https://thedotnetblog.com/es/tags/approvals/Articles, tutorials and insights from the .NET community.Hugoes@thedotnetblog (The .NET Blog)@thedotnetblogSat, 11 Jul 2026 00:00:00 +0000https://thedotnetblog.com/es/news/emiliano-montesdeoca/agent-harness-safe-data-access-patterns/Sat, 11 Jul 2026 00:00:00 +0000Emiliano Montesdeocahttps://thedotnetblog.com/es/news/emiliano-montesdeoca/agent-harness-safe-data-access-patterns/El acceso a archivos, las aprobaciones y el diseño de memoria son la tríada práctica para un comportamiento confiable de agentes en producción.<p>Fuente original: <a href="https://devblogs.microsoft.com/agent-framework/agent-harness-working-with-your-data-safely/">Agent Harness: Working with your data, safely</a></p> <p>Este es uno de los posts más útiles sobre ingeniería de agentes este año porque rechaza la trampa común de la autonomía centrada en el demo. En su lugar, se enfoca en cómo los agentes deberían operar con datos reales de usuarios y consecuencias reales.</p> <p>Los tres bloques fundamentales destacados aquí son exactamente los correctos.</p> <p>El acceso a archivos proporciona a los agentes un anclaje útil en datos propiedad del usuario.</p> <p>El control de aprobaciones previene la ejecución silenciosa de acciones con consecuencias.</p> <p>La memoria duradera evita interacciones repetitivas sin sacrificar control.</p> <p>La mayoría de los equipos sobredimensionan la amplitud de herramientas y subestiman la semántica de permisos. Eso está al revés. Un agente con diez herramientas y límites de aprobación débiles es menos valioso que un agente con tres herramientas y puntos de control predecibles.</p> <p>El mejor patrón práctico de este artículo es la estrategia de aprobación por capas:</p> <p>Siempre requiere aprobación para herramientas de alto impacto como operaciones de trading o destructivas.</p> <p>Auto-aprueba lecturas de bajo riesgo para preservar el flujo.</p> <p>Usa aprobaciones permanentes con alcance definido para acciones repetitivas de confianza dentro de una sesión.</p> <p>Esto crea un gradiente de riesgo saludable. Los usuarios no son interrumpidos por lecturas inofensivas, pero siguen en el circuito cuando las consecuencias se vuelven caras o irreversibles.</p> <p>También me gusta la división explícita entre memoria de archivos y memoria de Foundry. Los equipos deberían dejar de intentar forzar un solo modelo de memoria para resolver todos los problemas. Los artefactos de archivo explícitos y gruesos son excelentes para el estado visible por el usuario, como informes y listas de seguimiento. La extracción de memoria a nivel de hechos es mejor para preferencias y contexto conversacional. Mezclar ambos da mejores resultados que intentar fingir que cualquiera de los dos es suficiente.</p> <p>Mi opinión personal: el futuro de la calidad de los agentes se medirá menos por prompts ingeniosos y más por la ergonomía de seguridad. Si tus prompts de aprobación son ruidosos, los usuarios hacen clic ciegamente. Si tus límites de memoria no son claros, los usuarios dejan de confiar en el asistente. Si tus valores predeterminados de acceso a datos son permisivos, los equipos de seguridad cerrarán el proyecto.</p> <p>Para los equipos de .NET y Python que adopten este patrón, el movimiento clave es tratar los callbacks de política y las reglas de aprobación como lógica de negocio central, versionada y probada como cualquier otro código crítico. No los dejes como lambdas ad-hoc enterradas en ejemplos.</p> <p>Los sistemas de agentes que ganan confianza no son los que hacen más. Son los que hacen exactamente lo que los usuarios pretendían, ni más ni menos, con puntos de interrupción claros cuando el riesgo aumenta.</p> <p>Esa es la diferencia entre un demo impresionante y un software en el que la gente está dispuesta a delegar trabajo real.</p>