ML//agent//autoregressive control

Un modelo autoregresivo general tiene una propiedad bastante extraña si vienes de software tradicional: su comportamiento no está cableado en una secuencia fija de operaciones. Token tras token puede representar código, explicación, una consulta, una tool call, una revisión del plan, un error, otra búsqueda o una decisión de detenerse. Planificación, código, selección de herramientas y lenguaje comparten el mismo canal de salida, de modo que buena parte de la branching policy emerge durante la inferencia en vez de estar escrita como otra rama `if`.

Un modelo autoregresivo general tiene una propiedad bastante extraña si vienes de software tradicional: su comportamiento no está cableado en una secuencia fija de operaciones. Token tras token puede representar código, explicación, una consulta, una tool call, una revisión del plan, un error, otra búsqueda o una decisión de detenerse. Planificación, código, selección de herramientas y lenguaje comparten el mismo canal de salida, de modo que buena parte de la branching policy emerge durante la inferencia en vez de estar escrita como otra rama if.

Eso es caro, probabilístico y difícil de verificar, pero explica una parte enorme de la flexibilidad de los agentes. El harness no elimina esa flexibilidad. Le da una física: convierte algunas secuencias simbólicas en observaciones y otras en acciones reales.