seguir con un plan fallido.
• Configuración de trade-offs entre costo y latencia: modos Fast, Balanced y Accurate, sin cambiar código.
• Ejecución de código en sandboxes que ustedes elijan (local, Docker/Podman o nubes de ejecución confiables).
• Guardrails declarativos, capacidad de delegación multi-agente (A2A) y RAG con Docling.
• Conectividad a herramientas intercambiables (OpenAPI, MCP, LangChain functions) y cambio de proveedor del LLM con una variable de entorno.

Esa combinación es la razón por la que CUGA ha destacado en benchmarks de agentes como AppWorld o WebArena: no porque invente un motor nuevo, sino porque ya ensambla prácticas robustas para mantener corridas largas y consistentes.

Un agente, de principio a fin: el ejemplo del asesor para IBM Cloud

Para mostrar la experiencia práctica, los autores construyeron cuga-apps: dos docenas de aplicaciones pequeñas y funcionales, cada una en un solo archivo FastAPI que envuelve un CugaAgent. Un ejemplo concreto es un asesor que recomienda servicios reales de IBM Cloud a partir de una arquitectura propuesta.

La definición del agente en el ejemplo se reduce a cuatro argumentos: modelo, herramientas, instrucciones especiales y la carpeta donde se guarda el estado. El modelo se obtiene mediante una pequeña fábrica que selecciona proveedor según variables de entorno (por ejemplo, OpenAI, Anthropic, watsonx, LiteLLM u Ollama), por lo que la app no contiene lógica dependiente del proveedor. El agente guarda su estado y políticas en la carpeta indicada por cuga_folder.

Las herramientas mezclan funciones inline (específicas de la app) con herramientas genéricas cargadas desde MCP. Por ejemplo, la función search_ibm_catalog se define en el mismo archivo y su docstring es lo que el agente lee para decidir cuándo usarla. Las capacidades estateless, como búsqueda web, se cargan con load_tools(["web"]), sin que ustedes tengan que alojar esos servicios.

Eso deja a su equipo concentrado en la parte que realmente aporta valor: definir las herramientas relevantes para su dominio y escribir las instrucciones que orientan al agente.

Ventajas relevantes para equipos en América Latina

• Ahorro de tiempo de ingeniería: reducir la semana de ‘plomería’ significa que equipos pequeños o con recursos limitados pueden lanzar prototipos y pilotos más rápido.
• Opciones de soberanía y costos: CUGA puede operar con modelos de pesos abiertos (el artículo señala que apps hospedadas usan gpt-oss-120b en lugar de depender exclusivamente de modelos frontier). Esto facilita despliegues en entornos donde la soberanía de datos y el control de costes son prioridad.
• Gobernanza más simple: el mismo agente puede correr en modo soberano y gobernado en producción sin reescritura del código, lo que ayuda a cumplir requisitos regulatorios locales y políticas internas.
• Menos dependencia de expertos en infraestructura: si ya usan FastAPI, leer y adaptar los archivos de ejemplo es directo, sin aprender un framework adicional.

Escalar de uno a muchos agentes

CUGA no solo ayuda a construir un agente; facilita crecer a flotas de agentes con coherencia operativa. Las piezas que hacen este crecimiento sencillo incluyen manejo persistente de estado, delegación entre agentes (A2A), y políticas declarativas que permiten auditar y controlar comportamientos. En la práctica, la transición de un prototipo a un servicio gobernado y producible requiere poca o ninguna reescritura del agente.

Integración y control del proveedor de modelos

Un patrón interesante del harness es que la selección del proveedor se abstrae en una fábrica pequeña (create_llm), controlada por variables de entorno. Así pueden cambiar entre OpenAI, Anthropic, watsonx u otros sin tocar la lógica del agente. Esta portabilidad es clave en entornos corporativos donde los proveedores cambian por precio, latencia o requerimientos regulatorios.

Cómo empezar y próximos pasos prácticos

• Instalar CUGA: pip install cuga (mencionado en el artículo).
• Revisar los cuga-apps: hay dos docenas de ejemplos de un solo archivo que demuestran distintos casos de uso, desde recomendadores hasta asesores en la nube.
• Pensar en herramientas: separen las capacidades genéricas (búsqueda web, APIs públicas) de las funciones específicas del negocio (búsqueda en un catálogo interno, consultas a sistemas propios). Definan estas últimas como funciones inline con docstrings claros.
• Considerar soberanía y sandboxing: decidan dónde ejecutar código (local, contenedor, nube) y configuren los modos de razonamiento (Fast, Balanced, Accurate) según costo y latencia.

Conclusión

CUGA no promete una nueva magia del modelo; propone algo igualmente valioso: quitar la infraestructura repetitiva que hace que cada proyecto empiece de cero. Para equipos latinoamericanos, eso significa lanzar pilotos más rápido, mantener control sobre datos y costos, y escalar con políticas y gobernanza desde el inicio. Si su organización busca industrializar agentes sin rehacer la infraestructura con cada experimento, CUGA es una alternativa a considerar: configurarla y concentrarse en la tarea, no en la plomería.