Her: la detective que aclara tus sesiones de Claude Code

Introducción

Cada sesión de Claude Code genera un rastro detallado: un archivo .jsonl que registra turnos, llamadas a herramientas y tokens. En la práctica, ese rastro suele ser ilegible para la mayoría: miles de líneas de JSON que nadie revisa. Her, nombre inspirado en la palabra marathi para detective, nace para llenar ese vacío. Su objetivo es sencillo: que no tengan que leer manualmente esos archivos para entender qué pasó durante una ejecución.

En este artículo revisamos qué ofrece Her, cómo funciona su arquitectura de confianza y por qué resulta útil para equipos de desarrollo y operaciones, incluida la realidad de organizaciones en América Latina donde la observabilidad y la seguridad de modelos son prioridades crecientes.

Qué hace Her

Her permite arrastrar y soltar archivos de sesión .jsonl generados por Claude Code y obtiene un análisis accionable. Entre sus capacidades principales están:

• Reconstruir la ejecución en lenguaje natural y señalar las decisiones clave.
• Marcar movimientos riesgosos, como despliegues, cambios de configuración, alteraciones de producción y exposición de secretos.
• Rastrear el uso de tokens y mostrar en qué parte de la sesión se consumieron.
• Identificar herramientas, subagentes, skills y servidores MCP involucrados en la ejecución.
• Proponer mejoras cuando se detecta un patrón corregible, apoyándose en buenas prácticas de Anthropic y la comunidad.

Her no afirma hechos de forma contundente si no hay evidencia; su aproximación es sugerir mejoras y permanecer silenciosa cuando no hay nada relevante que reportar.

Visualizaciones y flujo de trabajo

La interfaz ofrece dos modos de trabajo: vista de sesión y vista de proyecto. Con un solo archivo obtienen el mapa completo de esa ejecución; al cargar varios archivos pueden construir una vista agregada para investigar patrones a lo largo de múltiples sesiones.

Her incluye además un copiloto interactivo llamado Ask Her. Pueden preguntar por qué se utilizó una herramienta concreta y recibir respuestas fundamentadas en el rastro, con las referencias a los turnos exactos y enlaces hacia la llamada a la herramienta correspondiente dentro de la interfaz.

Cómo funciona internamente y por qué importa la privacidad

La confianza en Her se basa en una separación clara entre el motor de evaluación y el modelo de lenguaje que genera el texto explicativo. El análisis forense que interpreta el archivo .jsonl es determinista: eso significa que los resultados numéricos y las trazas no dependen de la versión del modelo. El modelo se utiliza exclusivamente para redactar el reporte en inglés y ofrecer sugerencias suaves; nunca sustituye los datos objetivos.

Importante para equipos preocupados por la privacidad: la ejecución del modelo ocurre dentro del mismo entorno del Space en Hugging Face. El modelo nombrado en la fuente es Nemotron-Mini-4B-Instruct y corre en la GPU del Space mediante ZeroGPU. Los archivos de sesión se suben a un namespace privado que se borra automáticamente y no se envían a APIs de terceros. En resumen: el rastro se procesa en caja, y nada sale del entorno.

Identificación de herramientas y contexto ejecutable

Her no se limita a listar comandos de línea de comandos. Incluye una base de datos local con las herramientas más comunes de Homebrew, npm y PyPI, de modo que muchas utilerías se identifican por nombre y reciben una breve descripción offline. Cuando detecta que se ejecutó una herramienta de despliegue, cliente de base de datos o un servidor de desarrollo, marca esa actividad para una revisión más profunda.

Este detalle es útil para detectar acciones que requieren un segundo vistazo, por ejemplo un deploy inesperado durante una prueba o el uso de una credencial en un entorno equivocado.

Limitaciones y enfoque de la herramienta

Her fue construida como una herramienta operativa rápida: la interfaz inicial surgió como un grafo de viaje donde cada consulta es un nodo dimensionado por costo. A medida que se iteró sobre la idea, se añadió un informe ejecutivo para perfiles con menos apetito técnico, y una base de datos de herramientas para mejorar la identificación.

Dado que el motor de evaluación es determinista, los números y trazas no cambian con las actualizaciones del modelo. El texto explicativo puede variar con el modelo, pero eso no altera los hallazgos duros extraídos del archivo.

Casos de uso relevantes para América Latina

• Equipos de adopción temprana de IA: Her ayuda a entender por qué un agente eligió un camino de producción y dónde se consumieron la mayor parte de los tokens, información clave para optimizar costos.
• Empresas reguladas: la capacidad de señalar despliegues o cambios de configuración y vincularlos a turnos específicos facilita auditorías internas y cumplimiento.
• Operaciones y SRE: detectar ejecuciones de servidores de desarrollo o clientes de base de datos en momentos no previstos ayuda a prevenir incidentes que afecten la disponibilidad.
• Seguridad y gobernanza: la detección de exposición de secretos y la identificación de herramientas instaladas réduit riesgos operacionales.

Para equipos en América Latina, donde muchas organizaciones aún consolidan prácticas de gobernanza en modelos generativos, disponer de una herramienta que traduzca trazas técnicas en reportes accesibles puede acelerar la madurez operativa.

Experiencia de usuario y despliegue

El frontend de Her es una aplicación React servida desde un servidor Gradio. La arquitectura combina la pieza determinista para la forensia con Nemotron manejando la redacción. Según la fuente, la herramienta se desarrolló rápidamente y evolucionó a partir del feedback de operadores y responsables ejecutivos.

La recomendación práctica es incorporar Her en los flujos de revisión de cambios y en las postmortems cuando trabajan con agentes autónomos o flujos complejos de Claude Code.

Conclusión

Her convierte un archivo .jsonl ininteligible en un informe accionable: reconstruye la ejecución, marca riesgos, muestra la distribución de tokens y señala herramientas y subagentes implicados. Su diseño prioriza la privacidad y la reproducibilidad al mantener el análisis determinista y ejecutar el modelo en el mismo espacio.

Si gestionan agentes basados en Claude Code o buscan mejorar la observabilidad de sus flujos de IA, Her ofrece una forma práctica y confiable de auditar sesiones sin exponer sus datos a terceros. Está disponible como Space en Hugging Face para quienes quieran probarla y validarla con sus propias sesiones.